用戶畫像
簡介
? 用戶畫像,作為一種勾畫目標用戶、聯系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,在大資料時代背景下,用戶資訊充斥在網路中,將用戶的每個具體資訊抽象成標簽,利用這些標簽將用戶形象具體化,從而為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,量身定制商品推薦串列……這一活動,將資料這個量化的詞以形象生動的表現手法推到了大眾面前,
? 這就是用戶畫像在電商領域的一個應用,隨著我國電子商務的高速發展,越來越多的人注意到資料資訊對于電商市場的推動作用,基于資料分析的精準營銷方式,可以最大限度的挖掘并留住潛在客戶,資料統計與分析為電商市場帶來的突破不可估量,在大資料時代,一切皆可“量化”,看似普通的小小數字背后,蘊藏著無限商機,也正在被越來越多的企業所洞悉,

? 如何從大資料中挖掘商機?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物件更加聚焦,更加的專注,在行業里,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,因為每一個產品都是為特定目標群的共同標準而服務的,當目標群的基數越大,這個標準就越低,換言之, 如果這個產品是適合每一個人的,那么其實它是為最低的標準服務的,這樣的產品要么毫無特色,要么過于簡陋,

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,特征明顯,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,一直都為有態度、追求品質、特立獨行的人群服務,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,只為文藝青年服務,用戶粘性非常高,文藝青年在這里能找到知音,找到歸宿,所以,給特定群體提供專注的服務,遠比給廣泛人群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為用戶的期望跟他們是一致的,并且還總打著“為用戶服務”的旗號,這樣的后果往往是:我們精心設計的服務,用戶并不買賬,甚至覺得很糟糕,
? 在產品研發和營銷程序中,確定目標用戶是首要任務,不同型別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,通過大資料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,推薦系統在大資料時代到來以后,用戶的一切行為都是可以追溯分析的,
步驟
? 什么是用戶畫像?用戶畫像是根據市場研究和資料,創建的理想中客戶虛構的表示,創建用戶畫像,這將有助于理解現實生活中的目標受眾,企業創建的人物角色畫像,具體到針對他們的目標和需求,并解決他們的問題,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簽化,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,基礎資料收集,電商領域大致分為行為資料、內容偏好資料、交易資料,如瀏覽量、訪問時長、家具偏好、回頭率等等,而金融領域又有貸款資訊,信用卡,各種征信資訊等等,
-
然后,當我們對用戶畫像所需要的基礎資料收集完畢后,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,對收集到的資料進行行為建模,抽象出用戶的標簽,電商領域可能是把用戶的基本屬性、購買能力、行為特征、興趣愛好、心理特征、社交網路大致的標簽化,而金融風控領域則是更關注用戶的基本資訊,風險資訊,財務資訊等等,
-
隨后,要利用大資料的整體架構對標簽化的程序進行開發實作,對資料進行加工,將標簽管理化,同時將標簽計算的結果進行計算,這個程序中需要依靠Hive,Hbase等大資料技術,為了提高資料的實時性,還要用到Flink,Kafka等實時計算技術,
-
最后,也是最關鍵的一步,要將我們的計算結果,資料,介面等等,形成服務,比如,圖表展示,可視化展示,

? 事實上,在構建用戶畫像程序中,注重提取資料的多元性而不是單一性,譬如針對不同型別的客戶提取不同的資料,又或者針對線上線下的客戶分析其中差異,總而言之,保證資料的豐富性、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后,接下來就可以對其進行形象化、精準化的分析,此時一般是針對群體的分析,如可以根據用戶價值來細分出核心用戶、評估某一群體的潛在價值空間,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,突出研發和展示此型別的產品,又在家具的整體搭配展示中進行相關的主題設計,以此吸引目標人群的關注和購買,
? 毫無疑問,大資料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,誰能抓住大資料帶來的優勢,誰才更有機會引領行業的未來,
實時用戶畫像
現在大資料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資料的處理,而不是進行離線的批處理,
現在企業對于資料的實時要求越來越高,已經不滿足于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,甚至秒級別的實時資料回應,而且這種秒級別回應的不只是簡單的資料流,而且經過與離線計算一樣的,復雜的聚合分析之后的結果,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,通過對實時資料的不斷迭代計算,逐漸的不斷完善出用戶畫像的全貌,這也正符合資料傳輸的本質,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,更多的資料通過實時計算進行輸出,最終達到對用戶畫像的目的,
在實時計算的程序需要對資料實時聚合計算,而復雜的標簽也需要實時的進行機器學習,難度巨大,但是最終對于畫像的實時性有著重大的意義,

本文介紹了用戶畫像的簡介與實時用戶畫像的重要意義,但是用什么技術架構可以支撐這些想法的實作呢?
下一章,我們將探討專案整體架構的設計與實作,未完待續~
參考文獻
《用戶畫像:方法論與工程化解決方案》
更多實時資料分析相關博文與科技資訊,歡迎關注 “實時流式計算” 獲取用戶畫像相關資料 請關注 “實時流式計算” 回復 “用戶畫像”

轉載請註明出處,本文鏈接:https://www.uj5u.com/shujuku/6023.html
標籤:大數據
