如何快速全面建立自己的大數(shù)據(jù)知識(shí)體系

作者經(jīng)過(guò)研發(fā)多個(gè)大數(shù)據(jù)產(chǎn)品，將自己形成關(guān)于大數(shù)據(jù)知識(shí)體系的干貨分享出來(lái)，希望給大家能夠快速建立起大數(shù)據(jù)產(chǎn)品的體系思路，讓大家系統(tǒng)性學(xué)習(xí)和了解有關(guān)大數(shù)據(jù)的設(shè)計(jì)架構(gòu)。

很多人都看過(guò)不同類型的書，也接觸過(guò)很多有關(guān)大數(shù)據(jù)方面的文章，但都是很零散不成系統(tǒng)，對(duì)自己也沒有起到多大的作用，所以作者第一時(shí)間，帶大家從整體體系思路上，了解大數(shù)據(jù)產(chǎn)品設(shè)計(jì)架構(gòu)和技術(shù)策略。

大數(shù)據(jù)產(chǎn)品，從系統(tǒng)性和體系思路上來(lái)做，主要分為五步：

針對(duì)前端不同渠道進(jìn)行數(shù)據(jù)埋點(diǎn)，然后根據(jù)不同渠道的采集多維數(shù)據(jù)，也就是做大數(shù)據(jù)的第一步，沒有全量數(shù)據(jù)，何談大數(shù)據(jù)分析；

第二步，基于采集回來(lái)的多維度數(shù)據(jù)，采用ETL對(duì)其各類數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理及加載；

然后第三步，對(duì)于ETL處理后的標(biāo)準(zhǔn)化結(jié)構(gòu)數(shù)據(jù)，建立數(shù)據(jù)存儲(chǔ)管理子系統(tǒng)，歸集到底層數(shù)據(jù)倉(cāng)庫(kù)，這一步很關(guān)鍵，基于數(shù)據(jù)倉(cāng)庫(kù)，對(duì)其內(nèi)部數(shù)據(jù)分解成基礎(chǔ)的同類數(shù)據(jù)集市；

然后基于歸集分解的不同數(shù)據(jù)集市，利用各類R函數(shù)包對(duì)其數(shù)據(jù)集進(jìn)行數(shù)據(jù)建模和各類算法設(shè)計(jì)，里面算法是需要自己設(shè)計(jì)，個(gè)別算法可以用R函數(shù)，這個(gè)過(guò)程產(chǎn)品和運(yùn)營(yíng)參與最多；這一步做好了，也是很多公司用戶畫像系統(tǒng)的底層。

最后根據(jù)建立的各類數(shù)據(jù)模型及算法，結(jié)合前端不同渠道不同業(yè)務(wù)特征，根據(jù)渠道觸點(diǎn)自動(dòng)匹配后端模型自動(dòng)展現(xiàn)用戶個(gè)性化產(chǎn)品和服務(wù)。

建立系統(tǒng)性數(shù)據(jù)采集指標(biāo)體系

建立數(shù)據(jù)采集分析指標(biāo)體系是形成營(yíng)銷數(shù)據(jù)集市的基礎(chǔ)，也是營(yíng)銷數(shù)據(jù)集市覆蓋用戶行為數(shù)據(jù)廣度和深度的前提，數(shù)據(jù)采集分析體系要包含用戶全活動(dòng)行為觸點(diǎn)數(shù)據(jù)，用戶結(jié)構(gòu)化相關(guān)數(shù)據(jù)及非結(jié)構(gòu)化相關(guān)數(shù)據(jù)，根據(jù)數(shù)據(jù)分析指標(biāo)體系才能歸類匯總形成篩選用戶條件的屬性和屬性值，也是發(fā)現(xiàn)新的營(yíng)銷事件的基礎(chǔ)。

構(gòu)建營(yíng)銷數(shù)據(jù)指標(biāo)分析模型，完善升級(jí)數(shù)據(jù)指標(biāo)采集，依托用戶全流程行為觸點(diǎn)，建立用戶行為消費(fèi)特征和個(gè)體屬性，從用戶行為分析、商業(yè)經(jīng)營(yíng)數(shù)據(jù)分析、營(yíng)銷數(shù)據(jù)分析三個(gè)維度，形成用戶行為特征分析模型。用戶維度數(shù)據(jù)指標(biāo)是不同維度分析要素與用戶全生命周期軌跡各觸點(diǎn)的二維交叉得出。

目前做大數(shù)據(jù)平臺(tái)的公司，大多數(shù)采集的數(shù)據(jù)指標(biāo)和輸出的可視化報(bào)表，都存在幾個(gè)關(guān)鍵問題：

采集的數(shù)據(jù)都是以渠道、日期、地區(qū)統(tǒng)計(jì)，無(wú)法定位到具體每個(gè)用戶；

計(jì)算統(tǒng)計(jì)出的數(shù)據(jù)都是規(guī)模數(shù)據(jù)，針對(duì)規(guī)模數(shù)據(jù)進(jìn)行挖掘分析，無(wú)法支持；

數(shù)據(jù)無(wú)法支撐系統(tǒng)做用戶獲客、留存、營(yíng)銷推送使用。

所以，要使系統(tǒng)采集的數(shù)據(jù)指標(biāo)能夠支持平臺(tái)前端的個(gè)性化行為分析，必須圍繞用戶為主線來(lái)進(jìn)行畫像設(shè)計(jì)，在初期可視化報(bào)表成果基礎(chǔ)上，將統(tǒng)計(jì)出來(lái)的不同規(guī)模數(shù)據(jù)，細(xì)分定位到每個(gè)用戶，使每個(gè)數(shù)據(jù)都有一個(gè)用戶歸屬。

將分散無(wú)序的統(tǒng)計(jì)數(shù)據(jù)，在依據(jù)用戶來(lái)銜接起來(lái)，在現(xiàn)有產(chǎn)品界面上，每個(gè)統(tǒng)計(jì)數(shù)據(jù)都增加一個(gè)標(biāo)簽，點(diǎn)擊標(biāo)簽，可以展示對(duì)應(yīng)每個(gè)用戶的行為數(shù)據(jù)，同時(shí)可以鏈接到其他統(tǒng)計(jì)數(shù)據(jù)頁(yè)面。

由此可以推導(dǎo)出，以用戶為主線來(lái)建立數(shù)據(jù)采集指標(biāo)維度：用戶身份信息、用戶社會(huì)生活信息、用戶資產(chǎn)信息、用戶行為偏好信息、用戶購(gòu)物偏好、用戶價(jià)值、用戶反饋、用戶忠誠(chéng)度等多個(gè)維度，依據(jù)建立的采集數(shù)據(jù)維度，可以細(xì)分到數(shù)據(jù)指標(biāo)或數(shù)據(jù)屬性項(xiàng)。

① 用戶身份信息維度

性別，年齡，星座，居住城市，活躍區(qū)域，證件信息，學(xué)歷，收入，健康等。

② 用戶社會(huì)生活信息維度

行業(yè)，職業(yè)，是否有孩子，孩子年齡，車輛，住房性質(zhì)，通信情況，流量使用情況……

③ 用戶行為偏好信息

是否有網(wǎng)購(gòu)行為，風(fēng)險(xiǎn)敏感度，價(jià)格敏感度，品牌敏感度，收益敏感度，產(chǎn)品偏好，渠道偏好……

④ 用戶購(gòu)物偏好信息

品類偏好，產(chǎn)品偏好，購(gòu)物頻次，瀏覽偏好，營(yíng)銷廣告喜好，購(gòu)物時(shí)間偏好，單次購(gòu)物最高金額……

⑤ 用戶反饋信息維度

用戶參與的活動(dòng)，參與的討論，收藏的產(chǎn)品，購(gòu)買過(guò)的商品，推薦過(guò)的產(chǎn)品，評(píng)論過(guò)的產(chǎn)品……

基于采集回來(lái)的多維度數(shù)據(jù)，采用ETL對(duì)其各類數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理及加載

數(shù)據(jù)補(bǔ)缺：對(duì)空數(shù)據(jù)、缺失數(shù)據(jù)進(jìn)行數(shù)據(jù)補(bǔ)缺操作，無(wú)法處理的做標(biāo)記。

數(shù)據(jù)替換：對(duì)無(wú)效數(shù)據(jù)進(jìn)行數(shù)據(jù)的替換。

格式規(guī)范化：將源數(shù)據(jù)抽取的數(shù)據(jù)格式轉(zhuǎn)換成為便于進(jìn)入倉(cāng)庫(kù)處理的目標(biāo)數(shù)據(jù)格式。

主外鍵約束：通過(guò)建立主外鍵約束，對(duì)非法數(shù)據(jù)進(jìn)行數(shù)據(jù)替換或?qū)С龅藉e(cuò)誤文件重新處理。

數(shù)據(jù)合并：多用表關(guān)聯(lián)實(shí)現(xiàn)（每個(gè)字段加索引，保證關(guān)聯(lián)查詢的效率）

數(shù)據(jù)拆分：按一定規(guī)則進(jìn)行數(shù)據(jù)拆分

行列互換、排序/修改序號(hào)、去除重復(fù)記錄

數(shù)據(jù)處理層 由 Hadoop集群 組成 , Hadoop集群從數(shù)據(jù)采集源讀取業(yè)務(wù)數(shù)據(jù)，通過(guò)并行計(jì)算完成業(yè)務(wù)數(shù)據(jù)的處理邏輯，將數(shù)據(jù)篩選歸并形成目標(biāo)數(shù)據(jù)。

數(shù)據(jù)建模、用戶畫像及特征算法

提取與營(yíng)銷相關(guān)的客戶、產(chǎn)品、服務(wù)數(shù)據(jù)，采用聚類分析和關(guān)聯(lián)分析方法搭建數(shù)據(jù)模型，通過(guò)用戶規(guī)則屬性配置、規(guī)則模板配置、用戶畫像打標(biāo)簽，形成用戶數(shù)據(jù)規(guī)則集，利用規(guī)則引擎實(shí)現(xiàn)營(yíng)銷推送和條件觸發(fā)的實(shí)時(shí)營(yíng)銷推送，同步到前端渠道交互平臺(tái)來(lái)執(zhí)行營(yíng)銷規(guī)則，并將營(yíng)銷執(zhí)行效果信息實(shí)時(shí)返回到大數(shù)據(jù)系統(tǒng)。

根據(jù)前端用戶不同個(gè)性化行為，自動(dòng)匹配規(guī)則并觸發(fā)推送內(nèi)容

根據(jù)用戶全流程活動(dòng)行為軌跡，分析用戶與線上渠道與線下渠道接觸的所有行為觸點(diǎn)，對(duì)營(yíng)銷用戶打標(biāo)簽，形成用戶行為畫像，基于用戶畫像提煉匯總營(yíng)銷篩選規(guī)則屬性及屬性值，最終形成細(xì)分用戶群體的條件。每個(gè)用戶屬性對(duì)應(yīng)多個(gè)不同屬性值，屬性值可根據(jù)不同活動(dòng)個(gè)性化進(jìn)行配置，支持用戶黑白名單的管理功能。

可以預(yù)先配置好基于不同用戶身份特性的活動(dòng)規(guī)則和模型，當(dāng)前端用戶來(lái)觸發(fā)配置好的營(yíng)銷事件，數(shù)據(jù)系統(tǒng)根據(jù)匹配度最高的原則來(lái)實(shí)時(shí)自動(dòng)推送營(yíng)銷規(guī)則，并通過(guò)實(shí)時(shí)推送功能來(lái)配置推送的活動(dòng)內(nèi)容、優(yōu)惠信息和產(chǎn)品信息等，同時(shí)匯總前端反饋回的效果數(shù)據(jù)，對(duì)推送規(guī)則和內(nèi)容進(jìn)行優(yōu)化調(diào)整。

大數(shù)據(jù)系統(tǒng)結(jié)合客戶營(yíng)銷系統(tǒng)在現(xiàn)有用戶畫像、用戶屬性打標(biāo)簽、客戶和營(yíng)銷規(guī)則配置推送、同類型用戶特性歸集分庫(kù)模型基礎(chǔ)上，未來(lái)將逐步擴(kuò)展機(jī)器深度學(xué)習(xí)功能，通過(guò)系統(tǒng)自動(dòng)搜集分析前端用戶實(shí)時(shí)變化數(shù)據(jù)，依據(jù)建設(shè)的機(jī)器深度學(xué)習(xí)函數(shù)模型，自動(dòng)計(jì)算匹配用戶需求的函數(shù)參數(shù)和對(duì)應(yīng)規(guī)則，營(yíng)銷系統(tǒng)根據(jù)計(jì)算出的規(guī)則模型，實(shí)時(shí)自動(dòng)推送高度匹配的營(yíng)銷活動(dòng)和內(nèi)容信息。

機(jī)器自學(xué)習(xí)模型算法是未來(lái)大數(shù)據(jù)系統(tǒng)深度學(xué)習(xí)的核心，通過(guò)系統(tǒng)大量采樣訓(xùn)練，多次數(shù)據(jù)驗(yàn)證和參數(shù)調(diào)整，才能最終確定相對(duì)精準(zhǔn)的函數(shù)因子和參數(shù)值，從而可以根據(jù)前端用戶產(chǎn)生的實(shí)時(shí)行為數(shù)據(jù)，系統(tǒng)可自動(dòng)計(jì)算對(duì)應(yīng)的營(yíng)銷規(guī)則和推薦模型。

大數(shù)據(jù)系統(tǒng)在深度自學(xué)習(xí)外，未來(lái)將通過(guò)逐步開放合作理念，對(duì)接外部第三方平臺(tái)，擴(kuò)展客戶數(shù)據(jù)范圍和行為觸點(diǎn)，盡可能覆蓋用戶線上線下全生命周期行為軌跡，掌握用戶各行為觸點(diǎn)數(shù)據(jù)，擴(kuò)大客戶數(shù)據(jù)集市和事件庫(kù)，才能深層次挖掘客戶全方位需求，結(jié)合機(jī)器自學(xué)習(xí)功能，從根本上提升產(chǎn)品銷售能力和客戶全方位體驗(yàn)感知。