在互联网步入大数据时代后，用户行为给企业的产品和服务带来了一系列的改变和重塑，其中最大的变化在于，用户的一切行为在企业面前是可“追溯”、“分析”的。企业内保存了大量的原始数据和各种业务数据，这是企业经营活动的真实记录，如何更加有效地对这些数据加以利用，用这些数据进行分析和评估是企业基于更大数据量背景下的问题点。随着大数据技术的深入研究与应用，企业的专注点日益聚焦在如何利用大数据来为精细化运营和精准营销服务，而要做精细化运营，首先要建立本企业的用户画像。那么搭建起一套用户画像系统需要哪些核心技术呢。
（一）对画像系统的深入理解
工欲善其事必先利其器，如果对于画像系统没有一个深入的、体系化的理解，那么对整个项目的开发规划，落地应用规划都是一盘散沙。项目建设虎头蛇尾，最后不了了之。对于画像系统的深入理解包括理解画像系统的建设目标、应用场景、需要使用的大数据技术选型方案和开发涉及的主要步骤，画像产品的设计形式及应用场景方案等多个方面。
（二）大数据开发相关技术
整个工程化方案中，系统依赖的基础设施包括Spark、Hive、HBase、Airflow、MySQL、Redis、Elasticsearch。除去基础设施外，系统主体还包括Spark Streaming、ETL、产品端3个重要组成部分。（下图是画像系统数据架构设计）
开发画像系统需要掌握的大数据技术包括：数据仓库建模理论和方法；会使用Scala、Java或Python语言进行Spark开发，离线批处理/实时数据处理；掌握Hbase、Elasticsearch等数据存储工具的使用。
（三）数据分析能力
在画像系统开发过程中也需要开发者具备一定的数据分析思维，例如在开发RFM模型对应的标签前，先需要进行数据调研。根据对数据仓库中拉取的用户消费相关数据进行分析后得出用户这3个维度的指标在数值上划分的界限。
本案例中根据对RFM三个维度的数据调研，得到用户最近一次交易时间的分布情况如图
根据累计用户量的占比，可按照二八比例进行划分，将最近一次交易时间距今0到90日的用户划分为近，将90日以上的用户划分为远。
案例中用户近一年交易订单量的情况分布如下图
根据累计用户量的占比，按二八比例进行划分，将历史交易订单量在3单以下的用户划分为低频，将交易订单量在3单及以上的用户划分为高频。
案例中用户历史交易金额情况分布如下图
根据用户近一年交易金额情况，将交易金额在300元以下的用户划分为低额，交易金额大于300元的用户划分为高额。
（四）业务意识及数据落地应用能力
画像系统最终的目标是帮助数据走出数据仓库落地应用在业务场景上，促进业务质量提升（如流量增加、营收增加、用户体验改进等方方面面）。
画像的落地应用场景包括：
1、 对用户行为的多维度自助式分析
渠道分析、漏斗分析、分布分析、特征分析等；
2、对目标人群的精准营销
短信营销、邮件营销、电话外呼营销、消息推送营销等；
3、对用户的个性化推进与高价值服务
针对用户的行为偏好推荐商品、内容，对平台高价值用户提供专属vip服务；
4、对营销方案进行线上AB测试
借助画像系统触达不同的人群进行高效的AB测试；
（五）平台开发能力
画像产品化开发、接口服务开发需要开发者掌握java web的开发能力。虽然对于数据开发人员来说这不是必备的能力，但是对于一个希望具备全栈开发能力的开发者来说，掌握该项技术，有助于深入理解画像的数据流、产品设计的背景和意义、画像系统落地支撑业务的技术细节。
更多关于用户画像开发、分析和应用方案的内容详见 https://item.jd.com/12824930.html
