什么是用户画像——从零开始搭建实时用户画像(一)

用户画像

简介

​ 用户画像，做为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域获得了普遍的应用。

用户画像最初是在电商领域获得应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每一个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。

​ 还记得年末收到的支付宝年度消费帐单吗？帮助客户回顾一年的消费细节，包括消费能力、消费去向、信用额度等等，再根据每位客户的消费习惯，量身定制商品推荐列表……这一活动，将数据这个量化的词以形象生动的表现手法推到了大众面前。

​ 这就是用户画像在电商领域的一个应用，随着我国电子商务的高速发展，愈来愈多的人注意到数据信息对于电商市场的推进做用。基于数据分析的精准营销方式，能够最大限度的挖掘并留住潜在客户，数据统计与分析为电商市场带来的突破不可估量。在大数据时代，一切皆可“量化”，看似普通的小小数字背后，蕴藏着无限商机，也正在被愈来愈多的企业所洞悉。

​ 如何从大数据中挖掘商机？创建用户画像和精准化分析是关键。

​ 用户画像可使产品的服务对象更加聚焦，更加的专一。在行业里，咱们常常看到这样一种现象：作一个产品，指望目标用户能涵盖全部人，男人女人、老人小孩、专家小白、文青屌丝...... 一般这样的产品会走向消亡，由于每个产品都是为特定目标群的共同标准而服务的，当目标群的基数越大，这个标准就越低。换言之， 若是这个产品是适合每个人的，那么其实它是为最低的标准服务的，这样的产品要么毫无特点，要么过于简陋。

纵览成功的产品案例，他们服务的目标用户一般都很是清晰，特征明显，体如今产品上就是专一、极致，能解决核心问题。好比苹果的产品，一直都为有态度、追求品质、特立独行的人群服务，赢得了很好的用户口碑及市场份额。又好比豆瓣，专一文艺事业十多年，只为文艺青年服务，用户粘性很是高，文艺青年在这里能找到知音，找到归宿。因此，给特定群体提供专一的服务，远比给普遍人群提供低标准的服务更接近成功。 　其次，用户画像能够在必定程度上避免产品设计人员草率的表明用户。代替用户发声是在产品设计中常出现的现象，产品设计人员常常不自觉的认为用户的指望跟他们是一致的，而且还总打着“为用户服务”的旗号。这样的后果每每是：咱们精心设计的服务，用户并不买帐，甚至以为很糟糕。

​ 在产品研发和营销过程当中，肯定目标用户是首要任务。不一样类型的用户每每有不一样甚至相冲突的需求，企业不可能作出一个知足全部用户的产品和营销。所以，经过大数据创建用户画像是必不可少的。

​ 这只是用户画像在电商领域的应用，事实上用户画像已经不知不觉的渗透到了各个领域，在当前最火的抖音，直播等领域，推荐系统在大数据时代到来之后，用户的一切行为都是能够追溯分析的。

步骤

​ 什么是用户画像？用户画像是根据市场研究和数据，建立的理想中客户虚构的表示。建立用户画像，这将有助于理解现实生活中的目标受众。企业建立的人物角色画像，具体到针对他们的目标和需求，并解决他们的问题，同时，这将帮助企业更加直观的转化客户。

​ 用户画像最重要的一个步骤就是对用户标签化，咱们要明确要分析用户的各类维度，才能肯定如何对用户进行画像。

​ 在创建用户画像上，有不少个步骤：

• 首先，基础数据收集，电商领域大体分为行为数据、内容偏好数据、交易数据，如浏览量、访问时长、家具偏好、回头率等等。而金融领域又有贷款信息，信用卡，各类征信信息等等。

• 而后，当咱们对用户画像所须要的基础数据收集完毕后，须要对这些资料进行分析和加工，提炼关键要素，构建可视化模型。对收集到的数据进行行为建模，抽象出用户的标签。电商领域多是把用户的基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络大体的标签化，而金融风控领域则是更关注用户的基本信息，风险信息，财务信息等等。

• 随后，要利用大数据的总体架构对标签化的过程进行开发实现，对数据进行加工，将标签管理化。同时将标签计算的结果进行计算。这个过程当中须要依靠Hive，Hbase等大数据技术，为了提升数据的实时性，还要用到Flink，Kafka等实时计算技术。

• 最后，也是最关键的一步，要将咱们的计算结果，数据，接口等等，造成服务。好比，图表展现，可视化展现，
  

​ 事实上，在构建用户画像过程当中，注重提取数据的多元性而不是单一性，譬如针对不一样类型的客户提取不一样的数据，又或者针对线上线下的客户分析其中差别。总而言之，保证数据的丰富性、多样性、科学性，是创建精准用户画像的前提。

当用户画像基本成型后，接下来就能够对其进行形象化、精准化的分析。此时通常是针对群体的分析，如能够根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以此做出针对性的产品结构、经营策略、客户引导的调整。所以，突出研发和展现此类型的产品，又在家具的总体搭配展现中进行相关的主题设计，以此吸引目标人群的关注和购买。

​ 毫无疑问，大数据在商业市场中的运用效果已经突显，在竞争激烈的各个行业，谁能抓住大数据带来的优点，谁才更有机会引领行业的将来。

实时用户画像

如今大数据应用比较火爆的领域，好比推荐系统在实践之初受技术所限，可能要一分钟，一小时，甚至更久对用户进行推荐，这远远不能知足须要，咱们须要更快的完成对数据的处理，而不是进行离线的批处理。

如今企业对于数据的实时要求愈来愈高，已经不知足于T+1的方式，有些场景下不可能间隔一天才反馈出结果。特别是推荐，风控等领域，须要小时，分钟，甚至秒级别的实时数据响应。并且这种秒级别响应的不仅是简单的数据流，并且通过与离线计算同样的，复杂的聚合分析以后的结果，这种难度其实很是大。

幸亏实时计算框架的崛起足够咱们解决这些问题，近年来Flink，Kafka等实时计算技术的框架与技术愈来愈稳定，足够咱们支撑这些使用场景。

在实时用户画像的构建中，经过对实时数据的不断迭代计算，逐渐的不断完善出用户画像的全貌，这也正符合数据传输的本质，这总体架构中，淡化离线计算在以前特别重的做用，只留作归档和历史查询使用，更多的数据经过实时计算进行输出，最终达到对用户画像的目的。

在实时计算的过程须要对数据实时聚合计算，而复杂的标签也须要实时的进行机器学习，难度巨大，可是最终对于画像的实时性有着重大的意义。

本文介绍了用户画像的简介与实时用户画像的重要意义，可是用什么技术架构能够支撑这些想法的实现呢？

下一章，咱们将探讨项目总体架构的设计与实现，未完待续~

参考文献

《用户画像：方法论与工程化解决方案》

更多实时数据分析相关博文与科技资讯，欢迎关注 “实时流式计算”