用户画像：用户画像表 古城微笑少年丶 2023-09-27 18:41 4阅读 0赞 #### **================ 用户画像表 结构图================** #### 用户画像表 ADM层 每天汇总出的用户画像表仅包含当天的数据，因此还需要和之前汇总好的用户画像表进行新的合并操作后，才算真正的最新数据的用户画像表 用户画像宽表 ADM层 adm.itcast_adm_personas（时间分区） 用户画像宽表 ADM层 = 用户基本属性表 GDM层 gdm.itcast_gdm_user_basic（时间分区）（第 1 张表） + 客户消费模型表 GDM层 gdm.itcast_gdm_user_consume_order（时间分区）（第 7 张表 = 2 + 3 + 4 + 5 + 6） + 客户喜好消费的商品分类模型表 GDM层 gdm.itcast_gdm_user_buy_category（时间分区）（第 12 张表 = 8 + 9 + 10 + 11） + 用户访问模型表 GDM层 gdm.itcast_gdm_user_visit（时间分区）（第 15 张表 = 13 + 14） 用户标签表 可根据 客户消费模型表 + 客户喜好消费的商品分类模型表 + 用户访问模型表 分析出 该人的购买喜好、购买习惯、购买实力，从而推荐相似的商品给该用户 #### **================ 用户画像表 ================** #### 用户画像 宽表：根据 用户基本属性表、客户消费订单表、客户购买类目表、用户访问信息表 生成 用户画像宽表 create database if not exists adm; //ADM 层（对 GDM 层指标数据 进行指标数据的业务汇总分析）：高度聚合 create table if not exists adm.itcast_adm_personas( user_id string ,--用户ID user_name string ,--用户登陆名 user_sex string ,--用户性别 user_birthday string ,--用户生日 user_age bigint ,--用户年龄 constellation string ,--用户星座 province string ,--省份 city string ,--城市 city_level string ,--城市等级 hex_mail string ,--邮箱 op_mail string ,--邮箱运营商 hex_phone string ,--手机号 fore_phone string ,--手机前3位 op_phone string ,--手机运营商 add_time timestamp ,--注册时间 login_ip string ,--登陆ip地址 login_source string ,--登陆来源 request_user string ,--邀请人 total_mark bigint ,--会员积分 used_mark bigint ,--已使用积分 level_name string ,--会员等级名称 blacklist bigint ,--用户黑名单 is_married bigint ,--婚姻状况 education string ,--学历 monthly_money double ,--收入 profession string ,--职业 sex_model bigint ,--性别模型 is_pregnant_woman bigint ,--是否孕妇 is_have_children bigint ,--是否有小孩 children_sex_rate double ,--孩子性别概率 children_age_rate double ,--孩子年龄概率 is_have_car bigint ,--是否有车 potential_car_user_rate double ,--潜在汽车用户概率 phone_brand string ,--使用手机品牌 phone_brand_level string ,--使用手机品牌档次 phone_cnt bigint ,--使用多少种不同的手机 change_phone_rate bigint ,--更换手机频率 majia_flag string ,--马甲标志 majie_account_cnt bigint ,--马甲账号数量 loyal_model bigint ,--用户忠诚度 shopping_type_model bigint ,--用户购物类型 figure_model bigint ,--身材 stature_model bigint ,--身高 first_order_time timestamp, --第一次消费时间 last_order_time timestamp, --最近一次消费时间 first_order_ago bigint, --首单距今时间 last_order_ago bigint, --尾单距今时间 month1_hg_order_cnt bigint, --近30天购买次数（不含退拒） month1_hg_order_amt double, --近30天购买金额（不含退拒） month2_hg_order_cnt bigint, --近60天购买次数（不含退拒） month2_hg_order_amt double, --近60天购买金额（不含退拒） month3_hg_order_cnt bigint, --近90天购买次数（不含退拒） month3_hg_order_amt double, --近90天购买金额（不含退拒） month1_order_cnt bigint, --近30天购买次数（含退拒） month1_order_amt double, --近30天购买金额（含退拒） month2_order_cnt bigint, --近60天购买次数（含退拒） month2_order_amt double, --近60天购买金额（含退拒） month3_order_cnt bigint, --近90天购买次数（含退拒） month3_order_amt double, --近90天购买金额（含退拒） max_order_amt double, --最大消费金额 min_order_amt double, --最小消费金额 total_order_cnt bigint, --累计消费次数（不含退拒） total_order_amt double, --累计消费金额（不含退拒） user_avg_amt double, --客单价（含退拒）（每一个顾客平均购买商品的金额，客单价也即是平均交易金额） month3_user_avg_amt double, --近90天的客单价 common_address string, --常用收货地址 common_paytype string, --常用支付方式 month1_cart_cnt bigint, --近30天购物车的次数 month1_cart_goods_cnt bigint, --近30天购物车商品件数 month1_cart_submit_cnt bigint, --近30天购物车提交商品件数 month1_cart_rate double, --近30天购物车成功率 month1_cart_cancle_cnt double, --近30天购物车放弃件数 return_cnt bigint, --退货商品数量 return_amt double, --退货商品金额 reject_cnt bigint, --拒收商品数量 reject_amt double, --拒收商品金额 last_return_time timestamp, --最近一次退货时间 school_order_cnt bigint, --学校下单总数 company_order_cnt bigint, --单位下单总数 home_order_cnt bigint, --家里下单总数 forenoon_order_cnt bigint, --上午下单总数 afternoon_order_cnt bigint, --下午下单总数 night_order_cnt bigint, --晚上下单总数 morning_order_cnt bigint, --凌晨下单总数 first_category_id BIGINT, --一级分类ID first_category_name STRING, --一级分类名称 second_category_id BIGINT, --二分类ID second_catery_name STRING, --二级分类名称 third_category_id BIGINT, --三级分类ID third_category_name STRING, --三级分类名称 month1_category_cnt BIGINT, --近30天购物类目次数 month1_category_amt STRING, --近30天购物类目金额 month3_category_cnt BIGINT, --近90天购物类目次数 month3_category_amt STRING, --近90天购物类目金额 month6_category_cnt BIGINT, --近180天购物类目次数 month6_category_amt STRING, --近180天购物类目金额 total_category_cnt BIGINT, --累计购物类目次数 total_category_amt STRING, --累计购物类目金额 month1_cart_category_cnt BIGINT,--近30天购物车类目次数 month3_cart_category_cnt BIGINT,--近90天购物车类目次数 month6_cart_category_cnt BIGINT,--近180天购物车类目次数 total_cart_category_cnt BIGINT, --累计购物车类目次数 last_category_time TIMESTAMP, --近90天之内最后一次购买类目时间 last_category_ago BIGINT, --近90天之内最后一次购买类目距今天数 latest_pc_visit_date string, --近90天之内最近一次PC端访问日期 latest_app_visit_date string, --近90天之内最近一次APP端访问日期 latest_pc_visit_session string, --近90天之内最近一次PC端访问的session latest_pc_cookies string, --近90天之内最近一次PC端访问的cookies latest_pc_pv string, --近90天之内最近一次PC端访问的PV latest_pc_browser_name string, --近90天之内最近一次PC端访问使用的游览器 latest_pc_visit_os string, --近90天之内最近一次PC端访问使用的操作系统 latest_app_name string, --近90天之内最近一次APP端访问app名称 latest_app_visit_os string, --近90天之内最近一次APP端访问使用的操作系统 latest_visit_ip string, --近90天之内最近一次访问IP(不分APP与PC) latest_city string, --近90天之内最近一次访问城市(不分APP与PC) latest_province string, --近90天之内最近一次访问省份(不分APP与PC) first_pc_visit_date string, --近90天之内第一次PC端访问日期 first_app_visit_date string, --近90天之内第一次APP端访问日期 first_pc_visit_session string, --近90天之内第一次PC端访问的session first_pc_cookies string, --近90天之内第一次PC端访问的cookies first_pc_pv string, --近90天之内第一次PC端访问的PV first_pc_browser_name string, --近90天之内第一次PC端访问使用的游览器 first_pc_visit_os string, --近90天之内第一次PC端访问使用的操作系统 first_app_name string, --近90天之内第一次APP端访问app名称 first_app_visit_os string, --近90天之内第一次APP端访问使用的操作系统 first_visit_ip string, --近90天之内第一次访问IP(不分APP与PC) first_city string, --近90天之内第一次访问城市(不分APP与PC) first_province string, --近90天之内第一次访问省份(不分APP与PC) day7_app_cnt bigint, --近7天APP端访问次数 day15_app_cnt bigint, --近15天APP端访问次数 month1_app_cnt bigint, --近30天APP端访问次数 month2_app_cnt bigint, --近60天APP端访问次数 month3_app_cnt bigint, --近90天APP端访问次数 day7_pc_cnt bigint, --近7天PC端访问次数 day15_pc_cnt bigint, --近15天PC端访问次数 month1_pc_cnt bigint, --近30天PC端访问次数 month2_pc_cnt bigint, --近60天PC端访问次数 month3_pc_cnt bigint, --近90天PC端访问次数 month1_pc_days bigint, --近30天PC端访问天数 month1_pc_pv bigint, --近30天PC端访问PV month1_pc_avg_pv bigint, --近30天PC端访问平均PV month1_pc_diff_ip_cnt bigint, --近30天PC端访问不同ip数 month1_pc_diff_cookie_cnt bigint, --近30天PC端访问不同的cookie数 month1_pc_common_ip string, --近30天PC端访问最常用ip month1_pc_common_cookie string, --近30天PC端访问最常用的cookie month1_pc_common_browser_name string, --近30天PC端访问最常用游览器 month1_pc_common_os string, --近30天PC端访问最常用的操作系统 month1_hour025_cnt bigint, --近30天PC端0-5点访问次数 month1_hour627_cnt bigint, --近30天PC端6-7点访问次数 month1_hour829_cnt bigint, --近30天PC端8-9点访问次数 month1_hour10212_cnt bigint, --近30天PC端10-12点访问次数 month1_hour13214_cnt bigint, --近30天PC端13-14点访问次数 month1_hour15217_cnt bigint, --近30天PC端15-17点访问次数 month1_hour18219_cnt bigint, --近30天PC端18-19点访问次数 month1_hour20221_cnt bigint, --近30天PC端20-21点访问次数 month1_hour22223_cnt bigint --近30天PC端22-23点访问次数 ); //第二版本：partitioned by (dt string); -----加载数据：根据 用户基本属性表、客户消费订单表、客户购买类目表、用户访问信息表 生成 用户画像宽表 insert overwrite table adm.itcast_adm_personas //第二版本：insert overwrite table adm.itcast_adm_personas partition(dt=${partdt}) select a.user_id, a.user_name, a.user_sex, a.user_birthday, a.user_age, a.constellation, a.province, a.city, a.city_level, a.hex_mail, a.op_mail, a.hex_phone, a.fore_phone, a.op_phone, a.add_time, a.login_ip, a.login_source, a.request_user, a.total_mark, a.used_mark, a.level_name, a.blacklist, a.is_married, a.education, a.monthly_money, a.profession, a.sex_model, a.is_pregnant_woman, a.is_have_children, a.children_sex_rate, a.children_age_rate, a.is_have_car, a.potential_car_user_rate, a.phone_brand, a.phone_brand_level, a.phone_cnt, a.change_phone_rate, a.majia_flag, a.majie_account_cnt, a.loyal_model, a.shopping_type_model, a.figure_model, a.stature_model, b.first_order_time, b.last_order_time, b.first_order_ago, b.last_order_ago, b.month1_hg_order_cnt, b.month1_hg_order_amt, b.month2_hg_order_cnt, b.month2_hg_order_amt, b.month3_hg_order_cnt, b.month3_hg_order_amt, b.month1_order_cnt, b.month1_order_amt, b.month2_order_cnt, b.month2_order_amt, b.month3_order_cnt, b.month3_order_amt, b.max_order_amt, b.min_order_amt, b.total_order_cnt, b.total_order_amt, b.user_avg_amt, b.month3_user_avg_amt, b.common_address, b.common_paytype, b.month1_cart_cnt, b.month1_cart_goods_cnt, b.month1_cart_submit_cnt, b.month1_cart_rate, b.month1_cart_cancle_cnt, b.return_cnt, b.return_amt, b.reject_cnt, b.reject_amt, b.last_return_time, b.school_order_cnt, b.company_order_cnt, b.home_order_cnt, b.forenoon_order_cnt, b.afternoon_order_cnt, b.night_order_cnt, b.morning_order_cnt, c.first_category_id, c.first_category_name, c.second_category_id, c.second_catery_name, c.third_category_id, c.third_category_name, c.month1_category_cnt, c.month1_category_amt, c.month3_category_cnt, c.month3_category_amt, c.month6_category_cnt, c.month6_category_amt, c.total_category_cnt, c.total_category_amt, c.month1_category_cnt, c.month3_category_cnt, c.month6_category_cnt, c.total_category_cnt, c.last_category_time, c.last_category_ago, d.latest_pc_visit_date, d.latest_app_visit_date, d.latest_pc_visit_session, d.latest_pc_cookies, d.latest_pc_pv, d.latest_pc_browser_name, d.latest_pc_visit_os, d.latest_app_name, d.latest_app_visit_os, d.latest_visit_ip, d.latest_city, d.latest_province, d.first_pc_visit_date, d.first_app_visit_date, d.first_pc_visit_session, d.first_pc_cookies, d.first_pc_pv, d.first_pc_browser_name, d.first_pc_visit_os, d.first_app_name, d.first_app_visit_os, d.first_visit_ip, d.first_city, d.first_province, d.day7_app_cnt, d.day15_app_cnt, d.month1_app_cnt, d.month2_app_cnt, d.month3_app_cnt, d.day7_pc_cnt, d.day15_pc_cnt, d.month1_pc_cnt, d.month2_pc_cnt, d.month3_pc_cnt, d.month1_pc_days, d.month1_pc_pv, d.month1_pc_avg_pv, d.month1_pc_diff_ip_cnt, d.month1_pc_diff_cookie_cnt, d.month1_pc_common_ip, d.month1_pc_common_cookie, d.month1_pc_common_browser_name, d.month1_pc_common_os, d.month1_hour025_cnt, d.month1_hour627_cnt, d.month1_hour829_cnt, d.month1_hour10212_cnt, d.month1_hour13214_cnt, d.month1_hour15217_cnt, d.month1_hour18219_cnt, d.month1_hour20221_cnt, d.month1_hour22223_cnt from gdm.itcast_gdm_user_basic a //用户基本属性表 left join gdm.itcast_gdm_user_consume_order b on a.user_id=b.user_id //客户消费订单表 left join gdm.itcast_gdm_user_buy_category c on a.user_id=c.user_id //客户购买类目表 left join gdm.itcast_gdm_user_visit d on a.user_id=d.user_id; //用户访问信息表 第二版本： from gdm.itcast_gdm_user_basic a where dt=${partdt} left join gdm.itcast_gdm_user_consume_order b where dt=${partdt} on a.user_id=b.user_id left join gdm.itcast_gdm_user_buy_category c where dt=${partdt} on a.user_id=c.user_id left join gdm.itcast_gdm_user_visit d where dt=${partdt} on a.user_id=d.user_id; #### **================== 每天的 用户画像表 进行汇总 ==================** #### beeline -u jdbc:hive2://node1:10000 -n root 1.每天用户画像表： adm.itcast_adm_personas_日期时间 即为 adm.itcast_adm_personas_${partdt} -------------------- -------------------- -------------------- [用户画像 用户画像表\_あずにゃん的博客-CSDN博客][_-CSDN] [_-CSDN]: https://blog.csdn.net/zimiao552147572/article/details/88427575
相关 用户画像：用户画像表 ================ 用户画像表 结构图================ 用户画像表 ADM层 每天汇总出的用户画像表仅包含当天的数 古城微笑少年丶/ 2023年09月27日 18:41/ 0 赞/ 5 阅读
相关 用户画像 ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhp 青旅半醒/ 2023年02月22日 10:59/ 0 赞/ 19 阅读
相关 用户画像简介 参考文章：[推荐系统——用户画像][Link 1] 1. 用户画像 1.1 用户画像定义 用户画像的含义用户画像(persona)的概念最早由交互设计之父Alan ゝ一世哀愁。/ 2023年02月16日 06:54/ 0 赞/ 21 阅读
相关 用户画像总结 最近在工作之余，结合自己的理解和论坛上的一些帖子，整理了份用户画像的文章，个人觉得这篇文章在宏观上很好地描述了用户画像的主要内容。（文章内的图片来源于不同帖子， 系统管理员/ 2022年05月28日 02:56/ 0 赞/ 280 阅读
相关 用户画像简介 随着我国电子商务的高速发展，越来越多的人注意到数据信息对于电商市场的推动作用。基于数据分析的精准营销方式，可以最大限度的挖掘并留住潜在客户，数据统计与分析为电商 冷不防/ 2022年05月25日 01:11/ 0 赞/ 223 阅读
相关 用户画像 1、用户画像 用户画像主要是为了刻画一个用户的特征，主要分为定量画像和定性画像，定量的主要是数量，定性的主要是一种特征，i并不能用数量表示，一般是使用标签来 青旅半醒/ 2022年04月12日 14:12/ 0 赞/ 228 阅读
相关 用户画像 什么是用户画像 简单来说，就是根据数据来描述用户，比如用标签：宅男、宅女、汽车迷、电影迷等等 是对现实世界中用户的数学建模 是描述用户的数据，是符合特定业务需 缺乏、安全感/ 2022年04月02日 13:47/ 0 赞/ 246 阅读
相关 用户画像总结 转载：https://blog.csdn.net/zzhhoubin/article/details/79727130 最近在工作之余，结合自己的理解和论坛上 小咪咪/ 2022年02月24日 02:14/ 0 赞/ 373 阅读
相关 用户画像 这里不包含算法、技术、架构内容，因为相对来说，用户画像落地比较简单，难的是用户画像的价值落地。 用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们谈及用 朱雀/ 2021年11月05日 09:42/ 0 赞/ 395 阅读
相关 用户画像建设 用户画像 用户画像，即用户信息标签化，是大数据精细化运营和精准营销服务的基础。 在大数据的时代下，用户的一切行为是可追溯和分析的。 用户画像是通过分析用户的基础信息、 男娘i/ 2021年09月21日 16:12/ 0 赞/ 422 阅读
古城微笑少年丶
系统管理员
朱雀
还没有评论，来说两句吧...