大数据画像是金融科技吗

是的。

大数据在金融科技领域中的应用非常多，例如耳熟能详的风控、用户画像、波动分析等等，但所有的大数据应用背后其实都离不开一个功能强大的基础数据平台，用来整合全域数据，统一标准、口径以及数据加工模式等，为前端数据展现提供支持。

从基础技术层面看，大数据主要包含了采集、存储、计算、管理、调度、分析、可视化等技术，在金融科技领域均有着历史悠久和范围广泛的应用。这些核心技术通常被应用于构建企业级数据仓库/平台，并服务于诸多数据应用，实现各类企业数据资产的采集、融合与分析，提升公司运营管理水平，推动业务流程创新与优化。

目前的大数据在淘宝这种电商平台，尤其是商家可以使用的还是很有限，以前有个数据魔方，现在是专业版的参谋，您可以用付费版的进行店铺和产品的定位规划，所谓精细化就是找准一个类目针对一个人群进行深挖细分，比如大码女装也分为欧美，韩版简约的风格，这些数据可以借助市场行情和来分析，或者地域年龄的分析，对后期推广也有方向性指导意义，希望能帮到你。

近些年，互联网进入了“ 大数据 时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚 焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。伴随着对人的了解逐步深入，一个概念悄然而生： 用户画像 （UserProfile），完美地抽象出一 个用户的信息全貌，可以看作企业应用大数据的根基。

一、什么是用户画像？

男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。

这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。

如果用一幅图来展现，即：

二、为什么需要用户画像

用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？

也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？

大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。

三、如何构建用户画像

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每 个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多 文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。

人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。

31 数据源分析

构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。

对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类， 高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。

这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。

本文将用户数据划分为静态信息数据、动态信息数据两大类。

静态信息数据

用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。

动态信息数据

用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户 傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡 客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。

本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。

在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。

32 目标分析

用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 08、李宁 06。

标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。

权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。

33 数据建模方法

下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。

什么用户 ：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。

什么时间 ：时间包括两个重要信息，时间戳+时间长度。时间 戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950083612（精度到微秒），通常采用精度到秒的时间戳即 可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。

什么地点 ：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机 上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。

内容 ：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。

注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车 上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿 泉水的需求程度不同。即，愿意支付的价值不同。

标签 权重

矿泉水 1 // 超市

矿泉水 3 // 火车

矿泉水 5 // 景区

类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。

所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。

什么事 ：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。

不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1

红酒 1 // 浏览红酒

红酒 5 // 购买红酒

综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上标签。

用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：

标签权重=衰减因子×行为权重×网址子权重

如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。

标签：红酒，长城

时间：因为是昨天的行为，假设衰减因子为：r=095

行为类型：浏览行为记为权重1

地点：品尚红酒单品页的网址子权重记为 09（相比京东红酒单品页的07）

假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。

则用户偏好标签是：红酒，权重是09507 1=0665，即，用户A：红酒 0665、长城 0665。

上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。

四、总结 ：

本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。

核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。

比如影视产品，我看了一部**《英雄本色》，可能产生的标签是：周润发 06、q战 05、港台 03。

最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。

比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 10。

百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。

MobTech提供大数据粉雾，据我所知，平台月活设备有5亿安卓+15亿的ios的量级，平台通过sdk本身的分享特性，可以获取到一些授权画像数据，但是并不是每一台设备都可以获取到所有的画像，因此会存在一定的缺失或者异常值，关于人口属性这部分的标签，他们主要利用分类预测的方法进行预测和补全。

比如：地理位置、手机型号、消费记录啊……

1 商业智能：大数据技术可以帮助企业从海量数据中发掘商业机会和趋势，优化业务流程和决策。

2 金融服务：大数据可以用于风险管理、欺诈检测、个性化营销等方面，提高金融服务的效率和安全性。

3 医疗健康：大数据可以用于患者诊断和治疗的个性化定制，药品研发和生产的优化，以及疾病预测和预防等方面。

4 城市管理：大数据可以用于城市交通管理、环境保护、公共安全等方面，提高城市管理的效率和质量。

5 人工智能：大数据是训练机器学习和深度学习算法的基础，可以实现自然语言处理、图像识别、智能推荐等应用。

6 社交媒体：大数据可以用于社交媒体的个性化推荐、内容管理、用户画像等方面，提高用户体验和平台效益。

这些仅仅是大数据应用的一些例子，实际上大数据技术已经渗透到了各个行业和领域，成为了推动数字化转型和创新的重要力量。

但是，如何科学合理地捕捉碎片化的行为，通过对幼儿行为的研究，进而总结幼儿学习、生活、兴趣等方面的特征和规律，成为摆在学前教育研究者和实践者面前的重要课题。

随着大数据技术在教育领域的广泛应用，基于证据和大数据的教育决策机制逐步形成。利用大数据技术分析幼儿学习行为，有利于改进评价工作、提升保教质量。

对接五大领域，把握评价设计的内涵与要素，促进幼儿评价的全面性

幼儿教育领域内利用大数据技术分析幼儿学习行为，通过学习者建模、学习行为预测、学习评价等学习技术和系统的应用，能够帮助教师合理配置教学资源、改进教学策略。近年来，用户画像的概念也初步出现在教育领域，称作学习者画像。作为一种数据分析工具，在大数据技术基础上，将用户的属性特征分为自然属性、 社会 属性、心理属性等，建立用户数据的数学模型，对收集到的用户数据进行统计分析，从而以标签的形式表示出用户的“全貌”。

《3—6岁儿童学习与发展指南》从 健康 、语言、 社会 、科学、艺术五个领域描述幼儿的学习与发展，每个领域按照幼儿学习与发展最基本、最重要的内容划分为若干方面。幼儿发展对应这五大领域，支持幼儿发展的评价也应基于这五大领域，自然地、完整地贯穿教育过程的整体进行，这样才有可能全面、准确地刻画幼儿发展的质量，为幼儿教育发展质量提供评价参考。

幼儿画像利用AI音视频分析、物联网、大数据、云计算等技术，建立幼儿、教师、家长、幼儿园之间信息无缝互联通道，推动幼儿园现代化与信息化建设与改造。根据幼儿园的需求，将幼儿在园内各种行为数据捕捉以后自动统计归档，从评价入手，深描幼儿，形成幼儿画像。

《纲要》在关于对幼儿发展状况评估的指导要点上指出：“在日常活动与教育教学过程中采用自然的方法进行。平时观察所获的具有典型意义的幼儿行为表现和所积累的各种作品等，是评价的重要依据。” 因此，基于《纲要》和《指南》，建立幼儿画像标签体系，将幼儿一日在园活动的学习行为进行数据收集、数据存储、数据标注、数据处理与数据开采，能够全面、系统地反映出幼儿的行为规律和特征，形成幼儿画像。

例如，对 健康 领域的幼儿画像，可以通过长期捕捉幼儿在园的生活习惯与行为习惯，将其归类于 健康 标签上，结合人口统计学要素及场景描述，可以呈现每个幼儿的用户画像。

此外，还可以将画像技术运用于幼儿在园学习活动中，利用多种校园数据对幼儿进行综合分析。采集幼儿在集体教学、户外运动等方面的实时数据，对幼儿问题行为等进行预警与反馈，及时推送信息给教师和家长，有助于教师和家长把握幼儿的活动动态，表扬鼓励积极向上的行为，对不良行为习惯及时进行纠正，引导幼儿向正确的、积极 健康 的行为发展。

基于大数据的幼儿画像技术能够更科学、更精准地了解幼儿学习动态，丰富幼儿行为表现评价手段，提升幼儿管理水平，进而促进幼儿全面 健康 成长，也为教育教学、教育管理的决策和规划提供更加可靠的依据。

强化系统对接，助推评价结果的整合与应用，完善幼儿评价的协同性

教师基于幼儿画像可以更加深入地了解幼儿在户外、室内集体学习、区角活动的动向，把握幼儿学习的兴趣点，以便从幼儿出发设计真实而富有趣味的情境，开展有效的教育教学活动。

如在区角活动中，在对已有区角活动学习资源配置策略分析的基础上，以幼儿进出区域的频次与停留时间，判定幼儿对区域的偏好。此外，基于对幼儿与区域内学习资源交互的学习行为数据分析，结合区域活动发展目标，建立学习行为影响学习资源优化的因素模型。采用机器学习的方法对幼儿区域活动视频进行目标检测，形成幼儿和学习资源交互的 历史 记录。使用模式识别的方法从交互的 历史 记录中发现隐藏的学习行为模式或幼儿对学习资源的偏好，进而优化学习资源配置，形成对幼儿各个阶段不同区域发展目标的学习行为分析模型。

幼儿画像还能提升家园共育水平。对于家长而言，基于幼儿画像分析技术可以清楚了解孩子在园的情况，如出勤、 健康 、兴趣、学习等。基于孩子在园真实情况，家长和教师可以在各自观念和利益表达的基础上，就某个共同目标或分歧进行有效协商，更好地实现家园合作、家园共育。

与此同时，幼儿画像技术可以助力构建家园互信的良好环境。近年来，涉及家园矛盾事件的新闻报道频发，影响了家长对幼儿园的信任。幼儿园应提升园所的软硬件设施，想家长之所想，减少家园矛盾事件的发生。幼儿画像技术提供幼儿在园的海量数据，对于提升家长对幼儿园的信任程度，构建家园互信的良好环境，必然具有促进作用。

（作者单位：南京师范大学教育科学学院）

《中国教育报》2020年11月22日第2版

作者：刘晓红 赵丽

用户角色(1)和用户画像(2)的方法区别：

用户调研是一套一次性具体场景的设计、研究和分析的方案，依赖于人工经验；用户画像是一套系统基础设施，需要很多工程、算法的搭建工作，能持久化、广泛化、多场景地发挥数据价值。

可以把用户标签简单分为两类，一类是基础通用标签，在各个行业和业务场景中都是需要的，且数据建设和建模的方法基本上都是通用的，比如年龄性别预测等；另一类是基于具体的业务场景、解决具体业务问题的标签，需要PM深刻地理解业务场景和目标、标签价值。

以上就是关于大数据画像是金融科技吗全部的内容，包括:大数据画像是金融科技吗、如何运用大数据用户画像，做淘宝精细化运营、用户画像数据建模方法_用户画像分析等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！