大數(shù)據(jù)平臺的搭建和在私域流量池中的使用
大數(shù)據(jù)平臺的搭建和在私域流量池中的使用
第1 大數(shù)據(jù)平臺的搭建步驟
1.1 大數(shù)據(jù)的舉例
海量的、非結(jié)構(gòu)化、碎片化的數(shù)據(jù)
如用戶的各類操作日志
1.2 搭建數(shù)據(jù)倉庫
1.2.1 數(shù)據(jù)的建模
以業(yè)務(wù)為驅(qū)動，比如業(yè)務(wù)要分析用戶的興趣
就建立主題是用戶興趣的星型模型
1.2.2 事實表的建立
星型模型中的事實表（大寬表）
即用戶各種興趣，如文旅、相親和對應(yīng)的興趣指標(biāo)
可以理解為匯總表
它聯(lián)系所有維度表和維度表的指標(biāo)
1.2.3 維度表的建立
根據(jù)已經(jīng)確立的事實表，建立多個維度表用于采集
如用戶的使用次數(shù)、使用時長、經(jīng)濟(jì)情況、
指定關(guān)鍵詞的搜索次數(shù)、指定功能的使用次數(shù)等
1.2.4 數(shù)據(jù)的挖掘
使用kettle等ETL工具，
對數(shù)據(jù)庫和系統(tǒng)日志的關(guān)鍵詞進(jìn)行篩選，
抓取數(shù)據(jù)進(jìn)入臨時表
1.2.5 數(shù)據(jù)的清洗
使用python或mysql存儲過程，
將臨時表的數(shù)據(jù)格式統(tǒng)一、去重，
并寫入維度表并更新指標(biāo)
?
1.2.6 離線數(shù)據(jù)倉庫的建立
維度表的數(shù)據(jù)匯總到事實表后，數(shù)據(jù)倉庫基本建立
此時已處理較長時間、且日志還在不斷生成，
不使用流處理技術(shù)只能算作離線數(shù)據(jù)倉庫
1.2.7 數(shù)據(jù)的可視化
使用ECharts等組件庫，讓事實表的數(shù)據(jù)可視化
1.3 完善知識圖譜
數(shù)據(jù)倉庫建立后，只是死的數(shù)據(jù)，
用戶的各種數(shù)據(jù)沒有關(guān)聯(lián)，需要完善知識圖譜
1.3.1 知識圖譜的舉例
可以理解為一張圖表，
顯示所有的關(guān)鍵詞兩兩之間的關(guān)聯(lián)程度
比如說喜歡熬夜的用戶、
他與醫(yī)藥的關(guān)聯(lián)系數(shù)較高，與舞蹈的關(guān)聯(lián)系數(shù)較低
1.3.2 知識圖譜的搭建
OpenKG或者阿里云的藏經(jīng)閣提供抽取和構(gòu)建工具
可由業(yè)務(wù)經(jīng)理先憑經(jīng)驗指定
每個關(guān)聯(lián)系數(shù)要不斷調(diào)整和完善
1.4 用戶畫像
有了離線數(shù)據(jù)倉庫和知識圖譜，
就知道了每個用戶的各種屬性
要進(jìn)行分析，形成用戶畫像，構(gòu)建圈選能力，
才能進(jìn)行廣告定向投放
1.4.1 屬性分類
用戶的自然屬性（性別、年齡）、
行為屬性（使用時長）、
偏好屬性（愛旅游、愛交友）等
1.4.2 明細(xì)圈人
根據(jù)已分類的屬性，確認(rèn)圈人的方式，
如在行為屬性分類中12月份熬夜超過12點超過15天的人群
1.4.3 接口建立
根據(jù)在業(yè)務(wù)場景和廣告推送場景，確認(rèn)傳參和返回值
如傳參為用戶ID和興趣ID，返回用戶對該興趣的指標(biāo)
如傳參為時間范圍、經(jīng)緯度范圍、興趣ID、興趣指標(biāo)臨界值，
返回該范圍內(nèi)符合條件的用戶ID
1.6 大數(shù)據(jù)平臺（合法）的使用
理論上用戶信息的過度采集和未明確告知使用均屬違法
公域流量缺少用戶的信息進(jìn)行匹配，
不利于自有大數(shù)據(jù)平臺的使用
因此需要在私域流量進(jìn)行運(yùn)營
第2 私域流量搭建
2.1 私域流量的舉例
公域流量：電視、百度、淘寶等的廣告投放帶來的流量
私域流量：微信、抖音、小紅書、微博、B站等粉絲帶來的流量
2.2 私域流量的特點
成本低、頻次高、直達(dá)用戶
2.3 搭建私域流量
2.3.1 全渠道的建立
微信：服務(wù)號主要用來服務(wù)、訂閱號主要用來推送、
小程序主要用來購買和返現(xiàn)、企業(yè)微信主要用來售后服務(wù)
抖音、小紅書、微博、B站等：主要用來針對粉絲的推送
2.3.2 各渠道的引流建議
微信公眾號：說明書、紅包卡引流
抖音：KOC關(guān)鍵意見消費(fèi)者（用戶）引流
小紅書：KOL關(guān)鍵意見領(lǐng)袖（網(wǎng)紅）引流
2.3.3 運(yùn)營
使用大數(shù)據(jù)平臺，進(jìn)行活動、會員的針對性推送
