大數據應用之數據畫像建設

大家經常聽到一個詞，叫做“畫像”，結合具體對象就是：“用戶畫像”、“商品畫像”、“產品畫像”、“資產畫像”、……。特別是大數據時代下，在實際企業中，利用大數據進行“畫像”建設是企業經營的基礎，建設企業競爭優勢重要的工具之一，當然也是大數據在企業應用最價值重要的場景之一。

去評價一家企業數據化運營程度，或者說數據驅動程度，或者說是否是用“數據說話”。也許嘗試問下面幾個問題可以進行評估：

1、是否建設了“畫像”?

2、“畫像”體系構建程度，針對什么對象進行了畫像。

3、如何應用已經構建好的”畫像”，已經構建畫像的各種標簽與指標。

4、……

畫像為什么對企業那么重要，如何進行畫像建設，我會后續把相關經驗分享給大家，這篇文本更多從一些案例，讓大家對于用戶畫像建設有直接的感覺。

標簽是畫像建設的基礎

畫像的建設過程分成下面幾部分：

在畫像建設中，標簽的構建是關鍵。本文重點來講數據標簽的建設。標簽是各類數據指標結合具體的應用/業務場景來構建，如果沒有應用場景構建出來的標簽往往就很難“落地“。

我們下面講二個案例來說明數據標簽建設過程：

案例一：用戶的商品價格偏好標簽

某公司的業務團隊想要了解用戶的消費偏好是怎么樣的。當業務團隊說我們要構建用戶消費偏好畫像的時候，往往是指各種場景下用戶是如何選擇做出選擇的，所以需要具體把偏愛畫像拆分成幾個不同數據標簽：

我們以價格偏好為例，也就是說用戶的在購物時候偏好于哪個價格帶的商品。對于價格帶的偏好，構建步驟如下：

取用戶歷史購買消費記錄，統計用戶歷史購買商品的價格，然后對價格進行區間劃分?？从脩糍徺I的價格帶主要集中在哪個區間中(價格帶偏愛應該是一個相對動態的標簽，更新頻率可能一個月需要定期更，而且選擇的時間段也應該是過去某個時間，不應該選擇過長時間段。大家想想為什么?)。如何進行價格區間劃分?

方法一：按統計學的方法：

1、按分位數進行。例如：25%，50%，75%

2、按等箱原則。劃分幾等分

3、看數據的分布。

4、……

方法二：按業務知識經驗

把價格帶按業務經驗，行業經驗進行劃分。

通過數據統計出來，我們可以看用戶是否商品單價是否集中的某個區間范圍內。例如,某用戶購買的商品價格主要集中在30到40這個區間內，根據歷史顯示可以說，用戶可能偏好于購買這個價格帶的商品。當未來我們需要做促銷商品推薦的時候，可以向該用戶重點推薦打折后在這個價格區間的商品。

通過用戶購買的價格區間，以及結合商品所歸屬的品類，可以看這個價格區間在這個品類中屬于什么級別的?？梢赃M一步給用戶打上：注重品牌、注重高性價比等標簽。

例如：如果某個品類商品的價格范圍是(5，40]，該用戶購物商品主要集中(30，40]這個商品價格區間，用戶在這個品類的消費上都是最高價格區間，說明這個用戶在購買這個品類主要購買的高端商品。這樣又可以為這個用戶打上在這個品類的消費特征標簽：品類高端用戶。

案例二：用戶流失概率標簽

我們經常會聽說一個數據： “養一個新客戶的成本是維護一個老客戶成本的5倍?在利潤貢獻方面，老用戶更是新用戶的16倍”

當然這個5倍更應該理解為期間，更應該理解為：相對爭取一個新客，更應該花時間與精力在維護好一個老客上。為什么呢?(同學們一起思考一下) 做用戶運營的同學對于流失用戶主要痛點如下：

1、那如何去給用戶打上流失概率的標簽?

2、如何及時更新這個流失概率的標簽?

3、什么時候應該開始需要給流失用戶進行營銷?

4、針對不同流失概率的用戶是否要設計不一樣的策略?

5、對潛在流失用戶，應該設計什么樣的策略?

6、對不同類型流失特征的用戶，應該投入的成本多少?

7、…….

對于老客的維護，首先應該及時知道用戶的流失概率多少?隨時時間的推移流失概率是否有變動，特別是流失概率高的用戶要及時進行營銷避免真的流失。

流失概率用大數據中機器學習的方法預測，而且根據用戶產生的行為可以實時去計算用戶流失概率標簽(用戶的流失概率應該是動態,是否需要非常高的時效性，還要結合具體開發成本)。通知運營同學根據不同的用戶特征，設計好營銷策略。當用戶滿足相應條件時間，會自動促銷相應的營銷策略，這才是大數據應該有的場景。

我們如何給用戶的流失概率打上標簽呢?如果你的公司的業務比較穩定，公司的業務有一定周期(這個周期多長，要看你公司的業務模式，是對B還是對C)，我們會使用機器學習/數據挖掘的方法來去計算這個概率是比較準確的，如果業務太新，數據積累太少建模型往往不是一個好的選擇。

我們還是以電商為案例背景，這個公司的CRM團隊，希望知道用戶流失的概率，根據流失概率定期對相關的用戶進行營銷，降低用戶的流失率。如何構建這個模型從而打上流失概率標簽，主要步驟如下：

業務理解。與業務溝通分析流失用戶特征，用戶的生命周期定義。例如：多久沒有和公司互動或者交易定義為休眼，多久沒有交易認為是流失了。

業務分析。流失用戶的可能的原因是什么，根據這些原因，相應去找到或者設計預期指標。例如：如果用戶有過差評，流失可能性高。用戶經?？吹焦旧唐啡必?，流失可能性高。

模型構建。設計流失用戶的預測模型。根據之前的業務流程，業務知識的梳理，圍繞用戶設計一系列的指標，如下圖所示，會從各個方面進行指標清洗，放到模型中建模。

本篇文章主要讓大家對于數據畫像建設有一個直觀的感覺，后續的文章中，我們將逐一介紹數據畫像更細看步驟和過程。