1、分享大綱客戶畫像的定義、邏輯分層順豐速運的客戶畫像技術探索2C客戶畫像探索已經如湯沃雪2B客戶畫像探索還在白云出岫客戶畫像的定義實施客戶畫像項目比作是去黃山登高一些人登上蓮花峰，一些登上光明頂，或登上其它主峰從人的心理上來說，都是登上了黃山客戶畫像比作是一座山的不同側面實施者可以用不同的手段、方式、思維來構建客戶畫像在做的過程中，沒有一個絕對正確或錯誤的分界線把客戶數據的價值發揮出來，就是一個好的客戶畫像-分享者的觀點標簽層客戶畫像的邏輯分層動態行為標簽RFM強化模型主數據原始數據客戶畫像度量層分類層SQL處理靜態屬性標簽SQL處理+規則引擎規則引擎-分享者的觀點 數據倉庫 Hive & Ky

2、lin順豐速運的客戶畫像技術探索（1）爬取數據購買數據快遞數據電商數據O2O數據金融數據數據湖Hadoop金融維數據倉庫快遞維數據倉庫O2O維數據倉庫電商維數據倉庫其他維數據倉庫標簽池Hive用戶Ids用戶主數據快遞類標簽金融類標簽電商類標簽O2O類標簽Sqoop+Flume+Kafka+Spark StreamingSparkSpark+Drools+Anaconda自有數據外部數據順豐速運的客戶畫像技術探索（2）標簽池Hive用戶Ids用戶主數據快遞類標簽金融類標簽電商類標簽O2O類標簽Spark+Drools客戶畫像客戶價值客戶購買力客戶營銷響應品牌態度客戶忠誠順豐速運的客戶畫像技術探索

3、（3）有趣的數據現象Q: A客戶的歷史寄件值是100，所以taQ: B客戶的歷史寄件度量和收件度量標簽是“極低”， 但卻被認定是高價值客戶？ 因為ta的Id與外部爬取數據關聯后，標記出是一個社區發現的 中心點，所以ta順豐速運的客戶畫像技術探索（4）有趣的技術嘗試PrestoDB的探索度量層的數據是海量的，除了支持Hive的查詢之外，還探索了PrestoDB的查詢能力ElasticSearch的探索數據湖的持久化存儲，除了選擇Hadoop之外，還探索了把數據存儲在ES中順豐速運的客戶畫像技術探索（5）有趣的設計嘗試標簽層之上的架構探索客戶價值可以由不同的規則組合得到，比如寄件量標簽是“高”或者

4、收件量標簽是“高”標簽層非稀疏性的架構探索每個用戶在度量層存在稀疏性特征，但是當抽象到標簽層時，是不存在這個問題的如果用戶在某個度量上沒有表現，是繼續保持null還是用統計方法賦予缺省值，要結合業務區別對待2C客戶畫像探索已經如湯沃雪這個得從數據源上說起，2C客戶畫像的數據源只有三種，第一手數據指的是自有數據第二手數據指的是爬蟲數據第三手數據指的是購買數據顯而易見，爬蟲數據和購買數據是相對容易獲取的，也容易關聯-分享者的觀點2B客戶畫像探索還在白云出岫從2C客戶畫像得知，一個好的客戶畫像往往得關聯外部數據，但2B的數據，很少以獨立實體出現在爬蟲數據范圍內；更困難的是，從其它渠道想獲取到購買數據，幾乎是不可能的-分享者的觀點分享者的畫像本次分享者-張華，從2004年開始在數據服務領域工作，擁有13+年的“可怕”經驗，專長在數據建模領域和數據架構領域。在大數據技術棧領域，擁有5+年的“嚇人”經驗，專長在依據不同的業務場景，整合功能各異的開源軟件，組合出高可用、高性能、高并發的數據架構。這2年逐步轉向AI領域，專長在機器學習與自然語言處理的應用領域。在攜程旅行網時，擔任數據產品研發經理，負責傳統BI形式的客戶畫像、基于大數據平臺的廣告引擎等在順豐科技時，擔任大數據部負責人，數據產品包括大數據Hive形式的客戶畫像“豐向標”、基于實時大數據的信息安全一體化平臺“長安”