|使数据走出数据仓库的用户画像

编辑导语：我们在用一些软件时，会发现他的推送非常符合你的兴趣爱好；这就是大数据时代，企业会根据你的各种信息赋予你一个用户画像并进行分析；本文作者详细介绍了是数据走出数据仓库的用户画像，我们一起来看一下。

本文插图

在大数据时代，企业内保存了大量原始数据和业务数据，用户的一切行为在企业面前是可追溯、可分析的；用户的业务、行为等大数据的研究与应用也被企业关注、聚焦。
如何利用大数据来为精细化运营和精准营销服务？
很多公司在大数据基础建设上投入很多，也做了不少报表，但业务部门觉得大数据和传统报表没什么区别，也没能体会大数据对业务有什么帮助和价值；究其原因，其实是数据静止在数据仓库，使数据走出数据仓库，成为很多企业的诉求及问题所在。
这里所说的用户画像不同于产品设计之初的人物建模，产品设计时的人物建模主要是用于确定产品功能及行为进行决策。
这里描述的用户画像是使用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据；进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值，从而抽象出用户信息；是数据驱动运营的基础，是大数据落地应用的一个重要方向。
一、“数据驱动+用户驱动”的设计理念
用户画像系统建设的目标就是要为企业提供一个统一的分析平台，充分利用原有系统中积累的宝贵数据，对其进行深层次的发掘；并从不同的角度分析企业的各种业务指标和构建业务知识模型，进而满足决策的信息需求和实现通过技术辅助决策的功能，需求的梳理也变得至关重要。
数据驱动是根据当前业务数据的基础和质量情况，以数据源的分析为出发点构建数据仓库。
用户驱动是根据业务的方向性需求，从业务需要解决的具体问题出发，确定系统范围和需求框架。

本文插图

用户画像建模其实就是对用户“打标签” ，企业可以通过对现有业务数据分析，清楚的知道原有的数据库系统中已有什么，对当前用户画像系统设计有什么影响等；也可以为利用已有的数据和代码，为建设提供方便。
数据大体可以划分为三类：

统计类标签：这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础。
规则类标签：该类标签基于用户行为确定的规则产生。例如：定义该用户为高频投诉用户，口径为“近30天投诉次数＞10”；在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定。
学习挖掘类标签：该类标签通过系统智能化学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断；例如：根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度，该类标签需要通过算法挖掘产生。

在项目工程实践中，统计类和规则类标签即可满足应用场景的需求，学习类标签更多的是通过用户的消费习惯、行为习惯、近期业务数据的综合判断预测业务场景；如用户购买商品推荐，用户流失意向等，一般机器学习标签开发周期教程，开发成本较高，因此开发比例占比较小。
二、数据指标体系建设
数据最终的价值还是要落地运行，为业务带来实际价值。
数据指标体系是建立用户画像的关键环节，也是在标签开发前要进行的工作，需要结合企业的业务情况设定相关的指标。
互联网企业在建立用户画像时一般除了给予用户维度建立一套用户标签体系外，还会基于用户设备等建立相应的标签体系，建立的用户标签按照标签类型可以分为统计类、规则类和学习挖掘类；从建立标签维度来看，可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。
下面简单举例几类标签：

用户属性维度标签：用户属性是刻画用户的基础，常见的用户属性指标包括，年龄、性别、注册时间、星级、地市、历史购买记录等；用户属性标签建成后可以为售后服务、了解用户基本情况等场景提供支撑；
用户行为维度标签：用户行为是另一种刻画用户常见维度，通过用户行为可以挖掘其偏好和特征；常见的指标包括近x日访问次数、近x日客单价、近x日访问时长、高频用户等；
用户消费维度标签：对于用户消费维度指标体系的建设，可以从用户浏览、收藏、搜索商品对应的品类入手，品类越精细，给用户推荐或营销的准确性越高；将商品品类抽象成标签后，可通过品类+行为的组合应用方式找到目标潜在用户人群。

用户标签体系的归类并不局限于此，需要结合企业业务诉求去构建，也可将用户标签体系归为用户属性、用户行为、营销场景、地域细分、偏好细分、用户分层等维度。

本文插图

三、用户画像产品化及应用
用户数据标签化后，如果只是存储在数据仓库中，并不能发挥更大的业务价值，只有将画像数据产品化后才能更便于业务方使用。
关于如何搭建用户分析后台系统，各企业的业务诉求存在较大差异，再此不做详细展开，简单列举两个常见的用户画像系统功能：

用户分群功能：在开展分析过程时，业务人员往往不会只查看某一类标签对应人群的情况，更多地可能需要组合多个标签满足其在业务上对人群的定义，例如：近30日访问次数大于10且为男性的高星级用户，查看该类人群覆盖的用户量，以及人群的各维度特征；
人群分析功能：人群分析提供根据现有用户标签圈定用户群，同时业务人员可以从多个维度进一步分析该批用户群的特征，从而为精细化运营提供支持。

用户画像产品化是把数据应用到业务服务中的一个重要出口，业务人员熟知业务，但对数据不了解；通过产品可视化的方式，方便业务人员分析用户群特征，将分析后的用户群推送到对应业务系统中触达用户，更方便快捷地将数据赋能到业务场景中去。
用户画像产品化后就成为业务人员分析用户、触达用户的有效工具，借助画像开展商品分析、用户分析、渠道分析、漏斗分析、特征分析多维度分析了解用户特征；可进一步通过推送、短信、电话等多渠道触达、运营用户开展精准营销、个性化推荐与服务，提升用户体验。
四、小结
用户画像系统解决方案包含多个层面，从目标解读、梳理现有数据、构建数据指标体系、标签数据存储、性能调优、用户画像产品化及应用等；其中标签数据及相关脚本的开发是用户画像构建工作的重点，一个符合本企业的用户画像系统是需要业务人员与开发人员共同努力不断打磨。
数据的最终目的是走出数据仓库，应用到业务系统和营销系统中来驱动营收增长。
作者：越山鹰，参与过数十个超大型B端项目开发建设，多年B端产品用户体验研究设计工作经验。
本文由 @迎风走原创发布于人人都是产品经理，未经许可，禁止转载。
【|使数据走出数据仓库的用户画像】题图来自 Unsplash ，基于CC0协议