新書推薦:
![大明律(中华经典名著全本全注全译丛书-三全本)](http://103.6.6.66/upload/mall/productImages/24/28/9787101166552.jpg)
《
大明律(中华经典名著全本全注全译丛书-三全本)
》
售價:HK$
57.5
![广州:向海而生的商业之都](http://103.6.6.66/upload/mall/productImages/24/27/9787523400951.jpg)
《
广州:向海而生的商业之都
》
售價:HK$
89.7
![做自己的靠山:用接纳承诺疗法成为更强大的自己](http://103.6.6.66/upload/mall/productImages/24/27/9787523608098.jpg)
《
做自己的靠山:用接纳承诺疗法成为更强大的自己
》
售價:HK$
68.8
![技术封建主义(数字经济前沿)](http://103.6.6.66/upload/mall/productImages/24/28/9787300328508.jpg)
《
技术封建主义(数字经济前沿)
》
售價:HK$
79.4
![尤物:太平洋的丝绸全球史](http://103.6.6.69/upload/mall/productImages/y24/8/9787545220025.jpg)
《
尤物:太平洋的丝绸全球史
》
售價:HK$
102.4
![吴语百年面貌与变化研究——以嘉兴吴语为例](http://103.6.6.66/upload/mall/productImages/24/28/9787308236041.jpg)
《
吴语百年面貌与变化研究——以嘉兴吴语为例
》
售價:HK$
227.7
![众生百态:清代刑科题本里的“打工人”](http://103.6.6.66/upload/mall/productImages/24/27/9787500883791.jpg)
《
众生百态:清代刑科题本里的“打工人”
》
售價:HK$
66.7
![此间鸟兽:文物里的中华文明](http://103.6.6.66/upload/mall/productImages/24/26/9787576328592.jpg)
《
此间鸟兽:文物里的中华文明
》
售價:HK$
227.7
|
內容簡介: |
本书主要包含如下内容:
(1)画像的作用、业界主流的4种商用画像平台的核心功能和实现逻辑;
(2)画像平台的主要功能、画像平台的技术架构与技术选型、画像平台的数据模型;
(3)画像平台4大功能模块:标签管理、标签服务、分群功能、画像分析的实现方案;
(4)从0到1搭建用户画像平台,包括环境搭建和前、后端工程框架搭建;
(5)画像平台在用户的不同生命周期阶段和各种业务场景中如何为业务赋能;
(6)画像平台的优化和佳实践。
书中有200+设计图和原型图,可以帮助读者更加直观地了解平台的实现原理及功能形态。20+真实应用案例,技术方案和案例均来自真实的项目。本书提供可运行的代码,能帮助读者快速搭建并部署用户画像平台。
|
關於作者: |
赵宏田——资深大数据技术专家,先后在中国地质大学(武汉)和武汉大学获得工学和经济学双学士学位。在大数据、数据分析和数据化运营领域有多年的实践经验,擅长Hadoop、Spark等大数据技术,以及业务数据分析、数据仓库开发、爬虫、用户画像系统搭建等。开源项目的贡献者,知乎专栏作者,撰写了大量专业文章,广受好评。著有畅销书《数据化运营:系统方法与实践案例》。
张型龙
用户画像与用户增长领域的资深专家,同 时拥有近10年的服务端和大数据方面的开发经 验。目前从事用户画像平台建设及业务实践相关 的工作。 毕业后入职百度国际化产品部,主要从事服 务端研发工作,完成了海外消息服务、图片服务 的升级与优化,在服务端框架、分布式与高并发 方面积累了一定的经验。之后加入某头部互联网 公司,主要从事用户增长与用户画像相关工作。 在此期间从0到1搭建了公司的用户画像平台, 对画像业务和平台技术有了进一步的认识。随着 画像的数据量和用户量不断增加,增加和优化了 用户画像平台的功能,调整了用户画像平台的 架构,使之发展成为一个画像中台,在这个过程 中,掌握了画像平台架构以及超大规模数据量下 的画像实现方案,对于如何使用画像数据取得业 务价值也有了更深的认识。 此外,近几年在用户画像领域申请了多项专 利,在公司内及业界有一定的技术影响力。
|
目錄:
|
用户画像:平台构建与业务实践
前 言
第1章 了解画像平台 1
1.1 画像基本概念 1
1.1.1 什么是画像 1
1.1.2 画像的重要性 2
1.1.3 画像平台定位 3
1.2 OLAP介绍 3
1.2.1 OLAP与OLTP对比 3
1.2.2 OLAP场景关键特征 4
1.2.3 OLAP的3种建模类型 5
1.2.4 OLAP相关技术发展历程 5
1.3 业界画像平台介绍 6
1.3.1 神策数据 7
1.3.2 火山引擎增长分析 10
1.3.3 GrowingIO 13
1.3.4 阿里云智能用户增长 16
1.4 画像平台涉及的岗位 18
1.4.1 数据工程师 18
1.4.2 算法工程师 18
1.4.3 研发工程师 18
1.4.4 产品经理 19
1.4.5 运营人员 19
1.5 本章小结 19
第2章 画像平台功能与架构 20
2.1 画像平台主要功能 20
2.1.1 标签管理 20
2.1.2 标签服务 24
2.1.3 分群功能 25
2.1.4 画像分析 28
2.2 画像平台技术架构 32
2.2.1 画像平台常见的技术架构 32
2.2.2 画像平台技术选型示例 33
2.2.3 业界画像功能技术选型 35
2.3 画像平台的3种数据模型 36
2.4 本章小结 38
第3章 标签管理 40
3.1 标签管理整体架构 40
3.2 标签分类 43
3.2.1 标签实体及ID类型 43
3.2.2 标签分类方式 44
3.3 标签管理功能实现 48
3.3.1 标签存储 48
3.3.2 标签生产 55
3.3.3 标签数据监控 67
3.3.4 工程实现 69
3.4 岗位分工介绍 70
3.5 本章小结 72
第4章 标签服务 73
4.1 标签服务整体架构 73
4.2 标签查询服务 74
4.2.1 标签查询服务介绍 74
4.2.2 标签数据灌入缓存 76
4.2.3 标签数据结构 79
4.2.4 标签数据处理 81
4.2.5 工程实现 83
4.3 标签元数据查询服务 85
4.3.1 标签元数据查询服务介绍 85
4.3.2 工程实现 87
4.4 标签实时预测服务 89
4.4.1 标签实时预测服务介绍 89
4.4.2 工程实现 90
4.5 ID-Mapping 93
4.6 岗位分工介绍 97
4.7 本章小结 98
第5章 分群功能 99
5.1 分群功能整体架构 99
5.2 基础数据准备 101
5.2.1 画像宽表 101
5.2.2 画像BitMap 108
5.3 人群创建方式 111
5.3.1 规则圈选 112
5.3.2 导入人群 119
5.3.3 组合人群 121
5.3.4 行为明细 123
5.3.5 人群Lookalike 125
5.3.6 挖掘人群 126
5.3.7 LBS人群 127
5.3.8 其他人群圈选 128
5.3.9 工程实现 131
5.4 人群数据对外输出 137
5.5 人群附加功能 138
5.5.1 人群预估 138
5.5.2 人群拆分 140
5.5.3 人群自动更新 141
5.5.4 人群下载 142
5.5.5 ID转换 143
5.6 人群判存服务 144
5.6.1 Redis方案 144
5.6.2 BitMap方案 147
5.6.3 基于规则的判存 149
5.7 岗位分工介绍 150
5.8 本章小结 152
第6章 画像分析 153
6.1 画像分析整体架构 153
6.2 人群画像分析 155
6.2.1 人群分布分析 155
6.2.2 人群指标分析 156
6.2.3 人群下钻分析 157
6.2.4 人群交叉分析 158
6.2.5 人群对比分析 158
6.2.6 工程实现 159
6.3 人群即席分析 165
6.3.1 分布分析与指标分析 166
6.3.2 下钻分析与交叉分析 167
6.3.3 人群画像预览 168
6.4 行为明细分析 169
6.4.1 明细统计 171
6.4.2 用户分析 173
6.4.3 流程转化 176
6.4.4 价值分析 179
6.4.5 工程实现 181
6.5 单用户分析 183
6.5.1 用户画像查询 184
6.5.2 用户关系数据分析 185
6.5.3 用户涨掉粉分析 190
6.5.4 用户内容流量分析 192
6.6 其他常见分析 193
6.6.1 业务分析看板 193
6.6.2 地域分析 195
6.6.3 人群投放分析 197
6.7 岗位分工介绍 199
6.8 本章小结 200
第7章 从0到1构建画像平台 201
7.1 基础准备 201
7.1.1 技术组件协作关系 201
7.1.2 基础环境准备 203
7.2 大数据环境搭建 206
7.2.1 Hadoop 207
7.2.2 Spark 210
7.2.3 Hive 212
7.2.4 ZooKeeper 215
7.2.5 DolphinScheduler 216
7.2.6 Flink 217
7.3 存储引擎安装 219
7.3.1 ClickHouse 219
7.3.2 Redis 221
7.3.3 MySQL 222
7.4 工程框架搭建 223
7.4.1 服务端工程搭建 223
7.4.2 前端工程搭建 237
7.5 运行开源代码 238
7.6 本章小结 240
第8章 画像平台应用与业务实践 241
8.1 画像平台常见应用案例 241
8.1.1 标签管理应用案例 241
8.1.2 标签服务应用案例 244
8.1.3 分群功能应用案例 245
8.1.4 画像分析应用案例 247
8.2 用户生命周期中画像的使用 248
8.2.1 用户生命周期的划分方式 249
8.2.2 引入期画像的使用 250
8.2.3 成长期画像的使用 251
8.2.4 成熟期画像的使用 252
8.2.5 休眠期画像的使用 253
8.2.6 流失期画像的使用 254
8.3 画像平台业务实践 255
8.3.1 用户增长 255
8.3.2 用户运营 259
8.3.3 电商卖货 263
8.3.4 内容推荐 266
8.3.5 风险控制 268
8.3.6 其他业务 271
8.4 本章小结 273
第9章 画像平台优化总结 274
9.1 任务模式 274
9.1.1 任务定义及执行模式 276
9.1.2 任务优先级及并发控制 277
9.1.3 父子任务拆分 277
9.1.4 任务异常检测与重试 278
9.1.5 便捷的横向拓展能力 279
9.2 人群创建优化进阶 279
9.2.1 人群圈选需求 279
9.2.2 简单直接的解决思路 280
9.2.3 将ClickHouse作为缓存 281
9.2.4 SQL优化 283
9.3 BitMap在画像平台中的
使用方案 286
9.3.1 BitMap基本原理 286
9.3.2 BitMap在人群圈选中的
使用方案 287
9.3.3 BitMap在分布分析中的
使用方案 289
9.3.4 BitMap在判存服务中的
使用方案 291
9.4 画像宽表生成优化 292
9.4.1 多表左连接 293
9.4.2 分组再合并 294
9.4.3 增加数据加载层 296
9.4.4 采用Bucket Join 297
9.5 ID编码映射方案 299
9.6 如何构建一个类似神策的平台 301
9.6.1 神策产品介绍 301
9.6.2 主要技术模块 302
9.7 平台技术优化思考 305
9.8 本章小结 307
用户画像与全渠道数字营销:
前言
第1章 用户画像与全渠道数字营销
1.1 全渠道数字营销
1.1.1 什么是全渠道数字营销
1.1.2 企业为什么要做全渠道数字营销
1.2 用户画像如何为全渠道营销赋能
1.3 数据的集成与治理
1.4 关于方法论
第2章 全渠道画像如何做
2.1 系统集成
2.1.1 为什么做系统集成
2.1.2 通过接口接入数据
2.1.3 通过消息回调接入数据
2.1.4 数据治理
2.2 各主流渠道的系统集成方式
2.2.1 App渠道
2.2.2 企业微信渠道
2.2.3 公众号渠道
2.2.4 小程序渠道
2.2.5 微信开放平台
2.2.6 抖音渠道
2.2.7 小鹅通渠道
2.2.8 广告渠道
2.3 全渠道画像的主要功能
2.3.1 多渠道引流
2.3.2 统一的数据看板
2.3.3 客户的分析挖掘
2.3.4 营销自动化
……
第3章 App场景
第4章 企业微信场景
第5章 公众号场景
第6章 小程序场景
第7章 其他渠道场景
第8章 营销自动化工具
第9章 引流私域与运营
用户画像:
前言
第1章 用户画像基础1
1.1 用户画像是什么1
1.1.1 画像简介1
1.1.2 标签类型3
1.2 数据架构4
1.3 主要覆盖模块5
1.4 开发阶段流程7
1.4.1 开发上线流程7
1.4.2 各阶段关键产出9
1.5 画像应用的落地10
1.6 某用户画像案例11
1.6.1 案例背景介绍11
1.6.2 相关元数据12
1.6.3 画像表结构设计16
1.7 定性类画像21
1.8 本章小结22
第2章 数据指
|
|