用戶畫像

簡介

用戶畫像，作爲一種勾畫目標用戶、聯繫用戶訴求與設計方向的有效工具，用戶畫像在各領域得到了廣泛的應用。

用戶畫像最初是在電商領域得到應用的，在大數據時代背景下，用戶信息充斥在網絡中，將用戶的每個具體信息抽象成標籤，利用這些標籤將用戶形象具體化，從而爲用戶提供有針對性的服務。

還記得年底收到的支付寶年度消費賬單嗎？幫助客戶回顧一年的消費細節，包括消費能力、消費去向、信用額度等等，再根據每位客戶的消費習慣，量身定製商品推薦列表…… 這一活動，將數據這個量化的詞以形象生動的表現手法推到了大衆面前。

這就是用戶畫像在電商領域的一個應用，隨着我國電子商務的高速發展，越來越多的人注意到數據信息對於電商市場的推動作用。基於數據分析的精準營銷方式，可以最大限度的挖掘並留住潛在客戶，數據統計與分析爲電商市場帶來的突破不可估量。在大數據時代，一切皆可 “量化”，看似普通的小小數字背後，蘊藏着無限商機，也正在被越來越多的企業所洞悉。

如何從大數據中挖掘商機？建立用戶畫像和精準化分析是關鍵。

用戶畫像可以使產品的服務對象更加聚焦，更加的專注。在行業裏，我們經常看到這樣一種現象：做一個產品，期望目標用戶能涵蓋所有人，男人女人、老人小孩、專家小白、文青屌絲...... 通常這樣的產品會走向消亡，因爲每一個產品都是爲特定目標羣的共同標準而服務的，當目標羣的基數越大，這個標準就越低。換言之， 如果這個產品是適合每一個人的，那麼其實它是爲最低的標準服務的，這樣的產品要麼毫無特色，要麼過於簡陋。

縱覽成功的產品案例，他們服務的目標用戶通常都非常清晰，特徵明顯，體現在產品上就是專注、極致，能解決核心問題。比如蘋果的產品，一直都爲有態度、追求品質、特立獨行的人羣服務，贏得了很好的用戶口碑及市場份額。又比如豆瓣，專注文藝事業十多年，只爲文藝青年服務，用戶粘性非常高，文藝青年在這裏能找到知音，找到歸宿。所以，給特定羣體提供專注的服務，遠比給廣泛人羣提供低標準的服務更接近成功。　其次，用戶畫像可以在一定程度上避免產品設計人員草率的代表用戶。代替用戶發聲是在產品設計中常出現的現象，產品設計人員經常不自覺的認爲用戶的期望跟他們是一致的，並且還總打着 “爲用戶服務” 的旗號。這樣的後果往往是：我們精心設計的服務，用戶並不買賬，甚至覺得很糟糕。

在產品研發和營銷過程中，確定目標用戶是首要任務。不同類型的用戶往往有不同甚至相沖突的需求，企業不可能做出一個滿足所有用戶的產品和營銷。因此，通過大數據建立用戶畫像是必不可少的。

這只是用戶畫像在電商領域的應用，事實上用戶畫像已經不知不覺的滲透到了各個領域，在當前最火的抖音，直播等領域，推薦系統在大數據時代到來以後，用戶的一切行爲都是可以追溯分析的。

步驟

什麼是用戶畫像？用戶畫像是根據市場研究和數據，創建的理想中客戶虛構的表示。創建用戶畫像，這將有助於理解現實生活中的目標受衆。企業創建的人物角色畫像，具體到針對他們的目標和需求，並解決他們的問題，同時，這將幫助企業更加直觀的轉化客戶。

用戶畫像最重要的一個步驟就是對用戶標籤化，我們要明確要分析用戶的各種維度，才能確定如何對用戶進行畫像。

在建立用戶畫像上，有很多個步驟：

• 首先，基礎數據收集，電商領域大致分爲行爲數據、內容偏好數據、交易數據，如瀏覽量、訪問時長、傢俱偏好、回頭率等等。而金融領域又有貸款信息，信用卡，各種徵信信息等等。

• 然後，當我們對用戶畫像所需要的基礎數據收集完畢後，需要對這些資料進行分析和加工，提煉關鍵要素，構建可視化模型。對收集到的數據進行行爲建模，抽象出用戶的標籤。電商領域可能是把用戶的基本屬性、購買能力、行爲特徵、興趣愛好、心理特徵、社交網絡大致的標籤化，而金融風控領域則是更關注用戶的基本信息，風險信息，財務信息等等。

• 隨後，要利用大數據的整體架構對標籤化的過程進行開發實現，對數據進行加工，將標籤管理化。同時將標籤計算的結果進行計算。這個過程中需要依靠 Hive，Hbase 等大數據技術，爲了提高數據的實時性，還要用到 Flink，Kafka 等實時計算技術。

• 最後，也是最關鍵的一步，要將我們的計算結果，數據，接口等等，形成服務。比如，圖表展示，可視化展示，

事實上，在構建用戶畫像過程中，注重提取數據的多元性而不是單一性，譬如針對不同類型的客戶提取不同的數據，又或者針對線上線下的客戶分析其中差異。總而言之，保證數據的豐富性、多樣性、科學性，是建立精準用戶畫像的前提。

當用戶畫像基本成型後，接下來就可以對其進行形象化、精準化的分析。此時一般是針對羣體的分析，如可以根據用戶價值來細分出核心用戶、評估某一羣體的潛在價值空間，以此作出針對性的產品結構、經營策略、客戶引導的調整。因此，突出研發和展示此類型的產品，又在傢俱的整體搭配展示中進行相關的主題設計，以此吸引目標人羣的關注和購買。

毫無疑問，大數據在商業市場中的運用效果已經突顯，在競爭激烈的各個行業，誰能抓住大數據帶來的優勢，誰才更有機會引領行業的未來。

實時用戶畫像

現在大數據應用比較火爆的領域，比如推薦系統在實踐之初受技術所限，可能要一分鐘，一小時，甚至更久對用戶進行推薦，這遠遠不能滿足需要，我們需要更快的完成對數據的處理，而不是進行離線的批處理。

現在企業對於數據的實時要求越來越高，已經不滿足於 T+1 的方式，有些場景下不可能間隔一天才反饋出結果。特別是推薦，風控等領域，需要小時，分鐘，甚至秒級別的實時數據響應。而且這種秒級別響應的不只是簡單的數據流，而且經過與離線計算一樣的，複雜的聚合分析之後的結果，這種難度其實非常大。

幸好實時計算框架的崛起足夠我們解決這些問題，近年來 Flink，Kafka 等實時計算技術的框架與技術越來越穩定，足夠我們支撐這些使用場景。

在實時用戶畫像的構建中，通過對實時數據的不斷迭代計算，逐漸的不斷完善出用戶畫像的全貌，這也正符合數據傳輸的本質，這整體架構中，淡化離線計算在之前特別重的作用，只留做歸檔和歷史查詢使用，更多的數據通過實時計算進行輸出，最終達到對用戶畫像的目的。

在實時計算的過程需要對數據實時聚合計算，而複雜的標籤也需要實時的進行機器學習，難度巨大，但是最終對於畫像的實時性有着重大的意義。

本文介紹了用戶畫像的簡介與實時用戶畫像的重要意義，但是用什麼技術架構可以支撐這些想法的實現呢？

下一章，我們將探討項目整體架構的設計與實現，未完待續~

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/169tCtjgUiDNeHIKLtGO9w