用户画像

简介

用户画像作为勾画目标用户、连接用户需求与设计方向的有效工具，已广泛应用于各个领域。

用户画像最初应用在电子商务领域。大数据时代背景下，用户信息充斥网络。将用户的每一个具体信息抽象为标签，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。

你还记得年底收到的支付宝年度消费账单吗？帮助客户回顾一年的消费明细，包括消费能力、消费目的地、信用额度等，然后根据每个客户的消费习惯量身定制产品推荐清单……本次活动用数据的量化词来生动形象的表达手法被带到公众面前。

这是用户画像在电商领域的一个应用。随着我国电子商务的快速发展，越来越多的人开始关注数据信息对电子商务市场的推动作用。基于数据分析的精准营销方法可以最大限度地挖掘和保留潜在客户。数据统计和分析给电商市场带来了不可估量的突破。大数据时代，一切都可以“量化”。看似平凡的小数字背后，蕴藏着无限商机，正在被越来越多的企业所认识。

如何从大数据中挖掘商机？建立用户画像和精准分析是关键。

用户画像可以让产品的服务对象更加集中、集中。在行业中，我们经常看到这样的现象：做了一个产品，期望目标用户能够覆盖所有人，男人女人，老人小孩，专家，新手，年轻人……通常这样的产品会消亡，因为大家产品服务于特定目标群体的共同标准。目标群体基数越大，标准越低。换句话说，如果这个产品适合所有人，那么它实际上是服务于最低标准的。这样的产品要么没有特色，要么过于简单。

从成功的产品案例来看，其服务的目标用户通常非常明确，特征也很明显，在产品上体现为专注、极致、能够解决核心问题。比如，苹果公司的产品一直服务于有态度、追求品质、独特的人群，在用户中赢得了良好的口碑和市场份额。再比如豆瓣，十几年专注文艺，只为文艺青年服务。它的用户粘性非常高，文艺青年可以在这里找到知心朋友和归宿。因此，为特定群体提供有针对性的服务比为广大人群提供低标准的服务更接近成功。其次，用户画像可以在一定程度上避免产品设计师仓促代表用户。为用户说话是产品设计中的普遍现象。产品设计师常常不自觉地认为用户的期望与自己的期望一致，并且总是打着“服务用户”的旗号这样做。这样做的后果往往是用户不购买我们精心设计的服务，甚至觉得很糟糕。

在产品研发和营销过程中，识别目标用户是首要任务。不同类型的用户往往有不同甚至相互冲突的需求，企业不可能生产出满足所有用户的产品和营销。因此，通过大数据建立用户画像至关重要。

这只是用户画像在电商领域的应用。事实上，用户画像已经在不知不觉中渗透到各个领域。在抖音、直播等当前最热门的领域，推荐系统在大数据时代到来后改变了用户的一切。行为可以被追踪和分析。

步骤

什么是用户画像？人物角色是根据市场研究和数据创建的理想客户的虚构代表。创建人物角色，帮助您了解现实生活中的目标受众。公司创建的人物角色针对他们的目标和需求，并解决他们的问题。同时，这也将有助于公司更直观地转化客户。

用户画像最重要的一步是给用户贴标签。我们必须清楚地分析用户的各个维度，才能确定如何对用户进行画像。

建立用户档案有很多步骤：

一是基础数据收集。电商领域大致分为行为数据、内容偏好数据、交易数据，比如浏览量、访问时长、家具偏好、退货率等。在金融领域，有贷款信息、信用卡、各种信用信息等。信息等

那么，当我们收集了用户画像所需的基础数据后，我们需要对数据进行分析处理，提取关键要素，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。电商领域可能大致标注了用户的基本属性、购买力、行为特征、兴趣爱好、心理特征、社交网络等，而金融风控领域则更关注用户的基本信息、风险信息、财务信息等等等等。

随后，应利用大数据的整体架构来开发和实施标签流程，处理数据并管理标签。同时计算标签计算结果。这个过程需要依赖Hive、Hbase等大数据技术。为了提高数据的实时性，还使用了Flink、Kafka等实时计算技术。

最后，也是最关键的一步，我们要把我们的计算结果、数据、接口等变成服务。例如图表展示、视觉展示、

事实上，在构建用户画像的过程中，注重提取多样性而不是单一性，比如针对不同类型的客户提取不同的数据，或者分析线上和线下客户的差异。总而言之，保证数据的丰富性、多样性、科学性是建立准确用户画像的前提。

用户画像基本形成后，就可以直观、准确地进行分析。这时候一般都是分组分析。例如，可以根据用户价值对核心用户进行细分，评估某一群体的潜在价值空间，从而对产品结构、经营策略、客户引导等进行针对性调整。因此，我们突出该类产品的研发和展示，并在家具的整体展示中进行相关的主题设计，以吸引目标群体的关注和购买。

毫无疑问，大数据在商业市场的应用效果已经凸显。在竞争激烈的各个行业中，谁能抓住大数据带来的优势，谁就更有机会引领行业的未来。

实时用户画像

如今，大数据应用在推荐系统等领域很受欢迎。由于实践开始时的技术限制，推荐用户可能需要一分钟、一小时甚至更长的时间。这远远不能满足需要。我们需要更快地完成它。处理数据而不是离线批处理。

如今，企业对数据的实时性要求越来越高，不再满足于T+1的方式。有些场景，一天后就无法反馈结果。尤其是在推荐、风控等领域，需要小时、分钟甚至秒级的实时数据响应。而且，这种秒级响应不仅仅是简单的数据流，而是经过复杂聚合分析后的结果，这和离线计算是一样的。这种难度其实是非常困难的。

幸运的是，实时计算框架的兴起足以让我们解决这些问题。近年来，Flink、Kafka等实时计算技术的框架和技术已经越来越稳定，足以支持我们这些使用场景。

在实时用户画像的构建中，通过实时数据的不断迭代计算，逐步、持续完善用户画像的全貌。这也符合数据传输的本质。在这个整体架构中，离线计算之前的重要作用被淡化了。仅用于归档和历史查询，通过实时计算输出更多数据，最终达到用户画像的目的。

实时计算过程需要数据的实时聚合和计算，复杂的标签也需要实时的机器学习，难度极大，但最终对于人像的实时表现具有重大意义。

本文介绍了用户画像的介绍以及实时用户画像的重要性，但是可以用什么技术架构来支撑这些想法的实现呢？