大家經常聽到一個詞，叫做“畫像”，結合具體對象就是：“使用者畫像”、“商品畫像”、“産品畫像”、“資産畫像”……特别是大資料時代下，在實際企業中，利用大資料進行“畫像”建設是企業經營的基礎，建設企業競争優勢重要的工具之一，當然也是大資料在企業應用最價值重要的場景之一。
去評價一家企業資料化營運程度，或者說資料驅動程度，或者說是否是用“資料說話”。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”體系建構程度，針對什麼對象進行了畫像。
3、如何應用已經建構好的”畫像”，已經建構畫像的各種标簽與名額。
4、……
畫像為什麼對企業那麼重要，如何進行畫像建設，我會後續把相關經驗分享給大家，這篇文本更多從一些案例，讓大家對于使用者畫像建設有直接的感覺。
标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，标簽的建構是關鍵。本文重點來講資料标簽的建設。标簽是各類資料名額結合具體的應用/業務場景來建構，如果沒有應用場景建構出來的标簽往往就很難“落地“。
我們下面講二個案例來說明資料标簽建設過程：
案例一：使用者的商品價格偏好标簽
某公司的業務團隊想要了解使用者的消費偏好是怎麼樣的。當業務團隊說我們要建構使用者消費偏好畫像的時候，往往是指各種場景下使用者是如何選擇做出選擇的，是以需要具體把偏愛畫像拆分成幾個不同資料标簽：
我們以價格偏好為例，也就是說使用者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，建構步驟如下：
取使用者曆史購買消費記錄，統計使用者曆史購買商品的價格，然後對價格進行區間劃分。看使用者購買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态的标簽，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。大家想想為什麼?)。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、 看資料的分布。
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。
通過資料統計出來，我們可以看使用者是否商品單價是否集中的某個區間範圍内。例如,某使用者購買的商品價格主要集中在30到40這個區間内，根據曆史顯示可以說，使用者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，可以向該使用者重點推薦打折後在這個價格區間的商品。
通過使用者購買的價格區間，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麼級别的。可以進一步給使用者打上：注重品牌、注重高成本效益等标簽。
例如：如果某個品類商品的價格範圍是(5，40]，該使用者購物商品主要集中(30，40]這個商品價格區間，使用者在這個品類的消費上都是最高價格區間，說明這個使用者在購買這個品類主要購買的高端商品。這樣又可以為這個使用者打上在這個品類的消費特征标簽：品類高端使用者。
案例二：使用者流失機率标簽
我們經常會聽說一個資料： “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，老使用者更是新使用者的16倍”
當然這個5倍更應該了解為期間，更應該了解為：相對争取一個新客，更應該花時間與精力在維護好一個老客上。為什麼呢?(同學們一起思考一下) 做使用者營運的同學對于流失使用者主要痛點如下：
1、 那如何去給使用者打上流失機率的标簽?
2、 如何及時更新這個流失機率的标簽?
3、 什麼時候應該開始需要給流失使用者進行營銷?
4、 針對不同流失機率的使用者是否要設計不一樣的政策?
5、 對潛在流失使用者，應該設計什麼樣的政策?
6、 對不同類型流失特征的使用者，應該投入的成本多少?
對于老客的維護，首先應該及時知道使用者的流失機率多少?随時時間的推移流失機率是否有變動，特别是流失機率高的使用者要及時進行營銷避免真的流失。
流失機率用大資料中機器學習的方法預測，而且根據使用者産生的行為可以實時去計算使用者流失機率标簽(使用者的流失機率應該是動态,是否需要非常高的時效性，還要結合具體開發成本)。通知營運同學根據不同的使用者特征，設計好營銷政策。當使用者滿足相應條件時間，會自動促銷相應的營銷政策，這才是大資料應該有的場景。
我們如何給使用者的流失機率打上标簽呢?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/資料挖掘的方法來去計算這個機率是比較準确的，如果業務太新，資料積累太少模組化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，希望知道使用者流失的機率，根據流失機率定期對相關的使用者進行營銷，降低使用者的流失率。如何建構這個模型進而打上流失機率标簽，主要步驟如下：
業務了解。 與業務溝通分析流失使用者特征，使用者的生命周期定義。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。流失使用者的可能的原因是什麼，根據這些原因，相應去找到或者設計預期名額。例如：如果使用者有過差評，流失可能性高。使用者經常看到公司商品缺貨，流失可能性高。
模型建構。 設計流失使用者的預測模型。根據之前的業務流程，業務知識的梳理，圍繞使用者設計一系列的名額，如下圖所示，會從各個方面進行名額清洗，放到模型中模組化。
來自：資料海洋
本文轉自d1net（轉載）