用户画像作为大数据的根基，它完美地抽象出一个用户的信息全貌，为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息，提供了足够的数据基础，奠定了大数据时代的基石。

用户画像，即用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌作是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。

对于大型电商系统来说，用户画像系统是必不可少的，用户画像系统能很好地帮助企业去运营网站和产品，比如广告的精准营销、增加系统的趣味性、增加用户的粘度等等。

本课程基于真实的大型电商系统场景下讲解的用户画像系统，本系统采用第四代计算引擎Flink，同时采用微服务架构Spring Boot+Spring Cloud 架构 ，前端采用Vue.js+Node.js架构，完全符合目前企业级的使用标准。

项目中采用到的算法包含Logistic Regression、Kmeans、TF-IDF等，Flink暂时支持的算法比较少，对于以上算法，本课程将手把手带大家用Flink实现，并且结合真实场景，学完即用。本套教程的Flink算法部分属于国内课程首创。 系统包含所有终端的数据（移动端、pc端、小程序端，快应用等等），支持亿级数据量的分析和查询，并且是实时和近实时的对用户进行画像计算。
 

 

课程所涵盖的知识点包括：Flink、Mongodb、Hbase、Vue.js、Node.js、Kafka、Flume、springBoot、springCloud、hdfs、highcharts等等

课程所用到的开发环境  

开发环境为：Window7

开发工具为：IDEA

开发版本为：Flink1.7.0、Hadoop2.6.0、Hbase1.0.0、SpringBoot版本2.0.2.RELEASE、SpringCloud版本Finchley.RELEASE

 

课程亮点：
1.第四代计算引擎Flink1.7
2.SpringBoot版本2.0.2.RELEASE+SpringCloud版本Finchley.RELEASE 
3.算法处理包含Logistic Regression、Kmeans、TF-IDF等
4.统计所有终端的数据（移动端、pc端、小程序端，快应用等）
5.亿级海量数据用户画像 
6.实时和近实时的对用户进行画像计算
7.前端采用Vue.js+Node.js架构
 

企业一线架构师讲授，代码企业直接复用，提供企业解决方案。
 

课时1、课程介绍
课时2、项目价值说明
课时3、项目架构讲解
课时 4、数据来源说明
课时 5 : 静态信息和动态信息说明
课时 6 : 用户画像之还原真实场景表结构定义讲解
课时 7 : 用户画像之flink画像分析模块项目构建
课时 8 : 用户画像之hadoop环境搭建
课时 9 : 用户画像之hbase环境搭建
课时 10 : 用户画像之mongo环境搭建
课时 11 : 用户画像之年代标签代码编写1
课时 12 : 用户画像之flink结合hbase保存年代标签代码编写
课时 13 : 用户画像之年代群体数量统计代码编写1
课时 14 : 用户画像之flink结合mongo保存年代群体数量
课时 15 : 用户画像之手机运营商标签代码编写1
课时 16 : 用户画像之手机运营商标签代码编写2
课时 17 : 用户画像之邮件运营商标签代码编写1
课时 18 : 用户画像之邮件运营商标签代码编写2
课时 19 : 用户画像之还原真实消费信息表结构定义
课时 20 : 用户画像之败家指数计算规则定义
课时 21 : 用户画像之败家指数代码编写1
课时 22 : 用户画像之败家指数代码编写2
课时 23 : 用户画像之败家指数代码编写3
课时 24 : 用户画像之败家指数代码编写4
课时 25 : 用户画像之败家指数代码编写5