亿级在线实时动态规则运营系统（V2架构）
亿级在线实时动态规则运营系统（V2架构）
资料地址1：https://pan.baidu.com/s/1fBIkZU4uzPcHDk4wAsY2JA 提取码：adq9
资料地址2：https://share.weiyun.com/diuKrZsu 密码：crd5df
亿级在线实时动态规则运营系统（V2架构）视频教程分享，视频+源码+文档+虚拟机下载，资料齐全
1 项目背景
传统的“精准营销平台”由营销人员基于画像标签数据去圈选人群，进行营销推送，存在不足；
这种传统手段，往往无法抓住那些 “转瞬即逝的营销机会”；
如：一个促销热爱型用户，正在浏览包包时，及时推送出正在做促销活动的包包信息，是最有效的；
如：一个价格敏感型用户，正在犹豫不决反复查看他购物车中的某目标商品时，适时推送优惠券，是最有效的；
这些场景，显然无法通过营销人员通过人工手段去发现，需要用软件系统自动、实时监控用户的行为，并实时做出判断，并进而驱动营销推送系统 推送相关营销内容；
总之，在应对这一类的需求时，以前的传统的“精准营销平台”显得力不从心；
因而，擅长用键鼠改变世界的攻城狮们，决定为公司的推广、运营部门开发一个应对上述场景的自动化、实时、规则动态可变的营销利器 —— 《实时智能运营系统》
2 需求分析
2.1 营销规则举例
搜索兴趣词包含“商务休闲”的用户，如果浏览包含“商务休闲”的商品页面，则触发一个优惠券推送消息；
活跃度等级为C的用户，且在规则发布前的3天内，发生过 “搜索雀巢” AND “加购” ，当他再次上线时，触发一个我定制的app弹窗消息；
活跃度等级为C的用户，规则发布前2天内，发生过A事件3次以上，规则上线后发生了B事件，且之后间隔1天再次发生B事件，则触发；
规则运行时，检测到用户发生了下单事件，而在随后的15分钟内没有支付，则触发；
规则运行时，一个用户如果搜索的关键词符合某正则表达式，则触发；
宝妈用户，在2022-08-07开始，做过A行为3+次，做过（B行为，E行为）序列2+次，则触发；
2.2 规则营销需求的宏观抽象
营销规则有多样化的灵活的定义；
营销规则通常针对满足某画像的人群，也有可能没有针对性
营销规则通常都有有效期（也有可能是无限期的）
营销规则根据需求的变化，需要能够方便地进行在线管理，如新增、停用、修改
2.3 营销规则受众条件的逻辑要素抽象分析
各类营销规则，基本上都是对用户的画像和用户的行为进行判断
判断用户行为的条件，是有时间窗口约束的，而所涉及的时间跨度可能有：
只包含上线之前
只包含上线之后
横跨上线前到上线后
流程图 (1).jpg
行为判断的条件中，抽象出来的判断要素主要有
事件类型及属性是否满足规则（如搜索事件且搜索词是否满足正则、是否包含指定关键字等）
事件序列是否满足规则（是否依次发生过A-C-E序列）
事件或事件序列的发生次数是否满足（如X事件是否发生了N次）
事件的属性统计值是否满足（如X事件中的sum(属性amt) > 100 ，事件X的行为总时长>20）
事件与事件之间的对比关系，如时间间隔（如：A-B事件的间隔>N）、属性值（统计）对比
最后，就是上述各类条件的逻辑组合： 与 、或 、 非、 大于、 小于、 等于……
条件1： A发生次数 >3
条件2 ： A事件的max(amt) - A事件的min(amt） > 200
条件3 ： A - B间隔> 5min
最终规则： 条件1 与 （条件2 或 条件3）
思考：
A事件中pageid="p05" 的次数 > A事件中pageid="p10"的次数 ，是否包含在上述要素中？
A事件中，MAX(属性amt) > 2* MIN(属性amt) ， 是否包含在上述要素模型中？ 各次A事件 中 amt 属性的 最大的前3个值 ，的平均值 >10 ？
3 系统概要设计
3.1 受众条件运算的实现逻辑初步设计
3.1.1 画像条件的逻辑分析
这个好说，就是一个查询画像标签库进行判断的动作
3.1.2 行为判断的逻辑分析
1）行为判断：行为事件的类型及属性的判断
判断用户的某个行为事件，是否是规则条件中要求的事件
简单的，可能就是
event_id = "X"
AND
properties["p1"] =/>/!=/< "v1"
稍微复杂的 ，可能就是
event_id = "X"
AND
properties["p1"] 包含 "kw1"
再复杂点的，可能就是
event_id = "X"
AND
properties["p1"] + properties["p2"] > 100
AND
properties["p3"] 满足 正则表达式
2）行为序列的判断
判断用户的一系列行为事件中，是否满足规则条件所要求的依次发生的序列，比如A B E
行为序列判断，是上述 “行为判断” 的衍生
本质上，就是在 判断事件 的基础上，加上时间先后的序列关系
这个逻辑，可以用 正则匹配进行计算（全窗口运算）； 也可以用滚动聚合的方式计算；
3）事件（序列）发生次数的判断
判断要求的事件或事件序列，发生了多少次
是上述 “行为判断”、“行为序列判断” 的衍生
本质上，就是在 判断事件（或序列）的基础上，进行次数累计
