什麼是用戶畫像
用戶畫像這個理念是交互設計之父阿蘭·庫珀提出來的。他說用戶畫像是真實用戶的虛擬代表，是建立在一系列真實數據之上的目標用戶模型。是根據用戶的屬性及行爲特徵，抽象出相應的標籤，擬合而成的虛擬的形象，主要包含基本屬性、社會屬性、行爲屬性及心理屬性。需要注意的是，用戶畫像是將一類有共同特徵的用戶聚類分析後得出的，因而並非針對某個具像的特定個人。
例如：
女，31歲，已婚，收入1萬以上，愛美食，團購達人，喜歡紅酒配香菸。這樣一串描述即爲用戶畫像的典型示範。
用戶畫像的組成是若干用戶標籤的集合。
企業通過收集、分析消費者社會屬性、生活習慣、消費行爲等主要信息的數據之後，完美地抽象出一個用戶的商業全貌作是企業應用大數據技術的基本方式。
用戶畫像爲企業提供了足夠的信息基礎，能夠幫助企業快速找到精準用戶羣體以及用戶需求等廣泛的信息。
用戶畫像有很多的的標籤組成，每個標籤都是一種觀察、認識、描述用戶的角度。標籤根據企業業務的發展情況，或多或少，對外而言都是一個整體，這個整體稱之爲用戶畫像。
用戶畫像的作用
-
引導產品優化
因爲清晰知道用戶是誰，哪個羣體佔比大去調整產品功能體驗！
假如手機目標用戶中商務羣體居多，最怕沒電，手機辦公可能是巨大需求，就在電池容量，內置辦公等功能要強化。
-
改進服務質量
畫像越清晰，越懂用戶。如何在體驗服務上升級就有目標了。
-
利於精準營銷
知己知彼，才讓營銷有效也不會招人討厭。
就像上面提到的餐廳，如果親子用餐羣體較多，那是不是可以多跟一些親子類社羣和企業合作，廣告投放也會以這類爲主，提升轉化率~
用戶畫像本質就是從業務角度出發對用戶進行分析，瞭解用戶需求，尋找目標客戶。另外一個方面就是，金融企業利用統計的信息，開發出適合目標客戶的產品。
不同企業對於用戶畫像有着不同對理解和需求。舉個例子，金融行業和汽車行業對於用戶畫像需求的信息完全不一樣，信息緯度也不同，對畫像結果要求也不同。每個行業都有一套適合自己行業的用戶畫像方法，但是其核心都是爲客戶服務，爲業務場景服務。
使用場景：
場景一，按需設計：
改變原有的先設計、再銷售的傳統模式，在研發新產品前，先基於產品期望定位，在用戶畫像平臺中分析該用戶羣體的偏好，有針對性的設計產品，從而改變原先新產品高失敗率的窘境，增強銷售表現。
比如，某公司想研發一款智能手錶，面向28-35歲的年輕男性，通過在平臺中進行分析，發現材質=“金屬”、風格=“硬朗”、顏色=“黑色”/"深灰色"、價格區間=“中等”的偏好比重最大，那麼就給新產品的設計提供了非常客觀有效的決策依據。
場景二，精準營銷：
針對已有產品，尋找所偏好的精準人羣分類，以及這些人羣在信息渠道和購買渠道上的分佈比例，來決定廣告投放和活動開展的位置、內容等，實現精準營銷。
用戶畫像構建
數據收集
確認畫像目的是非常基礎也是關鍵的一步。要了解構建用戶畫像期望達到什麼樣的運營或營銷效果，從而在標籤體系構建時對數據深度、廣度及時效性方面作出規劃，確保底層設計科學合理。只有建立在客觀真實的數據基礎上，生成的畫像纔有效。
在採集數據時，需要考慮多種維度，比如行業數據、全用戶總體數據、用戶屬性數據、用戶行爲數據、用戶成長數據等等，並通過行業調研、用戶訪談、用戶信息填寫及問卷、平臺前臺後臺數據收集等方式獲得。
就自身採集到的數據而言，可能存在非目標數據、無效數據及虛假數據，因而需要過濾原始數據。
行爲建模
將原始數據轉化爲特徵，是一些轉化與結構化的工作。在這個步驟中，需要剔除數據中的異常值（如電商APP中，用戶可能用秒殺的手段以幾分錢價格獲得一部手機，但用戶日常購物貨單價都在千元以上）並將數據標準化（如消費者購物所使用的貨幣包括人民幣與美元，需要將貨幣統一）和判斷的標籤標準化。
將得到的數據映射到構建的標籤中，並將用戶的多種特徵組合到一起。標籤的選擇直接影響最終畫像的豐富度與準確度，因而數據標籤化時需要與APP自身的功能與特點相結合。如電商類APP需要對價格敏感度相關標籤細化，而資訊類則需要儘可能多視角地用標籤去描述內容的特徵。
優先級排序方法主要依據構建的難易程度和各類標籤的依存關係，優先級如圖所示。
構建畫像
用戶畫像數據標籤維度，針對每一類數據實體，進一步分解可落地的數據維度，形成字段集。標籤維度包括：
自然屬性特徵：性別，年齡，地域，教育水平，出生日期，職業，星座等
用戶興趣特徵：興趣愛好，使用APP/網站,瀏覽/收藏內容，互動內容，品牌偏好，產品偏好
用戶社會特徵:婚姻狀況，家庭情況，社交/信息渠道偏好
用戶消費特徵：收入狀況,購買力水平，已購商品，購買渠道偏好，最後購買時間，購買頻次
數據在模型中運行後，最終生成的畫像可以用可視化的形式展現。用戶畫像並非是一成不變的，因而模型需要具有一定靈活性，可根據用戶的動態行爲修正與調整畫像。
用戶畫像平臺技術方案
系統架構
從數據源到最終展現分成如下幾層：
1.數據源：包括來自各個業務系統和媒介的分析數據源，其載體包括數據庫、文件、大數據平臺等。
2.數據建模：根據用戶畫像建模體系，配置數據模型。
3.數據集市：每個數據集市是基於一個主題做好輕量建模的細節數據，數據按照列存儲的方式，被高效壓縮，打好標籤，存儲在磁盤中。當需要計算時，採用內存計算來進行數據計算，並且每臺機器節點會同時計算，最終會將結果送往可視化分析層做展現。
案例：金融產品用戶畫像設計的三大重點
用戶畫像設計要堅持三個原則，分別是：人口屬性和信用信息爲主，強相關信息爲主，定性數據爲主。
信用信息和人口屬性爲主
描述一個用戶的信息很多，信用信息是用戶畫像中重要的信息，信用信息是描述一個人在社會中的消費能力信息。信用信息可以直接證明客戶的消費能力，是用戶畫像中最重要和基礎的信息。包含消費者工作、收入、學歷、財產等信息。
再次，金融企業需要觸達客戶，人口屬性信息就是起到觸達客戶的作用，人口屬性信息包含：姓名、性別，電話號碼，郵件地址，家庭住址等。這些信息可以幫助金融企業聯繫客戶，將產品和服務推銷給客戶。
採用強相關信息，忽略弱相關信息
強相關信息：是同場景需求直接相關的信息，其可以是因果信息，也可以是相關程度很高的信息。
例如：分析發現在其他條件相同的前提下，35歲左右人的平均工資高於平均年齡爲30歲的人，計算機專業畢業的學生平均工資高於哲學專業學生，從事金融行業工作的平均工資高於從事紡織行業的平均工資，上海的平均工資超過海南省平均工資。
從這些信息告訴我們人的年齡、學歷、職業、地點對收入的影響較大，同收入高低是強相關關係。也代表對信用屬性影響較大的信息就是強相關信息，反之是弱相關信息。
用戶其他的信息，如用戶的身高、體重、姓名、星座等信息，很難從概率上分析出其對消費能力的影響，是弱相關信息。
這些信息不放入用戶畫像中進行分析，對用戶的信用消費能力影響很小，不具商業價值。
轉定量信息爲定性的信息
定量的信息不利於對客戶進行篩選，需要將定量信息轉化爲定性信息，通過信息類別來篩選人羣。
如：將年齡段劃分的客戶轉化爲定性信息
18歲-25歲定義爲年輕人，25歲-35歲定義爲中青年，36-45定義爲中年人等。
參考個人收入信息，將人羣定義爲高收入人羣，中等收入人羣，低收入人羣。
參考資產信息也可將客戶定義爲高、中、低級別。
將金融企業各類定量信息集中做定性信息的分類，定性化有利與對用戶進行篩選，快速定位目標客戶。
總結
金融企業結合業務需求進行用戶畫像，從實用角度出發可以將用戶畫像信息分成五類信息。分別是：人口屬性，信用屬性，消費特徵，興趣愛好，社交屬性。
它們基本覆蓋了業務需求所需要的強相關信息，結合外部場景數據將會產生巨大的商業價值。我們先了解下用戶畫像的五大類信息的作用，以及涉及的強相關信息。
人口屬性
用於描述一個人基本特徵的信息，主要作用是幫助金融企業知道客戶是誰，如何觸達用戶，屬於人口屬性的信息包括：
-
姓名
-
性別
-
年齡
-
電話號碼
-
郵箱
-
家庭住址
信用屬性
用於描述用戶收入潛力和收入情況，支付能力。幫助企業瞭解客戶資產情況和信用情況，有利於定位目標客戶，屬於信用屬性的信息包括：
-
客戶職業
-
收入
-
資產
-
負債
-
學歷
-
信用評分
消費特徵
用於描述客戶主要消費習慣和消費偏好，用於尋找高頻和高價值客戶。幫助企業依據客戶消費特點推薦相關金融產品和服務，轉化率將非常高。爲了便於篩選客戶，可以參考客戶的消費記錄將客戶直接定性爲某些消費特徵人羣，例如：
-
差旅人羣
-
境外遊人羣
-
旅遊人羣
-
餐飲用戶
-
汽車用戶
-
母嬰用戶
-
理財人羣
興趣愛好
描述客戶具有哪方面的興趣愛好，幫助企業瞭解客戶興趣和消費傾向，定向進行活動營銷。
興趣愛好的信息可能會和消費特徵中部分信息有重複，區別在於數據來源不同。消費特徵來源於已有的消費記錄，但是購買的物品和服務不一定是自己享用，但是興趣愛好代表本人的真實興趣，興趣愛好的信息可能來源於社交信息和客戶位置信息。例如：
-
戶外運動愛好者
-
旅遊愛好者
-
電影愛好者
-
科技發燒友
-
健身愛好者
-
奢侈品愛好者
金融企業用戶畫像的基本步驟
畫像相關數據的集中整理
金融企業內部的信息分佈在不同的系統，數據來源的系統分爲內部與外部系統：
-
內部系統渠道：
人口屬性信息主要集中在客戶關係管理系統
信用信息主要集中在交易系統和產品系統之中，也集中在客戶關係管理系統中
消費特徵主要集中在渠道和產品系統中。
-
外部系統渠道：
興趣愛好和社交信息：
客戶的行爲軌跡可以代表其興趣愛好和品牌愛好，移動設備到位置信息可以提供較爲準確的興趣愛好信息。
社交信息：可以藉助於金融行業自身的文本挖掘能力進行採集和分析，也是可以藉助於廠商的技術能力在社交網站上直接獲得。社交信息往往是實時信息，商業價值較高，轉化率也較高，是大數據預測方面的主要信息來源。
以上用戶畫像數據中的強相關信息都可以在金融機構的數據倉庫內整理和集中，數據倉庫是用戶畫像數據的主要處理工具，依據業務場景和畫像需求將原始數據進行分類、篩選、歸納、加工等，生成用戶畫像需要的原始數據。
提取同業務場景強相關數據
依據用戶畫像的原則，提取五大分類的強相關信息。
金融企業內部信息較多，在用戶畫像階段不需要對所有信息都採用，只需要採用同業務場景和目標客戶強相關的信息即可，這樣有助於提高產品轉化率，降低投資回報率（ROI），在數據變現過程中也容易實現。
-
數據分類、標籤化（定量-定性）
依據業務需求，對信息加工整理，對定量的信息定性化，方便信息分類和篩選。
這部分工作建議在數據倉庫進行，不建議在大數據管理平臺（DMP）裏進行加工。
定性信息進行定量分類是用戶畫像的一個重要工作環節，具有較高的業務場景要求，考驗用戶畫像商業需求的轉化。
其主要目的是幫助企業將複雜數據簡單化，將交易數據定性進行歸類，並且融入商業分析的要求，對數據進行商業加工。
-
依據業務需求引入外部數據
金融企業自身的數據不足以瞭解客戶的消費特徵、興趣愛好、社交信息時，可以引入外部信息來豐富客戶畫像信息，
例如：引入銀聯和電商的信息來豐富消費特徵信息，引入移動大數據的位置信息來豐富客戶的興趣愛好信息，引入外部廠商的數據來豐富社交信息等。
外部信息的緯度較多，內容也很豐富，但是如何引入外部信息是一項具有挑戰的工作。外部信息在引入時需要考慮幾個問題，分別是：
-
外部數據的覆蓋率
-
如何和內部數據打通
-
和內部信息的匹配率
-
信息的相關程度
-
數據的鮮活度
敏感信息例如手機號、家庭住址、身份證號在引入或匹配時都應該注意隱私問題，基本的原則是不進行數據交換，可以進行數據匹配和驗證。
外部數據不會集中在某一家，需要金融企業花費大量時間進行尋找。外部數據和內部數據的打通是個很複雜的問題。
手機號／設備號／身份證號的MD5數值匹配是一種好的方法，不涉及隱私數據的交換，可以進行唯一匹配。
一般情況下，數據覆蓋率達到70%以上，就是一個非常高的覆蓋率。覆蓋率達到20%以上就可以進行商業應用了。
金融行業外部數據源較好合作方有：銀聯、芝麻信用、運營商、中航信、騰雲天下、騰訊、微博、前海徵信，各大電商平臺等。
-
按業務需求進行篩選客戶（DMP的作用）
用戶畫像是數據思維運營過程中的一個重要閉環，幫助金融企業利用數據進行精細化運營和市場營銷，以及產品設計。用戶畫像就是一切以數據商業化運營爲中心，以商業場景爲主，幫助金融企業深度分析客戶，找到目標客戶。
DMP（大數據管理平臺）在整個用戶畫像過程中起到了一個數據變現的作用。
從技術角度來講，DMP將畫像數據進行標籤化，利用機器學習算法來找到相似人羣，同業務場景深度結合，篩選出具有價值的數據和客戶，定位目標客戶，觸達客戶，對營銷效果進行記錄和反饋。
DMP可以幫助信用卡公司篩選出未來一個月可能進行分期付款的客戶，電子產品重度購買客戶，篩選出金融理財客戶，篩選出高端客戶（在本行資產很少，但是在他行資產很多），篩選出保障險種，壽險，教育險，車險等客戶，篩選出穩健投資人，激進投資人，財富管理等方面等客戶，並且可以觸達這些客戶，提高產品轉化率，利用數據進行價值變現。
DMP還可以瞭解客戶的消費習慣、興趣愛好、以及近期需求，爲客戶定製金融產品和服務，進行跨界營銷。利用客戶的消費偏好，提高產品轉化率，提高用戶黏度。
銀行用戶畫像
銀行具有豐富的交易數據、個人屬性數據、消費數據、信用數據和客戶數據，用戶畫像的需求較大。但是缺少社交信息和興趣愛好信息。
到銀行網點來辦業務的人年紀偏大，未來消費者主要在網上進行業務辦理。銀行接觸不到客戶，無法瞭解客戶需求，缺少觸達客戶的手段。分析客戶、瞭解客戶、找到目標客戶、爲客戶設計其需要的產品，成了銀行進行用戶畫像的主要目的。
銀行的主要業務需求集中在消費金融、財富管理、融資服務，用戶畫像要從這幾個角度出發，尋找目標客戶。
簡單的應用場景
尋找分期客戶：利用髮卡機構數據＋自身數據＋信用卡數據，發現信用卡消費超過其月收入的用戶，推薦其進行消費分期。
尋找高端資產客戶：利用髮卡機構數據＋移動位置數據（別墅／高檔小區）＋物業費代扣數據＋銀行自身數據＋汽車型號數據，發現在銀行資產較少，在其他行資產較多的用戶，爲其提供高端資產管理服務。
尋找理財客戶：利用自身數據（交易＋工資）＋移動端理財客戶端／電商活躍數據。發現客戶將工資／資產轉到外部，但是電商消費不活躍客戶，其互聯網理財可能性較大，可以爲其提供理財服務，將資金留在本行。
尋找境外遊客戶：利用自身卡消費數據＋移動設備位置信息＋社交好境外強相關數據（攻略，航線，景點，費用），尋找境外遊客戶爲其提供金融服務。
尋找貸款客戶：利用自身數據（人口屬性＋信用信息）＋移動設備位置信息＋社交購房／消費強相關信息，尋找即將購車／購房的目標客戶，爲其提供金融服務（抵押貸款／消費貸款）。
保險行業用戶畫像
保險公司內部的交易系統不多，交易方式不是很複雜，數據主要集中在產品系統和交易系統之中，客戶關係管理系統中也包含豐富了信息。
保險公司主要數據有人口屬性信息，信用信息，產品銷售信息，客戶家人信息。缺少興趣愛好、消費特徵、社交信息等信息。保險產品主要有壽險，車險，保障，財產險，意外險，養老險，旅遊險。
保險行業DMP用戶畫像的業務場景都是圍繞保險產品進行的。
簡單的應用場景
依據自身數據（個人屬性）＋外部養車App活躍情況，爲保險公司找到車險客戶。
依據自身數據（個人屬性）＋移動設備位置信息0，爲保險企業找到商旅人羣，推銷意外險和保障險。
依據自身數據（家人數據）＋人生階段信息，爲用戶推薦理財保險，壽險，保障保險，養老險，教育險。
依據自身數據＋外部數據，爲高端人士提供財產險和壽險。