互联网用户画像，精准营销，数仓有妙招
摘要：通过GaussDB(DWS)的Roaringbitmap功能，实现用户画像，精准营销功能。
本文分享自华为云社区《互联网用户画像，精准营销，GaussDB(DWS)来支招》，作者： fudgefactor。
目前在互联网、教育、游戏等行业都有实时精准营销的需求。通过系统生成用户画像，在营销时通过条件组合筛选用户，快速提取目标群体。例如：
- 在电商行业中，商家在进行营销活动前，需要根据活动的目的，圈选一批满足特定特征的目标用户群体进行广告推送。
- 在教育行业中，需要根据学生不同的特征，推送有针对性的练习题目，帮助学生查漏补缺。
- 在搜索、视频、门户网站中，根据用户关注的热点，推送不同的内容。
这些业务场景都有一些共同的特点：
- 数据量庞大，运算量极大。
- 用户规模庞大，标签多，字段多，占用存储空间也多。
- 圈选的特征条件多样化，很难找到固定索引，如果每个字段一个索引，存储空间又会暴增。
- 性能要求高，因为实时营销要求秒级响应。
- 数据更新时效要求高，用户画像几乎要求实时更新。
针对上述业务场景特点，GaussDB(DWS)的roaringbitmap可以高效生成、压缩、解析位图数据，支持最常见的位图聚合操作（与、或、非、异或），满足用户在亿级以上用户、千万级标签的大数据量下实时精准营销、快速圈选用户的需求。
下面先通过两个示例来理解Roaringbitmap在用户画像场景中的使用方法。
示例一：
假设有一张用户浏览网页的流水信息表userinfo，表中的字段如下：
CREATE TABLE userinfo (userid int, age int, gender text, salary int, hobby text )with (orientation=column);
userinfo表中的数据会随着用户信息的变化不断增长，同时，如果用户有多个"爱好"(hobby)，那么就有多条记录对应同一个userid。
假设要筛选出所有“收入大于10000元的男性，年龄大于30岁，爱好钓鱼”的群体，向这些目标群体推送特定的消息。
传统的方法是直接在原表上执行查询，语句如下：
select distinct userid from userinfo where salary > 10000 and age > 30 and gender ='m' and hobby ='fishing';
当userinfo表的数据量不大的时候，可以通过在salary, age, gender，hobby列上建立索引来满足需求。但是如果userinfo表的数据量非常大，同时一张表的标签数非常多（比如有100个属性，需要对应有100个列）的时候，上述语句就不能满足诉求，因为如下原因：
- 由于不确定会按照那些属性做过滤，需要创建的索引会非常多。
- 求distinct的性能比较差。
这种场景下使用roaringbitmap就会有比较好的效果。
- 新建一张Roaringbitmap表：
CREATE TABLE userinfoset ( age int, gender text, salary int, hobby text, userset roaringbitmap, PRIMARY KEY(age,gender,salary,hobby) )with (orientation=column);
2. 所有userinfo表中的数据要通过标签列聚合到userinfoset表中。可以采用对全量数据进行聚合的方法（如下命令所示）。
insert into userinfoset us select age, gender, salary, hobby, rb_build_agg(userid) from userinfo group by age, gender, salary, hobby;
3. 直接查询userinfoset表获得用户筛选信息。
select rb_iterate(rb_or_agg(userset)) from userinfoset where salary > 10000 and age > 30 and gender ='m' and hobby ='fishing';
数据进行聚合后的userinfoset的数据量相比源表小了很多，基表scan的性能会快很多，同时基于Roaringbitmap的优势，计算rb_or_agg和rb_iterate的性能也很好，相比传统的方法，性能明显提升。
示例二：
由于DWS规格的限制，每张表最大可以有1600列，如果描述用户的属性有10000个，我们无法通过创建一个有10000列的表来实现这个方案，那么示例一中的方案就不再有效了。
为此，我们可以这样设计我们的表结构：
create table userinfoset ( tag_value_id int, userset roaringbitmap )with(orientation=column);
其中tag_value_id表示属性值对应的id，比如，性别这一属性，有”男“，”女“两个值，我们可以把它编码为1,2；学历这个属性的取值是”专科“，”本科“，”硕士“，“博士”，那么分别编码为3,4,5,6，等等。将不同的属性值编码为不同的id值。
userset列表示的是满足tag_value_id所对应属性值的用户id的集合。比如tag_value_id=1这条记录对应的userset就是所有性别为男的用户的集合。
数据加工：
这个表的数据一般是需要通过加工得到的，假设原始数据的表结构如下(一共有10张表)：
create table origin_1 ( userid int, tag_value_id1 int, tag_value_id2 int, tag_value_id3 int, ... tag_value_id998 int, tag_value_id999 int, tag_value_id1000 int )with(orientation=column); ... create table origin_10 ( userid int, tag_value_id9001 int, tag_value_id9002 int, tag_value_id9003 int, ... tag_value_id9998 int, tag_value_id9999 int, tag_value_id10000 int )with(orientation=column);
我们可以通过类似以下的语句将数据加工到目标表中：
insert into userinfoset select tag_value_id1, rb_build_agg(userid) origin_1 from origin group by tag_value_id1; ... insert into userinfoset select tag_value_id10000, rb_build_agg(userid) origin_10 from origin group by tag_value_id10000;
查询：
假设需要圈选性别为男，学历为本科的用户的的个数有哪些，可以用以下语句实现：
select rb_or_cardinality_agg(userset) from userinfoset where tag_value_id in (1,4);
如果用户要圈选的人群有更多的特征，将对应的tag_value_id加入到in子句中即可。
如果想要知道这些用户的具体的userid，可以通过如下函数实现：
select rb_iterate(rb_or_cardinality_agg(userset)) from userinfoset where tag_value_id in (1,4);
可以通过查询产品手册实现更加多样化的人群圈选策略。
点击关注，第一时间了解华为云新鲜技术~