今天终于喝到了咖啡，感谢当年埃塞尔比亚人的贡献，感谢巴西咖啡研究所在1930年跟雀巢公司的深度合作，感谢麦尔维尔的小说（不敢在技术文章里提及这么商业化品牌的名字，说到这就知道了）。
所有的系统，最重要的环节就是用户（特指用户的信息，从分类到分层，从定义到画像）；用户就是我们最大价值化的资产，了解用户的过程，是一个利用连接载体不断试错的过程，你的链接载体的可触达性越好，对用户就越不构成骚扰，得到的结果就可以更好的帮助你去做真正意义的用户画像。
-第一：别指望用户画像一蹴而就（虽然用户就是静态属性和动态属性）
-第二：别在自己的想象中作用户分层和用户画像（先问问自己是否有相应的领域模型支撑你作用户分层）

今年非常有设计感的包包，个人很喜欢

用户分层：是用在最粗俗的眼光将用户分成三六九等，就是为了降低运营成本，进而用最经济的方式提升转化（当然如果你有的是钱，也可以不做这件事）；而用户画像：是用最精准的方式找到用户的个性所在，然后利用产品力/有效的产品组织及产品特性去刺激用户的购买欲望。想想为什么小红书，花西子，完美日记，元气森林，包括拼多多都能做出这么的用户，道理太简单了，因为人们有欲望，又不愿意任何品类的购买都在淘宝/京东上完成，恰逢这些平台都各自构建了垂直领域中最能和消费者同频的产品力，于是流量就这么来了，需求就被创造出来了。（话说回来，下一波带货的能否集中在某些固定品类上，更专业，更垂直；当然这些跟我一毛钱关系没有）用户分层，RFM足够了，你一下子能找到你高UP值的用户，你可以把他们定位为你的KOC，他们也许不能成为你要的KOL，但确实是你重点运营的客户。怎么做，就两步（定义你的RFM值域，把所有的客户数据都filter一遍）,当然，怎么定义取值范围，相当关键，这跟你的产品定价的中位数有关，而且如果你的产品是季节性的，或者围绕着营销活动进行波动，一定请你们自己的运营负责人帮你定这个值。

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext

//Sales class map to sales table, which indicates users' historical purchasing records
case class Sales(cu_id: Int, price: Int, date: String, days_ago: Int)
case class RFM(cu_id: Int, r: Int, f: Int, m: Int)

object RFMOnSparkSQL {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("SQLOnSpark").setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    // this is used to implicitly convert an RDD to a DataFrame.
    import sqlContext.implicits._

    //register table sales
    sc.textFile("/test/sales.csv").map(_.split(" "))
      .map(s => Sales(s(0).trim.toInt, s(1).trim.toInt, s(2), s(3).trim.toInt))
      .toDF().registerTempTable("sales")

    //register table rfm
    val rfm = sqlContext.sql("SELECT cu_id as cuid,min(days_ago) as r, count(price) as f,sum(price) as m FROM sales" +
      " group By cu_id").map(t => RFM(t(0).toString.toInt, t(1).toString.toInt, t(2).toString.toInt, t(3)
      .toString.toInt)).toDF()
    rfm.registerTempTable("rfm")

    //avgr avgf avgm
    val vls:Map[String,Double] = sqlContext.sql("select avg(r) as avgr,avg(f) as avgf,avg(m) as avgm from rfm ")
      .map(_.getValuesMap[Double](List("avgr", "avgf", "avgm"))).collect()(0)

    //sparksql udf:flag()
    sqlContext.udf.register("flag", (r: Int) => if(r>=vls("avgr")) "1" else "0")

    //show cu_id flag
    val vfmwithflag=sqlContext.sql("select cu_id as cuid,flag(r) as flagr,flag(f) as flagf,flag(m) as flagm " +
      "from rfm")
    vfmwithflag.show()  
        sc.stop()
  }
}

用户分层的值就这么来了。那么用户画像呢，在哪里。

网络上关于用户画像

用户画像基本内容

LSM Tree