使資料走出資料倉庫的使用者畫像

在大資料時代，企業內儲存了大量原始資料和業務資料，使用者的一切行為在企業面前是可追溯、可分析的；使用者的業務、行為等大資料的研究與應用也被企業關注、聚焦。

如何利用大資料來為精細化運營和精準營銷服務？

很多公司在大資料基礎建設上投入很多，也做了不少報表，但業務部門覺得大資料和傳統報表沒什麼區別，也沒能體會大資料對業務有什麼幫助和價值；究其原因，其實是資料靜止在資料倉庫，使資料走出資料倉庫，成為很多企業的訴求及問題所在。

這裡所說的使用者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。

這裡描述的使用者畫像是使使用者資訊標籤化，透過收集使用者的社會屬性、消費習慣、偏好特徵等各個維度的資料；進而對使用者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，從而抽象出使用者資訊；是資料驅動運營的基礎，是大資料落地應用的一個重要方向。

一、“資料驅動+使用者驅動”的設計理念

使用者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臺，充分利用原有系統中積累的寶貴資料，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，進而滿足決策的資訊需求和實現透過技術輔助決策的功能，需求的梳理也變得至關重要。

資料驅動是根據當前業務資料的基礎和質量情況，以資料來源的分析為出發點構建資料倉庫。

使用者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。

使用者畫像建模其實就是對使用者“打標籤”，企業可以透過對現有業務資料分析，清楚的知道原有的資料庫系統中已有什麼，對當前使用者畫像系統設計有什麼影響等；也可以為利用已有的資料和程式碼，為建設提供方便。

資料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型別，例如：對於某個使用者來說，其姓名、性別、年齡、地市、活躍時長等，這類資料可以從使用者註冊資料、使用者消費資料中得出，該類資料構成了使用者畫像的基礎。
• 規則類標籤：該類標籤基於使用者行為確定的規則產生。例如：定義該使用者為高頻投訴使用者，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，而資料人員對資料的結構、分佈、特徵更為熟悉，因此規則類標籤的規則由運營人員和資料人員共同協商確定。
• 學習挖掘類標籤：該類標籤透過系統智慧化學習挖掘產生，用於對使用者的某些屬性或某些行為進行預測判斷；例如：根據使用者的消費行為習慣判斷該使用者的消費能力、對某類商品的偏好程度，該類標籤需要透過演算法挖掘產生。

在專案工程實踐中，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透過使用者的消費習慣、行為習慣、近期業務資料的綜合判斷預測業務場景；如使用者購買商品推薦，使用者流失意向等，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、資料指標體系建設

資料最終的價值還是要落地執行，為業務帶來實際價值。

資料指標體系是建立使用者畫像的關鍵環節，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。

網際網路企業在建立使用者畫像時一般除了給予使用者維度建立一套使用者標籤體系外，還會基於使用者裝置等建立相應的標籤體系，建立的使用者標籤按照標籤型別可以分為統計類、規則類和學習挖掘類；從建立標籤維度來看，可以將其分為使用者屬性類、使用者行為類、使用者消費類和風險控制類等常見型別。

下面簡單舉例幾類標籤：

• 使用者屬性維度標籤：使用者屬性是刻畫使用者的基礎，常見的使用者屬性指標包括，年齡、性別、註冊時間、星級、地市、歷史購買記錄等；使用者屬性標籤建成後可以為售後服務、瞭解使用者基本情況等場景提供支撐；
• 使用者行為維度標籤：使用者行為是另一種刻畫使用者常見維度，透過使用者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、高頻使用者等；
• 使用者消費維度標籤：對於使用者消費維度指標體系的建設，可以從使用者瀏覽、收藏、搜尋商品對應的品類入手，品類越精細，給使用者推薦或營銷的準確性越高；將商品品類抽象成標籤後，可透過品類+行為的組合應用方式找到目標潛在使用者人群。

使用者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，也可將使用者標籤體系歸為使用者屬性、使用者行為、營銷場景、地域細分、偏好細分、使用者分層等維度。

三、使用者畫像產品化及應用

使用者資料標籤化後，如果只是儲存在資料倉庫中，並不能發揮更大的業務價值，只有將畫像資料產品化後才能更便於業務方使用。

關於如何搭建使用者分析後臺系統，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使用者畫像系統功能：

• 使用者分群功能：在開展分析過程時，業務人員往往不會只檢視某一類標籤對應人群的情況，更多地可能需要組合多個標籤滿足其在業務上對人群的定義，例如：近30日訪問次數大於10且為男性的高星級使用者，檢視該類人群覆蓋的使用者量，以及人群的各維度特徵；
• 人群分析功能：人群分析提供根據現有使用者標籤圈定使用者群，同時業務人員可以從多個維度進一步分析該批使用者群的特徵，從而為精細化運營提供支援。

使用者畫像產品化是把資料應用到業務服務中的一個重要出口，業務人員熟知業務，但對資料不瞭解；透過產品視覺化的方式，方便業務人員分析使用者群特徵，將分析後的使用者群推送到對應業務系統中觸達使用者，更方便快捷地將資料賦能到業務場景中去。

使用者畫像產品化後就成為業務人員分析使用者、觸達使用者的有效工具，藉助畫像開展商品分析、使用者分析、渠道分析、漏斗分析、特徵分析多維度分析瞭解使用者特徵；可進一步透過推送、簡訊、電話等多渠道觸達、運營使用者開展精準營銷、個性化推薦與服務，提升使用者體驗。

四、小結

使用者畫像系統解決方案包含多個層面，從目標解讀、梳理現有資料、構建資料指標體系、標籤資料儲存、效能調優、使用者畫像產品化及應用等；其中標籤資料及相關指令碼的開發是使用者畫像構建工作的重點，一個符合本企業的使用者畫像系統是需要業務人員與開發人員共同努力不斷打磨。

資料的最終目的是走出資料倉庫，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端專案開發建設，多年B端產品使用者體驗研究設計工作經驗。

本文由 @迎風走 原創釋出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