用户画像，即用户信息标签化，是大数据精细化运营和精准营销服务的基础。它是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在大数据的时代下，用户的一切行为是可追溯和分析的。用户画像是通过分析用户的基础信息、特征偏好、社会属性等各维度的数据，刻画出用户的信息全貌，从中挖掘用户价值。它可以帮助数据“起死回生”，提供个性化推荐、精准营销、个性化服务。
用户画像是真实用户的虚拟代表（如下图），首先它是基于真实数据，不是一个具体的人。用户画像八要素：基本性(Primary)/同理性(Empathy)、R代表真实性(Realistic)、独特性(Singular)、目标性(Objectives)、数量性(Number)、应用性(Applicable)、长久性(Long)。
一、画像基础
1.1 标签类型
按照书中所讲用户画像建模其实就是对用户“打标签”，我认为这样汇聚确实很好理解，一般分为三类：
● 统计类标签：最基础常见的标签，从用户注册数据、用户访问数据中统计得出。
● 规则类标签：基于用户行为及规则产生，通常由对业务更为熟悉的运营人员和数据人员共同协商确定。
● 机器学习挖掘类标签：通过机器学习挖掘产生，根据某些用户行为或熟悉进行预测判断。例如，根据一个用户购买化妆品护肤品的次数权重更高，得出该用户的性别是女性。
1.2 数据结构
画像系统的基础设施包括Spark、Hive、HBase、Airflow、Redis、Elasticsearch。下图是《用户画像》书中的数据仓库架构。
① 数据仓库ETL加工流程是对每日的业务数据、日志数据、埋点数据等数据经过ETL过程，加工到对应的原始数据层（ODS）、数据仓库（DW）、数据集市层（DM）中。
② 用户画像不是产生数据的源头，是经过ODS层、DW层、DM层中的数据与用户相关数据的二次建模加工得到的数据。在ETL过程将用户标签写入Hive，根据不同数据对应不同数据库的应用场景，再将数据同步到MySQL、HBase、Elasticsearch等数据库中。
Hive：存储用户标签、用户人群及用户特征库的计算结果
MySQL：存储标签元数据，监控相关数据，导出到业务系统的数据
HBase：存储线上实时数据
Elasticsearch：支持海量数据的实时查询分析
③ 用户标签在Hive中加工完成后，部分标签通过Sqoop同步到MySQL数据库，提供用于BI报表展示的数据、多为透视分析数据、圈人服务数据；另一部分标签同步到HBase数据库用于产品的线上个性化推荐。
1.3 用户画像模块
搭建用户画像方案整体考虑以下8个模块，我整理如下，方便理解：
● 用户画像基础
了解和明确用户画像包含的模块，设计数据仓库架构、开发流程、表结构，及ETL的设计。主要就是明确大方向的规划。
● 数据指标体系
建立数据指标体系，根据业务线梳理，包括用户属性、用户行为、用户消费、风险控制等维度的指标体系。
● 标签数据存储
设计好数据指标体系后，考虑不同应用场景使用哪种存储方式。
● 标签数据开发
重点模块。标签数据开发包含统计类、规则雷、挖掘类、流式计算类标签的开发，以及人群计算功能的开发。
重点内容：数据调研、和业务方确认数据口径、标签开发上线。打通画像数据和各业务系统之间的路，提供接口服务
● 开发性能调优
标签数据开发上线后，为了缩短调度时间、保证数据稳定性，需要对标签脚本、调度脚本进行迭代重构、调优。梳理现有标签开发、调度、校验告警、同步到服务层等相关脚本、明确可以优化的地方，迭代优化。
重点内容：减少ETL调度时间，降低调度时的资源消耗。
● 作业流程调度
标签加工、人群计算、同步数据和业务系统、数据监控预警脚本开发完成后，需要调度工具把整套流程调度起来。
重点内容：满足定式调度、监控预警、失败重试，各调度任务之家的复杂依赖关系。
● 用户画像产品化
产品化的模块包括包括标签视图、用户标签查询、用户分群、透视分析等。
重点内容：满足业务方对用户精准营销的需求。
● 用户画像应用
应用场景包括用户特征分析、短信邮件、站内信、Push消息的精准推送，客户针对不同用户的话术、针对高价值用户的极速退款等高级服务应用等。
重点内容：帮助业务方理解和应用用户画像数据，提高用户活跃度和GMV。
1.4 开发上线流程
参考资料：
《用户画像：方法论与工程化解决方案》赵宏田 著
