抖音DAU超4亿，较去年同期的2.5亿，增长了60%。
抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。
抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。
抖音10-19次占比领先，30分钟以上时长占比提高到38%。
抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。
抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。
抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。
抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。
抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；
90后中女性TGI高。
抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；
80后中男性占比高、TGI高。
抖音用户偏好视频类型，演绎、生活、美食类视频播放量较高，观看情感、文化、影视类视频增长较快。
男性用户对军事、游戏、汽车偏好度较高，女性用户对美妆、母婴、穿搭偏好度高。
00后对游戏、电子产品、时尚穿搭类视频偏好度高。
95后对游戏、电子产品、穿搭类视频偏好度高。
90后对影视、母婴、美食类视频偏好度高。
80后对汽车、母婴、美食类视频偏好度高。
抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。
抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。
抖音10-19次占比领先，30分钟以上时长占比提高到38%。
抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。
抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。
抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。
抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。
抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；
90后中女性TGI高。
抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；
80后中男性占比高、TGI高。
抖音用户偏好视频类型，演绎、生活、美食类视频播放量较高，观看情感、文化、影视类视频增长较快。
男性用户对军事、游戏、汽车偏好度较高，女性用户对美妆、母婴、穿搭偏好度高。
00后对游戏、电子产品、时尚穿搭类视频偏好度高。
95后对游戏、电子产品、穿搭类视频偏好度高。
90后对影视、母婴、美食类视频偏好度高。
80后对汽车、母婴、美食类视频偏好度高。
2023/11/3 3:52:28
6.72MB
1
大数据在网易内部的应用丰富多彩，在《让机器读懂用户–大数据中的用户画像》一文中，网易工程师对用户画像进行了较为系统的介绍，并提到用户画像的一个重要作用在于个性化推荐。
但企业怎样才能正确认识和利用推荐系统来拓展业务？本文对推荐的本质和实现思路进行了深入的探讨，并介绍了网易严选的推荐系统实践，让您充分领略个性化推荐的魅力。
有资料称亚马逊的推荐系统带来的GMV占其全站总量的20%-30%。
这个数据会让人直觉地认为，电商网站只要一上好的推荐系统，就会带来相当高的GMV提升。
甚至有产品会问：我们的推荐系统GMV占全站多少？为什么亚马逊能做到30%而我们做不到？想象一下，亚马逊把推荐系统的位置全换成游戏广
但企业怎样才能正确认识和利用推荐系统来拓展业务？本文对推荐的本质和实现思路进行了深入的探讨，并介绍了网易严选的推荐系统实践，让您充分领略个性化推荐的魅力。
有资料称亚马逊的推荐系统带来的GMV占其全站总量的20%-30%。
这个数据会让人直觉地认为，电商网站只要一上好的推荐系统，就会带来相当高的GMV提升。
甚至有产品会问：我们的推荐系统GMV占全站多少？为什么亚马逊能做到30%而我们做不到？想象一下，亚马逊把推荐系统的位置全换成游戏广
2023/9/9 20:26:25
589KB
1
本文来自简书，介绍了领域驱动的微服务架构设计工作坊的详细步骤，包括产品价值、命令风暴、聚合以及问题域和解决方案域等。
领域驱动的微服务架构设计工作坊，能使软件开发团队所有成员在短时间内，迅速就新产品或遗留系统的价值、用户画像、关键场景、聚合达成一致，以便让团队快速识别软件产品的问题域和解决方案域，发现微服务之间的API接口契约，并据此拆分微服务（或模块）和团队，来开发新产品或重构遗留系统。
对于不打算实践微服务的团队拆分模块也有参考意义。
1）召集所有相关领域专家和开发团队成员（包括：业务分析、开发、测试、DBA等）参加工作坊，准备大白纸、6种颜色（深黄-DomainEvent、深蓝-Command
领域驱动的微服务架构设计工作坊，能使软件开发团队所有成员在短时间内，迅速就新产品或遗留系统的价值、用户画像、关键场景、聚合达成一致，以便让团队快速识别软件产品的问题域和解决方案域，发现微服务之间的API接口契约，并据此拆分微服务（或模块）和团队，来开发新产品或重构遗留系统。
对于不打算实践微服务的团队拆分模块也有参考意义。
1）召集所有相关领域专家和开发团队成员（包括：业务分析、开发、测试、DBA等）参加工作坊，准备大白纸、6种颜色（深黄-DomainEvent、深蓝-Command
2023/9/7 16:14:22
1.97MB
1
我们做用户画像的目的有两个：必须从业务场景出发，解决实际的业务问题，之所以进行用户画像要么是获取新用户，或者是提升用户体验，或者是挽回流失用户等有明确的业务目标。
根据用户画像的信息做产品设计，必须要清楚知道用户长什么样子，有什么行为特征和属性，这样才能为用户设计产品或开展营销活动。
一般常见的错误想法是画像维度的数据越多越好，画像数据越丰富越好，费了很大的力气进行画像后，却发现只剩下了用户画像，和业务相差甚远，没有办法直接支持业务运营，投入精力巨大但是回报微小，可以说得不偿失。
鉴于此，我们的画像的维度和设计原则都是紧紧跟着业务需求去推动。
目前Qunar用户画像数据仓库中的数据源来自业务数据库的数
根据用户画像的信息做产品设计，必须要清楚知道用户长什么样子，有什么行为特征和属性，这样才能为用户设计产品或开展营销活动。
一般常见的错误想法是画像维度的数据越多越好，画像数据越丰富越好，费了很大的力气进行画像后，却发现只剩下了用户画像，和业务相差甚远，没有办法直接支持业务运营，投入精力巨大但是回报微小，可以说得不偿失。
鉴于此，我们的画像的维度和设计原则都是紧紧跟着业务需求去推动。
目前Qunar用户画像数据仓库中的数据源来自业务数据库的数
2023/6/3 2:20:13
812KB
1
涛哥最新出品的体系化《用户画像综合项目教程》，涵盖用户画像技术架构设计、用户画像标签模型设计、各类现实标签、统计标签、模型标签、策略标签等的具体实现，包含idmapping，图计算sparkgraphx，朴素贝叶斯模型，评论文本NLP分析等各类算法非常适合有一定大数据开发技术基础，但缺乏综合项目经验的同学学习
2023/3/4 7:44:36
3.86MB
1
分享课程——基于Flink流处理的动态实时亿级全端用户画像零碎，本课程基于真实的大型电商零碎场景下讲解的用户画像零碎，本零碎采用第四代计算引擎Flink，同时采用微服务架构SpringBoot+SpringCloud架构，前端采用Vue.js+Node.js架构，完全符合目前企业级的使用标准。
2016/5/25 21:26:35
412B
1
利用大数据来分析用户的行为与消费习惯，可以预测商品的发展趋势，提高产质量量。
本书基于大型电商公司的真实用户画像，主要培养学员了解用户画像的内容，掌握构建用户画像的方法。
本书基于大型电商公司的真实用户画像，主要培养学员了解用户画像的内容，掌握构建用户画像的方法。
2015/5/16 1:53:28
1.59MB
1
智能家居后台系统原型/智慧家居后台管理系统/使用分析/页面分析/设备分析/用户管理/运营管理/权限管理/系统设置/问题反馈/商城管理/消息管理/用户画像/公告管理/账号画像/留存用户/数据埋点/高保真智能家居后台管理系统Axure原型演示及下载地址：https://www.pmdaniu.com/storages/123198/f397055264a6621e81fa40ffd2a9a8cb-30328/start.html#g=1&p=%E7%99%BB%E5%BD%95
2020/7/14 17:04:20
2.68MB
1
Flink+ClickHouse构建用户画像平台（2020最新），本课程采用Flink+ClickHouse技术架构实现我们的画像系统，通过学习完本课程可以节省你摸索的时间，节省企业成本，提高企业开发效率。
希望本课程对一些企业开发人员和对新技术栈有兴味的伙伴有所帮助，如对我录制的教程内容有建议请及时交流。
项目中采用到的算法包含LogisticRegression、Kmeans、TF-IDF等，Flink暂时支持的算法比较少，对于以上算法，本课程将手把手带大家用Flink实现，并且结合真实场景，学完即用。
希望本课程对一些企业开发人员和对新技术栈有兴味的伙伴有所帮助，如对我录制的教程内容有建议请及时交流。
项目中采用到的算法包含LogisticRegression、Kmeans、TF-IDF等，Flink暂时支持的算法比较少，对于以上算法，本课程将手把手带大家用Flink实现，并且结合真实场景，学完即用。
2017/11/10 8:52:31
984B
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB