iPhone X这两天成了朋友圈刷屏的话题
看到这价格，小编表示已无肾可卖
默默的掏出7plus，打开京东竟然有一百多万人预订了iPhone 8。
有图有真相：
这些土豪都是谁，分布在哪里，收入如何？小编想和他们做朋友。
这里简单介绍一下，京东用户画像。
为什么要做用户画像？
一方面是海量信息的汇集，京东是一家大型全品类综合电商，海量商品和消费者产生了从网站前端浏览、搜索、评价、交易到网站后端支付、收货、客服等多维度全覆盖的数据体系，另一方面日益复杂的业务场景和逻辑使得信息的处理挖掘日益重要；也就是说，京东已经形成一个储量丰富、品位上乘且增量巨大的数据金矿，但是在相当长一段时间，很多业务童鞋经常面对宝山空回的局面，比如我们的数据“疯析狮”和“攻城狮”被业务童鞋反复追问，为什么我的促销活动做了这么久，力度也挺大，就是没有带来预期用户的增长呢？从用户画像分析来看，很可能是在错误的时间错误的地点对错误的人做了错误的促销活动。
用户画像就是在解决把数据转化为商业价值的问题，就是从海量数据中来挖金炼银。这些以TB计的高质量多维数据记录着用户长期大量的网络行为，用户画像据此来还原用户的属性特征、社会背景、兴趣喜好，甚至还能揭示内心需求、性格特点、社交人群等潜在属性。了解了用户各种消费行为和需求，精准刻画人群特征，并针对特定业务场景进行用户特征不同维度的聚合，就可以把原本冷冰冰的数据复原成栩栩如生的用户形象，从而指导和驱动业务场景和运营，发现和把握蕴藏在细分海量用户中的巨大商机。
那么，用户画像怎么做？
从逻辑上说，是从具体的业务场景出发，结合数据表现，归纳学习出基准的规则或方法，然后通过反复迭代的学习过程，生成符合既定约束条件的最优化方案，然后把此方案泛化推广到类似的场景中去。很多时候用户画像都是从一个具体品类的业务场景或需求出发，有一些业务童鞋运营经验很丰富，结合对他们经验和需求的访谈，攻城狮会把业务语言抽象出来，结合数据语言转化成通用的技术语言，然后用他们神奇的大脑和给力的大数据平台生产出符合需求预期的结果，经过业务童鞋反复验证有效后，这个画像就宣告成功，然后，攻城狮童鞋会再次驱动其神奇的大脑，将此画像推广到京东全站应用中去，这种从群众中来到群众中去的方法由于其敏捷高效快速迭代的优点，产生了一大批性能优良的产品。
当然，对于一些对用户画像基本属性，由于其对所有品类或场景的通用型较强，攻城狮会跳过单品类测试，直接针对全站用户建模，效果也非常好。
用户画像应用服务支持京东集团全业务需求，其下游面向不同类型不同需求的人群，他们需求各不相同，从技术方案到使用方法也千差万别，因此有必要采取体系化多层次服务平台进行支持。对于公司内部，针对研发、采销、市场、客服、物流等各体系不同需求分别采取统一数据仓库、数据接口服务、产品化平台多种服务方式提供支持，针对各业务线需求场景不同，人员经验也不尽相同，用户画像的平台化给内部使用人员打造切合自身业务场景和使用经验的操作：对经验丰富的使用者提供更深入、综合参考并可自主订制或二次开发；给经验较浅的用户提供数据之外还培养其分析意识；对小白用户则可建立数据化分析运营的意识与习惯；对外部用户的支持力度也在逐步放开、加大，比如POP商家，可以满足商家针对自身店铺的个性化订制需求，并结合各种营销方式提供一站式服务解决方案。
在京东用户行为日志中，每天记录着数以亿计的用户来访及海量行为。我们通过对用户行为数据进行分析和挖掘，发掘用户的偏好，逐步勾勒出用户的画像。用户画像通常通过业务经验和建立模型相结合的方法来实现，但有主次之分，有些画像更偏重于业务经验的判断，有些画像更偏重于建立模型。
业务经验结合大数据分析为主勾画的人群，此类画像由于跟业务紧密相关，更多的是通过业务人员提供的经验来描述用户偏好。举个例子，比如：根据业务人员的经验，基于客户对金额、利润、信用等方面的贡献，建立多层综合指标体系，从而对用户的价值进行分级，生成用户价值的画像。一方面我们的产品经理可以根据用户价值的不同采取针对性的营销策略，另一方面通过分析我们的不同价值等级用户的占比，从而思考如何将低价值的用户发展成高价值的用户。
再比如，通过用户在下单前的浏览情况，业务人员可以区分用户的购物性格。有些用户总是在短时间内比较了少量的商品就下单，那么他的购物性格便是冲动型；有些用户总是在反复不停的比较少量同类商品最后才下单，那么他的购物性格便是理性型；有些用户总是长时间大量的浏览了很多商品最后才下单，那么他的购物性格便是犹豫型。对于不同购物性格的用户，我们可以推荐不同类型的商品，针对冲动型用户，我们直接推荐给他/她最畅销的同类商品，而理性型用户我们推荐给他/她口碑最好的商品。并且针对每一个用户，我们根据其购物性格定制了个性化的营销手段。
京东拥有最全的品类，各品类间用户转化成为我们业务的一个重点。挖掘一个品类的潜在用户，首先要找出此品类已有的用户，然后通过这些用户的行为、偏好、画像等信息对用户细分，挖掘其独有的特征，最后通过这些特征建立模型定位出该品类的潜在用户。
这一阶段主要是为了验证我们为用户描绘的画像是否准确。比如一个用户的画像是：性别男、年龄在36岁~45岁之间、家里有小孩、未婚、有车一族、购买等级高。我们可以很快发现家里有小孩且未婚这一矛盾的结果。首先，我们可以判断对这个用户的画像肯定有问题的。接下来我们看这个用户的画像，似乎只有未婚这一条与其他画像格格不入。通过模型之间的验证，我们发现一些错误案例并分析原因，进而改进我们的模型。
摘自：京东大数据
Hellobi Live | 9月19日京东大数据赋能业务，揭秘用户画像最佳实践嘉宾介绍
李爱华
京东：高级架构师，数据挖掘与分析部（负责人）
用友：总监，商业分析事业部（咨询总监）
NWN：架构师，商业智能（方案架构师）
2007年至今，10年间一直从事商业智能和大数据领域研发、方案规划、团队管理等工作，对数据ETL、数据仓库、分析/挖掘模型设计、数据消费产品规划等数据消费全生命周期积累了丰富经验。在做商业分析顾问期间，对企业的财务、资金、供应链、人力资本、全面预算、绩效管理、集团管控等领域的数据应用积累了丰富经验；在电商互联网公司，积累了分析和挖掘数据团队管理、个性化推荐、精准营销、数据产品规划、数据分析以及挖掘等方面积累了丰富经验，希望在大数据领域继续探索如何通过数据赋能公司业务增长。
分享内容
1、京东用户画像技术架构介绍（侧重整体介绍，让大家有个相对清晰的概念。）
2、京东用户画像到底该怎么玩？（Growth Hacker用户运营理论，全站画像 VS 品类/品牌/渠道/频道/店铺/场景等细分维度画像。）
3、京东用户画像在电商场景中的最佳实践（营销端&运营端）
4、那些年我们踩过的坑。（经验教训）
5、用户画像发展方向。
