使數據走出數據倉庫的用户畫像

在大數據時代，企業內保存了大量原始數據和業務數據，用户的一切行為在企業面前是可追溯、可分析的；用户的業務、行為等大數據的研究與應用也被企業關注、聚焦。

如何利用大數據來為精細化運營和精準營銷服務？

很多公司在大數據基礎建設上投入很多，也做了不少報表，但業務部門覺得大數據和傳統報表沒什麼區別，也沒能體會大數據對業務有什麼幫助和價值；究其原因，其實是數據靜止在數據倉庫，使數據走出數據倉庫，成為很多企業的訴求及問題所在。

這裏所説的用户畫像不同於產品設計之初的人物建模，產品設計時的人物建模主要是用於確定產品功能及行為進行決策。

這裏描述的用户畫像是使用户信息標籤化，通過收集用户的社會屬性、消費習慣、偏好特徵等各個維度的數據；進而對用户或者產品特徵屬性進行刻畫，並對這些特徵進行分析、統計，挖掘潛在價值，從而抽象出用户信息；是數據驅動運營的基礎，是大數據落地應用的一個重要方向。

一、“數據驅動+用户驅動”的設計理念

用户畫像系統建設的目標就是要為企業提供一個統一的分析平台，充分利用原有系統中積累的寶貴數據，對其進行深層次的發掘；並從不同的角度分析企業的各種業務指標和構建業務知識模型，進而滿足決策的信息需求和實現通過技術輔助決策的功能，需求的梳理也變得至關重要。

數據驅動是根據當前業務數據的基礎和質量情況，以數據源的分析為出發點構建數據倉庫。

用户驅動是根據業務的方向性需求，從業務需要解決的具體問題出發，確定系統範圍和需求框架。

用户畫像建模其實就是對用户“打標籤”，企業可以通過對現有業務數據分析，清楚的知道原有的數據庫系統中已有什麼，對當前用户畫像系統設計有什麼影響等；也可以為利用已有的數據和代碼，為建設提供方便。

數據大體可以劃分為三類：

• 統計類標籤：這類標籤是最為基礎也最為常見的標籤類型，例如：對於某個用户來説，其姓名、性別、年齡、地市、活躍時長等，這類數據可以從用户註冊數據、用户消費數據中得出，該類數據構成了用户畫像的基礎。
• 規則類標籤：該類標籤基於用户行為確定的規則產生。例如：定義該用户為高頻投訴用户，口徑為“近30天投訴次數＞10”；在實際開發畫像的過程中，由於運營人員對業務更為熟悉，而數據人員對數據的結構、分佈、特徵更為熟悉，因此規則類標籤的規則由運營人員和數據人員共同協商確定。
• 學習挖掘類標籤：該類標籤通過系統智能化學習挖掘產生，用於對用户的某些屬性或某些行為進行預測判斷；例如：根據用户的消費行為習慣判斷該用户的消費能力、對某類商品的偏好程度，該類標籤需要通過算法挖掘產生。

在項目工程實踐中，統計類和規則類標籤即可滿足應用場景的需求，學習類標籤更多的是通過用户的消費習慣、行為習慣、近期業務數據的綜合判斷預測業務場景；如用户購買商品推薦，用户流失意向等，一般機器學習標籤開發週期教程，開發成本較高，因此開發比例佔比較小。

二、數據指標體系建設

數據最終的價值還是要落地運行，為業務帶來實際價值。

數據指標體系是建立用户畫像的關鍵環節，也是在標籤開發前要進行的工作，需要結合企業的業務情況設定相關的指標。

互聯網企業在建立用户畫像時一般除了給予用户維度建立一套用户標籤體系外，還會基於用户設備等建立相應的標籤體系，建立的用户標籤按照標籤類型可以分為統計類、規則類和學習挖掘類；從建立標籤維度來看，可以將其分為用户屬性類、用户行為類、用户消費類和風險控制類等常見類型。

下面簡單舉例幾類標籤：

• 用户屬性維度標籤：用户屬性是刻畫用户的基礎，常見的用户屬性指標包括，年齡、性別、註冊時間、星級、地市、歷史購買記錄等；用户屬性標籤建成後可以為售後服務、瞭解用户基本情況等場景提供支撐；
• 用户行為維度標籤：用户行為是另一種刻畫用户常見維度，通過用户行為可以挖掘其偏好和特徵；常見的指標包括近x日訪問次數、近x日客單價、近x日訪問時長、高頻用户等；
• 用户消費維度標籤：對於用户消費維度指標體系的建設，可以從用户瀏覽、收藏、搜索商品對應的品類入手，品類越精細，給用户推薦或營銷的準確性越高；將商品品類抽象成標籤後，可通過品類+行為的組合應用方式找到目標潛在用户人羣。

用户標籤體系的歸類並不侷限於此，需要結合企業業務訴求去構建，也可將用户標籤體系歸為用户屬性、用户行為、營銷場景、地域細分、偏好細分、用户分層等維度。

三、用户畫像產品化及應用

用户數據標籤化後，如果只是存儲在數據倉庫中，並不能發揮更大的業務價值，只有將畫像數據產品化後才能更便於業務方使用。

關於如何搭建用户分析後台系統，各企業的業務訴求存在較大差異，再此不做詳細展開，簡單列舉兩個常見的用户畫像系統功能：

• 用户分羣功能：在開展分析過程時，業務人員往往不會只查看某一類標籤對應人羣的情況，更多地可能需要組合多個標籤滿足其在業務上對人羣的定義，例如：近30日訪問次數大於10且為男性的高星級用户，查看該類人羣覆蓋的用户量，以及人羣的各維度特徵；
• 人羣分析功能：人羣分析提供根據現有用户標籤圈定用户羣，同時業務人員可以從多個維度進一步分析該批用户羣的特徵，從而為精細化運營提供支持。

用户畫像產品化是把數據應用到業務服務中的一個重要出口，業務人員熟知業務，但對數據不瞭解；通過產品可視化的方式，方便業務人員分析用户羣特徵，將分析後的用户羣推送到對應業務系統中觸達用户，更方便快捷地將數據賦能到業務場景中去。

用户畫像產品化後就成為業務人員分析用户、觸達用户的有效工具，藉助畫像開展商品分析、用户分析、渠道分析、漏斗分析、特徵分析多維度分析瞭解用户特徵；可進一步通過推送、短信、電話等多渠道觸達、運營用户開展精準營銷、個性化推薦與服務，提升用户體驗。

四、小結

用户畫像系統解決方案包含多個層面，從目標解讀、梳理現有數據、構建數據指標體系、標籤數據存儲、性能調優、用户畫像產品化及應用等；其中標籤數據及相關腳本的開發是用户畫像構建工作的重點，一個符合本企業的用户畫像系統是需要業務人員與開發人員共同努力不斷打磨。

數據的最終目的是走出數據倉庫，應用到業務系統和營銷系統中來驅動營收增長。

作者：越山鷹，參與過數十個超大型B端項目開發建設，多年B端產品用户體驗研究設計工作經驗。

本文由 @迎風走 原創發佈於人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基於CC0協議