我们是如何被大数据杀熟的？

又是一年双十二过去了，今年你有剁手吗？

没剁手没关系，还有圣诞元旦的“双旦”节、春节、情人节、618、99节、下一个双十一，还有线下购物，总有一个场景你会剁手。在剁手买买买的时候，细心的朋友可能会发现，这商品还“杀熟”的感觉？杀熟，简单的来说，就是不同人看到的价格不一样，老用户看到的价格比新用户贵。

在互联网下半场、精细化运营时代，很多互联网公司利用各种方法收集消费者的信息，再运用大数据分析相关技术，分析消费偏好、消费习惯、消费能力、消费频次，将不同的商品以不同的价格在不同的时间推送给不同的人。具体细分有三类：

1、根据用户使用的设备不同而差别定价；

2、根据用户消费时所处的场所不同而差别定价；

3、根据用户消费频率的不同而差别定价。

那么我们今天就来看看，我们是如何一步步被大数据杀熟的吧。大数据杀熟关键的一步便是用户画像。

所谓用户画像体系指的是通过用户相关数据采集，进行数据处理分析，将用户分成不同的类。在你注册成为用户时，系统便知道你是哪一类用户，可以进行精准的数据营销。杀熟只是系统根据不同用户特点展示不同数据的一个体现。

那么用户画像体系如何建设呢？首先在产品层给用户画上不同的标签，通过产品设计中的用户注册信息校验，数据收集中的客户端、服务端日志采集，数据仓库做数据分析、呈现不同的数据，最后给到业务层进行应用（比如营销、数据报表、反欺诈等等），整个用户画像体系架构图可见下图所示。

在给用户定义标签时，我们又可以分为基础标签、行为标签、偏好标签、预测标签几大类。基础标签指的是用户的基础信息，比如年龄、设备信息、职业、性别、教育情况；行为标签指的是用户的个人行为，比如点赞、浏览、转发、分享、购买、关注；偏好标签指的是用户的个人偏好，比如汽车、美食、旅游、动漫；预测标签指的是对于用户的个人预测，比如近期是否出行、近期是否买房等。

定义好标签规则后，我们便可以进行数据的采集、处理、分析了。整个架构可以分为三层，即数据采集层、数据处理层、数据服务层。在数据采集层，通过日志和数据库等方法实时采集数据，通过Kafka消息中间件进行数据传输，给到数据分析引擎。数据分析引擎包含实时计算和离线计算，实时计算可采用Flink计算引擎进行，离线计算可采用Hive、Hadoop进行。在计算架构上建议采用Lambda架构，将实时计算和离线计算拆分出来，因为有的数据不一定能通过实时计算挖掘出来。在数据存储上，可以使用HBase做离线标签存储，Redis做实时标签存储。

在数据建设体系这块，我们尤其要关注数据的质量、数据时效性。对于数据质量，我们需要关注是否覆盖全面、覆盖准确，通过监控体系做对应的验证-分析-调整可逐步的提高质量；对于数据时效性，除了来自业务需求的实时数据和非实时数据外，我们也要关注其它因素是否会导致数据采集、数据处理延时；最后，就是避免重复对接，我们应当建立统一的数据体系，让所有的业务数据都按照这个格式进行对接，而不是每套系统去兼容一次，这也是数据仓库、数据中台的一个设计思想。

在采集分析用户数据后，我们便可进行用户画像。从用户的整体生命周期来看，可以分为潜在用户、新用户、活跃用户、沉默用户、流失用户；针对不同的用户群体，再细分用户的购物习惯、购物偏好、购物频次、购物能力，适时的推荐商品、发送触活短信。

我们生在互联网时代、活在互联网时代的人，享受了技术红利所带来的便利，也引起了竞争，这才有大数据杀熟的事件出现。不过大家在剁手时也不要太过于担心，在外有国家通过《电子商务法》规定：电子商务经营者根据消费者的兴趣爱好、消费习惯等特征向其提供商品或者服务的搜索结果的，应当同时向该消费者提供不针对其个人特征的选项，尊重和平等保护消费者合法权益；在内可以通过不同设备做价格对比、不同用户做价格对比、线上线下做价格评估进行避免。同时互联网巨头拥有海量的数据、强劲的算法，也更应该聚焦于科技创新，给社会带来更多进步