这几天，网上开始流传起来了“连衣裙指数”，说是淘宝连衣裙客单价是否低于128元是评价一个女性是否值得与其谈恋爱的重要标准之一。评价的方式也很简单易操作，那就是打开你的淘宝搜索“连衣裙”，如果出现在搜索结果第二个和第三个的连衣裙平均价格低于128元，那么恭喜你，你已经被很多人从潜在的恋爱对象名单中去掉了。
看到这条消息，吓的小编赶紧登陆了自己的淘宝搜索了一下，还好，尽管自认为是属“非促销不能买也”的草根阶层，购物车中更是沉积了不少“十元包邮”的廉价货色，但我的“连衣裙指数”还是成功突破了128元，莫非谁偷偷用我的账号买了一件阿玛尼？
这个指数很快就得到了淘宝官方的回应。淘宝小二表示，所谓128元客单价以下被系统默认为“低价人群”的事并不存在。用户的偏好不是静态的，算法难就难在要做出个性化推荐，对每个人的推荐，都是基于对其消费习惯的动态捕捉上。
翻译一下：我们没说过购买连衣裙的价格低于128元就是低价人群，但是为每个人打上标签这种事，我们还是经常干的。
美国经济学家、史学家克拉克曾经写了一本书，叫做《The Son Also Rises》，里面有一个很有意思的观点，说是从出生那一刻起，我们的阶层就在很大程度上已经决定了。而在大数据的世界之中也同样残酷，通过对我们行为的分析，大数据已经暗中为我们分好了类，你是穷还是富，是大手大脚还是勤俭持家，都有一套标签系统为自己而准备，这套标签系统收集的数据越多，那么我们的真实身份就愈加难以隐蔽。
那么，这些决定着网站要像我们推销什么商品、或是提供什么服务的用户标签到底是如何得出来的呢？
原理其实并不复杂，大数据系统在收集了用户的身份信息、人口等社会信息、账户信息、特征偏好之后，会进行统一的分析，并将相对的数据维度进行聚类，继而对用户打上相应的标签。其还会根据不同数据的权重来对用户价值进行评分，从而指导其具体业务的实施。
阿里云上的用户行为分析模型
回到我们文章开头提到的连衣裙指数，这更接近于客户关系管理中的RFM模型。该机械模型通过一个客户的最近一次消费（Recency）、消费频率（Frequency）以及消费金额（Monetary） 3项指标来描述该客户的价值状况。
RFM模型
如果你在某个网站上消费频率较高、消费金额也较大，那么恭喜你，你可能被该平台归类于高价值客户，给你推送的也可能都是一些高价格的商品。当然，这并不一定是好事，因为在成为高价值客户之后，你往往会惊讶的发现，为什么同样一件商品，卖给我的价格要比朋友高很多？原因不难理解，大数据会认为你对高价格的商品有更强的支付能力，因此就偷偷的把东西以更高的价格卖给你。
所以，最容易得到实惠的往往是那些“纠结类”的用户，这会被系统认为是高挽留价值的用户。有人曾经支了一招，说是只要你在某平台上将商品反复加入购物车，几天之后就会收到平台给你的优惠券。因为大数据分析系统会认为：你对价格很敏感，很容易跳到其它的平台上购买，还是给你点优惠，让你赶紧把东西买了才是王道。
大家有没有发现，这套用户标签系统虽然看起来很厉害，但是还是有着不小的漏洞，那就是只能按照现在的数据进行判断，如果用户输入的数据就是错的呢？岂不是这个标签系统就会得出完全背离的结论。举个例子来说，用户完全可以伪造、或者随便填一下自己的性别与出生日期，这些错误的数据会误导标签的计算结果。再比如说，一个用户的标签可能随时都在变动之中，今年可能是窘迫的穷学生，明年就可能成为月薪数万的金领，简单的用户画像显然无法应对这些变化。
自从深度学习、机器学习等技术出现之后，深度用户画像技术将可以很好的解决这一问题。其基于已有数据或者一定规则加工而来，并通过神经网络计算，以及数据的实时采集与更新，对于模型进行不断的训练，感知数据在时间、空间等不同维度上的变化。以下为某专家建立的感知时序数据的RNN模型，能够对用户某段短时间内的购买行为综合分析学习，从而对用户画像进行调整。
深度时序模型
显然，我们需要大数据分析，因为这可以帮助我们获得更为个性化的产品与服务，但同时，更多的人拒绝异化成为冰冷的数据，以大数据的标签来对个体进行评判更容易带来人性的灾难。还是以连衣裙指数为例，谁知道那个只会在网上买廉价连衣裙的女孩，不是一个善良持家，将更多钱用来捐助贫困学生、追求精神层面提升的好女孩呢？
对于商家来说，在生成精准的用户标签的同时，还应该更加关注整体数据层面的运营，并通过人工决策来对策略进行更加精准的调整。DataHunter 建议称，商家可以借助 Data Analytics 等 BI 数据分析平台，通过自助式的数据处理方式，从销售、渠道等各种数据之中获取相应的洞察。这一数据监控与管理需要严格脱离个体层面，而是应该从整体上为商家的运营决策提供支撑。
DataHunter 为某客户建立的用户增长系统
为了避免人性被数据“异化”，需要严格来界定个人隐私与用户行为分析之间的界限。在数据层面，DataHunter 建议，数据需要在脱敏加密之后放进“数据黑箱”，由机器学习等系统来自动的进行聚类与分析，这不仅有利于得到更精准的用户画像，也能够更好地保护用户隐私。
