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：一个促销狂热型用户，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，并进而驱动营销消息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“基于用户画像标签库的精准营销平台”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、智能的、实时、规则动态可变的营销利器 —— 《实时动态规则智能运营系统》
二、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（不光参数可以支持自定义，且运算模型也可以自定义）；
- 营销规则通常针对满足某画像的人群，也可没有针对性
- 营销规则通常都有有效期（也有可能是无限期的），要求系统能够支持动态增加、停用运营计划（规则）
- 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
三、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 [1,10]*?a
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
四、画像条件判断的实现难点
初略考虑，应该就是查询用户画像标签库即可；
站在系统的角度来考虑时： 什么时机去查询？ 去哪里查？
比如：
查询时机： 当一个人的某个行为触发了某个规则，此时去查询该用户的画像标签是否满足规则的人群画像条件
查询的目标： 用户画像标签数据库
如果画像数据库在hbase中，可以用如下伪代码来快速判断
## 如果条件是： 活跃等级 = C AND 首单时间< "2022-06-01"
get = new Get(guid)
get.addColumn("活跃等级")
get.addColumn("首单时间")
result = table.get(Get)
activeLevel = result.getValue("活跃等级")
firstOrderDate = result.getValue("首单时间")
if(activeLevel = 'C' && firstOrderDate< "2022-06-01")
return true;
## 如果条件是： 兴趣词 ：包含 "速溶咖啡"
## 这种条件，用hbase的支撑就不太好处理了
// favroitWords : [海底捞, 咖啡伴侣, 小罐速溶咖啡，乔丹 ，篮球 ]
favroitWords = result.getValue("兴趣词")
