用户画像基础（六）

什么是IDmapping？

从技术角度来看，ID-mapping 通常利用一些共同的特征来关联不同的 ID。常见的用于关联的特征包括身份证号码、手机号码、邮箱地址、设备号（如 IMEI 码）等。这些特征在不同的平台和渠道中可能会有部分重叠，通过对这些特征的匹配和分析，可以确定不同 ID 之间的关联关系。

例如，一个用户在电商平台 A 上注册时使用了手机号码，在借贷平台 B 上注册时使用了邮箱地址。如果这两个平台通过 ID-mapping 技术发现这个手机号码和邮箱地址属于同一个人，那么就可以将这两个平台上的用户 ID 关联起来，从而建立起一个统一的用户视图。

企业中为什么要做 ID-mapping？

（一）提供更精准的用户画像

全面了解用户行为

企业通过 ID-mapping 可以将用户在不同平台、不同设备上的行为数据整合在一起。

例如，一个用户可能在电脑上浏览了某款产品，在手机上加入了购物车，最终在平板电脑上完成了购买。如果没有 ID-mapping，这些行为将被视为来自不同用户的独立行为，无法形成一个完整的用户行为轨迹。通过整合这些数据，企业可以更全面地了解用户的兴趣爱好、购买习惯和决策过程，从而构建出更加精准的用户画像。

置信度的话就是我们两条业务线如果通过身份证号关联的，那么置信度可能就是99%，如果是手机号关联的话那么可能置信度就没有那么搞，其实置信度就是保证各个业务线上关联同一个人的准确性

多维度数据分析

ID-mapping 使得企业能够从多个维度对用户进行分析。

除了基本的人口统计学信息（如年龄、性别、地域等），还可以结合用户的行为数据（如浏览历史、购买频率、消费金额等）、社交数据（如果用户通过社交账号登录）等进行综合分析。这样可以深入了解用户的需求层次、消费心理和社交影响力，为企业的市场定位、产品研发和营销策略提供有力的数据支持。

（二）提升用户体验

个性化服务和推荐

基于精准的用户画像，企业可以为用户提供个性化的服务和推荐。

展示一个用户在不同平台上收到的个性化推荐，如根据用户的兴趣爱好推荐的产品、根据用户的浏览历史推荐的文章等。这些推荐通过 ID-mapping 技术实现了跨平台的一致性。

例如，根据用户的历史购买记录和浏览行为，为用户推荐可能感兴趣的产品；根据用户的偏好设置，提供个性化的界面布局和功能展示；或者在用户生日等特殊时刻，送上专属的优惠和祝福。这些个性化的服务和推荐可以提高用户的满意度和忠诚度，增强用户与企业之间的互动和粘性。

跨平台无缝体验

对于用户来说，在不同平台和设备之间切换时，希望能够获得无缝的体验。

展示一个用户在不同设备上切换时的场景，如从手机切换到电脑，或者从平板电脑切换到智能电视。通过 ID-mapping，用户在不同设备上的操作和数据能够同步，实现无缝体验。

通过 ID-mapping，企业可以实现用户身份的统一识别，使得用户在不同平台上的操作和数据能够同步。例如，用户在手机上添加的商品到购物车，在打开电脑时可以直接看到购物车中的商品，无需再次添加。这样可以提高用户的使用便利性，减少用户的操作成本。

（三）提高营销效果

精准营销投放

企业可以根据 ID-mapping 后的用户画像，进行精准的营销投放。

展示一个营销活动的场景，不同的用户收到不同的营销信息，如高价值用户收到高端产品的推荐，新用户收到新手福利等。这些精准的营销投放通过 ID-mapping 技术实现。

例如，对于高价值用户，可以推送高端产品和专属优惠；对于新用户，可以提供入门引导和新手福利；对于流失风险用户，可以采取挽留措施，如发送个性化的促销信息。精准的营销投放可以提高营销资源的利用效率，降低营销成本，同时提高营销效果和转化率。

跨渠道营销协同

ID-mapping 有助于企业实现跨渠道的营销协同。

展示一个跨渠道营销的场景，如线上广告、社交媒体、电子邮件、线下活动等不同渠道通过统一的用户标识进行整合和协调。用户在不同渠道上的行为数据相互关联，形成一个完整的营销闭环。

不同的营销渠道（如线上广告、社交媒体、电子邮件、线下活动等）可以通过统一的用户标识进行整合和协调。例如，企业可以在社交媒体上进行广告投放，吸引用户关注，然后通过电子邮件或短信引导用户到官网或 APP 进行购买，最后通过线下活动增强用户的品牌认知和忠诚度。通过跨渠道的营销协同，可以扩大营销的覆盖面和影响力，提高用户的参与度和转化率。

（四）数据驱动的决策制定

业务分析和优化

ID-mapping 为企业提供了更全面、准确的数据基础，使得企业能够进行更深入的业务分析和优化。

展示一个数据分析的场景，企业通过 ID-mapping 整合的数据进行业务分析，如分析不同渠道的用户来源和转化率、用户的购买路径和流失节点等。根据分析结果，企业进行产品设计和用户体验的优化。

例如，企业可以分析不同渠道的用户来源和转化率，优化渠道投放策略；分析用户的购买路径和流失节点，优化产品设计和用户体验；分析用户的反馈和评价，改进产品质量和服务水平。通过数据驱动的决策制定，企业可以不断提升自身的竞争力和运营效率。

风险控制和安全管理

在金融、电商等行业，风险控制和安全管理至关重要。

展示一个风险控制的场景，企业通过 ID-mapping 技术识别用户身份，防范欺诈和风险。如检测异常的行为模式，验证用户的身份信息等。

ID-mapping 可以帮助企业更好地识别用户身份，防范欺诈和风险。例如，通过关联用户的多个 ID，可以检测出异常的行为模式，如同一用户在短时间内使用多个不同的设备进行交易；或者通过验证用户的身份信息，确保交易的合法性和安全性。同时，ID-mapping 也可以用于用户认证和授权，保护用户的隐私和数据安全。

ID-mapping 具体的落地方式有哪些？

（一）基于规则的匹配

利用共同特征

企业可以根据一些共同的特征来进行 ID-mapping。

展示一个表格，其中列出了不同用户的 ID、身份证号码、手机号码、邮箱地址等信息。通过对比这些共同特征，将不同的 ID 关联起来。

例如，身份证号码、手机号码、邮箱地址等通常是比较可靠的关联特征。如果多个 ID 对应的用户信息中包含相同的身份证号码、手机号码或邮箱地址，那么可以认为这些 ID 代表的是同一个用户。这种方法相对简单直接，但依赖于用户提供准确的共同特征信息，并且可能存在部分用户不愿意提供或无法提供这些信息的情况。

设定匹配规则

除了利用共同特征，企业还可以设定一些具体的匹配规则。

例如，可以根据用户的设备信息（如 IP 地址、设备型号、操作系统等）、行为模式（如登录时间、浏览时长、点击次数等）、地理位置等进行匹配。如果多个 ID 在这些方面表现出较高的相似性，那么可以认为它们可能属于同一个用户。设定匹配规则需要对用户数据进行深入分析和挖掘，以确定合理的规则参数和阈值。同时，规则的制定也需要不断调整和优化，以适应不同的业务场景和数据变化。

（二）基于概率模型的推断

贝叶斯网络；连通图

贝叶斯网络是一种基于概率推理的图形模型，可以用于 ID-mapping。

在贝叶斯网络中，每个节点代表一个变量（如用户 ID、身份证号码、手机号码等），节点之间的边表示变量之间的依赖关系。通过对已知数据的学习，可以估计出变量之间的条件概率分布。然后，利用贝叶斯定理，可以根据已知的部分信息（如某个用户的手机号码），推断出其他相关信息（如该用户的其他 ID）的概率分布。最终，根据概率大小确定不同 ID 之间的关联关系。

聚类分析

聚类分析是一种无监督学习方法，可以将数据集中的对象分成若干个簇，使得同一个簇中的对象具有较高的相似性，而不同簇中的对象具有较大的差异。

在 ID-mapping 中，可以将用户的各种特征（如 ID、设备信息、行为模式等）作为输入数据，进行聚类分析。如果多个 ID 对应的特征向量被分配到同一个簇中，那么可以认为这些 ID 代表的是同一个用户。聚类分析可以自动发现数据中的潜在模式和结构，但需要选择合适的聚类算法和参数，以确保聚类结果的准确性和可靠性。

confidence_leval 这个就是置信度，这里的uuid一般都是自己创建的

uuid	loan_user_id	mall_user_id	confidence_leval	comment
(0001,0002)	123	234	3
(0004,0008)	222	333	2
(2345,8774)	567	235	1
(8847,4948)	878	989	3

loan_user_id 7d_pv_cnt first_credit_apply_time  mall_user_id  mall_amt confidence_leval
0001            2           2024-07-09             897           788        1

-- 这里的mall_user_id就是user_id关联到的这个商城的id，如果对置信度不需要那么精准的，我们就可以将confidence_leval这个的满足置信度的过滤出来

-- 置信度只是看一下这个标签和关联的可能性

insert overwrite table app.user_idmapping_d partition(dt='${dt}')
    select concat_ws(',',concat_set(uuid)) as uuid_list
           ,loan_user_id
           ,mall_user_id
           ,case when loan.id_card=mall.id_card then 3
                 when loan.phone=mall.phone then 2
                 when loan.device_id=mall.device_id then 1
                  end confidence_leval
      from (select user_id
                   ,id_card
                   ,phone
                   ,nvl(imei,idfa) as device_id
                   ,uuid
              from loan.dws_user_base_info_d
             where dt='${dt}'
           )loan
 full join (select user_id
                   ,id_card
                   ,phone
                   ,nvl(imei,idfa) as device_id
                   ,uuid
              from mall.dws_user_base_info_d
             where dt='${dt}'
           )mall
        on loan.id_card=mall.id_card
        or loan.phone=mall.phone
        or loan.device_id=mall.device_id

上面这里我们就是使用用户的基本信息也就是loan的信息去full join上mail商场的用户信息，这就是两个业务域的关联，身份证号关联不上就用手机号关联，手机号关联不上就用设备号关联

然后看看是加入是身份证关联在一起的置信度就给一个最高的3，如果是手机号关联一起的就给一个2，如果是设备号关联在一起的就给一个1

不过企业一般不会这么关联，这种相当于是根据规则关联，但是规则可能会经常换，而且企业一般不会给出这么简单的置信度等级，所以还有根据概率模型判断的方式，可以看上面的介绍。一般置信度是后端处理

1、置信度的用法？

根据不同业务场景，我们通过算法团队给我们的一个置信度，然后如果营销的同事需要的是一个发优惠卷的逻辑，不需要很高的置信度，那么只需要认为有一点关系就发的话，那么我们就不需要很高置信度了

如果是有一些有借款客户，了解到他有花费的习惯，我们想继续让他借款，就需要一个高的置信度，精准匹配这个用户，在各种业务域对这个人进行营销，就需要很高的置信度

2、IDmapping 的逻辑？

3、IDmapping有哪些收益？

使用后，如果商场业务线刚起步，有个用户刚到，他对于商场是新客，但是对于比如借贷来说，这个人经常借钱，那么他在借贷就是个老客了，当他刚来商场的时候我们使用idmapping就可以获取到他对于各个系统的画像，更好的对这个人做营销