又是一年雙十二過去了，今年你有剁手嗎？

沒剁手沒關係，還有聖誕元旦的“雙旦”節、春節、情人節、618、99節、下一個雙十一，還有線下購物，總有一個場景你會剁手。在剁手買買買的時候，細心的朋友可能會發現，這商品還“殺熟”的感覺？殺熟，簡單的來說，就是不同人看到的價格不一樣，老使用者看到的價格比新使用者貴。

在網際網路下半場、精細化運營時代，很多網際網路公司利用各種方法收集消費者的資訊，再運用大資料分析相關技術，分析消費偏好、消費習慣、消費能力、消費頻次，將不同的商品以不同的價格在不同的時間推送給不同的人。具體細分有三類：

1、根據使用者使用的裝置不同而差別定價；

2、根據使用者消費時所處的場所不同而差別定價；

3、根據使用者消費頻率的不同而差別定價。

那麼我們今天就來看看，我們是如何一步步被大資料殺熟的吧。大資料殺熟關鍵的一步便是使用者畫像。

所謂使用者畫像體系指的是透過使用者相關資料採集，進行資料處理分析，將使用者分成不同的類。在你註冊成為使用者時，系統便知道你是哪一類使用者，可以進行精準的資料營銷。殺熟只是系統根據不同使用者特點展示不同資料的一個體現。

那麼使用者畫像體系如何建設呢？首先在產品層給使用者畫上不同的標籤，透過產品設計中的使用者註冊資訊校驗，資料收集中的客戶端、服務端日誌採集，資料倉庫做資料分析、呈現不同的資料，最後給到業務層進行應用（比如營銷、資料報表、反欺詐等等），整個使用者畫像體系架構圖可見下圖所示。

在給使用者定義標籤時，我們又可以分為基礎標籤、行為標籤、偏好標籤、預測標籤幾大類。基礎標籤指的是使用者的基礎資訊，比如年齡、裝置資訊、職業、性別、教育情況；行為標籤指的是使用者的個人行為，比如點贊、瀏覽、轉發、分享、購買、關注；偏好標籤指的是使用者的個人偏好，比如汽車、美食、旅遊、動漫；預測標籤指的是對於使用者的個人預測，比如近期是否出行、近期是否買房等。

定義好標籤規則後，我們便可以進行資料的採集、處理、分析了。整個架構可以分為三層，即資料採集層、資料處理層、資料服務層。在資料採集層，透過日誌和資料庫等方法實時採集資料，透過Kafka訊息中介軟體進行資料傳輸，給到資料分析引擎。資料分析引擎包含實時計算和離線計算，實時計算可採用Flink計算引擎進行，離線計算可採用Hive、Hadoop進行。在計算架構上建議採用Lambda架構，將實時計算和離線計算拆分出來，因為有的資料不一定能透過實時計算挖掘出來。在資料儲存上，可以使用HBase做離線標籤儲存，Redis做實時標籤儲存。

在資料建設體系這塊，我們尤其要關注資料的質量、資料時效性。對於資料質量，我們需要關注是否覆蓋全面、覆蓋準確，透過監控體系做對應的驗證-分析-調整可逐步的提高質量；對於資料時效性，除了來自業務需求的實時資料和非實時資料外，我們也要關注其它因素是否會導致資料採集、資料處理延時；最後，就是避免重複對接，我們應當建立統一的資料體系，讓所有的業務資料都按照這個格式進行對接，而不是每套系統去相容一次，這也是資料倉庫、資料中臺的一個設計思想。

在採集分析使用者資料後，我們便可進行使用者畫像。從使用者的整體生命週期來看，可以分為潛在使用者、新使用者、活躍使用者、沉默使用者、流失使用者；針對不同的使用者群體，再細分使用者的購物習慣、購物偏好、購物頻次、購物能力，適時的推薦商品、傳送觸活簡訊。

我們生在網際網路時代、活在網際網路時代的人，享受了技術紅利所帶來的便利，也引起了競爭，這才有大資料殺熟的事件出現。不過大家在剁手時也不要太過於擔心，在外有國家透過《電子商務法》規定：電子商務經營者根據消費者的興趣愛好、消費習慣等特徵向其提供商品或者服務的搜尋結果的，應當同時向該消費者提供不針對其個人特徵的選項，尊重和平等保護消費者合法權益；在內可以透過不同裝置做價格對比、不同使用者做價格對比、線上線下做價格評估進行避免。同時網際網路巨頭擁有海量的資料、強勁的演算法，也更應該聚焦於科技創新，給社會帶來更多進步