DataHunter智能推荐服务方案_DataTag智能标签管理分析平台-云巴巴

DataHunter智能推荐服务方案

DataHunter智能推荐服务方案，从不同的视角、维度进⾏分类和组织，⽅便管理者、使用者在不同业务场景对标签进⾏检索、探索。通过分类层级，明确标签分类后，需要细致地描述标签，统⼀刻画标签，以便标签生命周期中涉及到的各业务⻆色了解标签的定义。

立即咨询

首页 > 产品中心 > 数据计算与分析 > DataHunter智能推荐服务方案

个性化推荐的应用场景 icon

电商行业

针对首页商品猜你喜欢，商品详情页相关推荐等场景，围绕点击率、转化率等进行建模，提升业务效果

内容行业

针对新闻资讯、内容社区等行业，根据用户实时行为推荐内容，支持多样运营策略配置，提升用户活跃度

视频行业

针对长、短视频、音频等行业，结合用户观看习惯，围绕视频播放率、播放时长等建模，有效地提升业务效果指标

复杂个性化推荐的整体流程 icon

混排
页面效率最大化，合理分配流量，考虑商业规则约束，LTR+强化学习

精排
复杂模型和特征结构完成进一步排序，在线训练 + Online打分

粗排
相对简单的模型对召回进行粗排截断，离线训练 + Online打分

召回
根据当前场景和用户需求，从商品池筛选候选商品集

推荐商品池
所有候选商品集，可以对接选品等系统

个性化推荐系统架构

基础标签体系生成

统计类标签

这类标签是最为基础的标签类型，如：城市、App使⽤用时长、启动次数、月均消费⾦额等字段，是可以从用户注册、用户访问、消费类数据中统计得出。该类标签构成了用户画像的基础，是用户分析和数据分析最常用的指标及分类规则。

规则类标签

该类标签基于⽤户⾏为及确定的规则产生，如：距今 90 天内交易易次数 > 3，是“交易易活跃”标签的定义和口径；在实际开发标签过程中,该类标签的规则由运营人员和数据人员共同协商确定，且常根据业务变化和效果反馈进⾏调整。

算法类标签

该类标签为算法概率模型，如：根据用户的⾏为习惯判断是男性还是⼥性，根据用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产⽣，并需要通过结果反馈调整算法规则。

标签的层级分类

从不同的视角、维度进⾏分类和组织，⽅便管理者、使用者在不同业务场景对标签进⾏检索、探索

标签的定义和属性

通过分类层级，明确标签分类后，需要细致地描述标签，统⼀刻画标签，以便标签生命周期中涉及到的各业务⻆色了解标签的定义。

标签体系建立 – 生命周期 icon

标签也具有生命周期，从需求提出、到审批、到生成、到执⾏，再到持续调优、淘汰。

业务标签生成 - 流程梳理，以业务目的为核心 icon

业务标签生成 - 流程梳理，以业务目的为核心 icon

业务标签生成 - 流程梳理，以业务目的为核心 icon

标签体系建立 – 生成维护 icon

算法算子开发支持

• 内置Python引擎

• 支持普通算法

• 支持机器学习算法

• 支持Python算法库导入

• 支持神经网络

• 支持 Tensorflow

• 支持 PyTorch

• 具备算法训练能力

• 支持设定训练集，对算法进行训练

• 支持硬件资源自动调度

模型管理和开发

• 内置常用的算法模型

• FFM

• Wide & Deep

• DCN

• 支持自定义算子和模型

• 可以根据需要自己创建算子，算法

• 通过可视化的流程，搭建训练模型

• 具备模型训练能力

• 支持设定训练集，对算法进行训练

数据服务API化

• 内置数据服务化

• 通过配置 API，提供数据服务

• API 具备高性能缓冲能力

• API 支持权限控制

• 支持数据库直接同步

• 支持将加工好的数据，直接写入目标数据库

• 支持数据文件导出

• 支持直接导出选定的数据，方便进行数据交换和处理

基于用户的冷启动召回 icon

Global Hot
全局热门，和用户无关，相关性差

Cross Domain
不同领域向量表达的映射，对数据和场景要求高

User Profile
可以多属性组合，维度相对丰富，强个性化，相关性好

基于用户的冷启动召回 icon

方案一：双塔结构

优点：解耦User和Item，向量内积，性能好；向量邻近检索，召回覆盖面广；缺点：不能使用Target Item交叉特征，损失模型效果。

方案二：深度特征交叉

优点：直接建模点击率，深入挖掘用户和商品之间的深层关系；缺点：无法解耦User和Item，模型复杂度高，无法做到实时打分召回。

最佳实践 – 某行信用卡中心营销大脑 icon

某行信用卡中心希望打造一个营销中心平台，可以针对不同的用户群，匹配不同的营销活动策略，以促进交易，发卡等行为，快速提升销售业绩。

【范围】

数据源包括信用卡用户个人信息，用户刷卡记录信息，用户的还款消费信息，商品信息，用户的APP浏览行为以及用户活动参与行为数据。

【目标】

针对每个信用卡用户，生成个性化的营销活动策略，积分商品推荐，形成千人千面的个性化服务，从而快速提升业绩。

【服务方案】

在遵循客户现有数据安全管理体系流程的基础上，通过数据清洗，特征生成，构建用户/活动/商品标签特征体系。通过智能推荐算法服务，配合定制开发，进行商品/活动的筛选排序，并完成推荐过程，达成提升业绩的目标。

最佳实践 – 某行信用卡中心营销大脑 icon

最佳实践 – 某行信用卡中心营销大脑 icon

客户案例 – 雀巢

客户案例 - Mars icon

客户案例–新零售消费品 icon

克丽缇娜大数据分析BI平台

APP数据挖掘 LBS 用户画像实时数据

人货场统一视图统一分析

汇集客户触点数据来自：

• 线下近4,000家连锁美容加盟店

• 线上1个自营商城平台

• 微信端3个活跃小程序

• CRM、WMS、ERP、门店等多个系统

帮助其构建数据管理与分析平台并：

• 打通线上线下客户档案500,000+

• 实现精准营销ROI提升

• 赋能店端客流量提升

客户案例–民生银行

客户案例– 小米集团 icon

小米集团BI数据分析平台打破数据孤岛高效数据洞察

• 海量数据高并发压力下表现优异

• 没有历史包袱，应用最新的技术构建底层架构

• 架构便捷、功能全面、迭代高效

• 解放IT负荷、释放数据潜力

• 应用在财务、产品、HR、供应链等多个部门，部分“从无到有”

• 一次数据分析从几天变为数分钟

我们的使命

部分知名客户(部分客户列举，不分先后) icon

我们的团队

• DataHunter（北京数猎天下科技有限公司）是一家专业的数据可视化分析和商业智能服务提供商

• DataHunter致力于为客户提供实时、高效、智能的数据分析展示解决方案，帮助企业查看分析数据并改进业务，成为最值得信赖的数据业务公司

• 团队情况概要

• DataHunter 成立于2014年

• 2017年完成数千万元A轮融资，公司估值数亿

• 深耕大数据分析领域，具有十余年丰富的企业服务经验

• 核心团队来自IBM/Oracle/SAP等知名公司，开发人员占比70%以上

• 服务客户：人民日报、万达集团、富力集团、中国联通、小米、OPPO等

我们的数据工具产品

设计与实施服务

基于标准化产品，DataHunter 提供基于客户需求的设计与实施服务

业务指标梳理
帮助客户业务梳理核心业务指标，形成核心业务指标库。

数据清洗采集
提供标准ETL服务，帮助客户将散落的数据进行清洗整合。

大屏交互设计
根据展示内容及场景，设计大屏交互内容。

组件定制开发
根据业务需要，定制开发组件，满足数据展示分析需要。

大屏视觉设计
根据场景、环境和内容，进行个性化的大屏视觉效果设计。

产品推荐查看更多>>

Jeez极致智慧物业管理平台

Jeez极致智慧物业管理平台以信息化夯实基础物业业务，以智能化打造数字智慧物业，集团化房产资源、客户信息等基础资料，面积、入伙等重要信息，流程化管控，堵住随意行为。集团化设立收费科目，项目衍射个性化收费项目，从源头把费用归口管理。通过聚合支付渠道，把费用收取全部系统化、线上化，防止资金风险，提高资金利用率。

收费平台

支出管理

品质管理

移动办公

立即咨询查看详情

魔镜情报市场魔镜电商聆听

魔镜情报市场魔镜电商聆听，可以对上亿评论进行采集和在线分析，帮您得到真正的洞察，完成执行闭环，从而提升产品竞争力、运营推广效率、产品复购率。

可视化查询

Al分析

洞察、闭环、增长

评论数据采集

立即咨询查看详情