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、下乙個雙十一，還有線下購物，總有乙個場景你會剁手。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**不一樣，老使用者看到的**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**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通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乙個體現。
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，通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，資料倉儲做資料分析、呈現不同的資料，最後給到業務層進行應用（比如營銷、資料包表、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、**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，比如點讚、瀏覽、**、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；**標籤指的是對於使用者的個人**，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，通過日誌和資料庫等方法實時採集資料，通過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通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，通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，這也是資料倉儲、資料中颱的乙個設計思想。
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。
如何看待大資料 殺熟 ？
科技帶給人類的福音，總會多出一些附產品！大資料無疑給人們的生活帶來了巨大的便利，但是硬幣的另一面確是使用者資料濫用帶來的 失控 科技界的熱詞更新日新月異，在區塊鏈霸屏的今天，沒想到 大資料 又殺回來了。隨著微博使用者 廖師傅廖師傅 的一條控訴微博，指出某旅行 和某叫車平台會針對老使用者選擇性提價，一...
永珍預覽如何解除安裝 如何防範被大資料殺熟？
那到底什麼是大資料殺熟呢？簡而言之就是同樣的商品 同樣的服務讓你多花錢了 從經濟學角度來看，在資源供給固定的情況下，隨著 增加，購買的人數會減少 降低了，購買的人數就會增多。因此定價高的話買的人少，定價低的話買的人多但是沒錢賺，這個時候，如果把顧客分類 使用者畫像 讓願意出 的人用 買，願意出低價的...
大資料殺熟持續發酵 大資料的未來對我們來說是悲是喜
對於大資料，相信大家已經不再陌生，大資料技術承載著科技的未來，無論是應用於醫療還是應用於人工智慧，根據網際網路的發展，我們可以 的就是大資料的未來身影應該無處不在，就算無法準確 大資料終會將人類社會帶往到哪種終極形態，但我相信只要發展腳步在繼續，因大資料而產生的變革浪潮將很快淹沒地球的每乙個角落。大...