使数据走出数据仓库的用户画像

编辑导语：我们在用一些软件时，会发现他的推送非常符合你的兴趣爱好；这就是大数据时代，企业会根据你的各种信息赋予你一个用户画像并进行分析；本文作者详细介绍了是数据走出数据仓库的用户画像，我们一起来看一下。

在大数据时代，企业内保存了大量原始数据和业务数据，用户的一切行为在企业面前是可追溯、可分析的；用户的业务、行为等大数据的研究与应用也被企业关注、聚焦。

如何利用大数据来为精细化运营和精准营销服务？

很多公司在大数据基础建设上投入很多，也做了不少报表，但业务部门觉得大数据和传统报表没什么区别，也没能体会大数据对业务有什么帮助和价值；究其原因，其实是数据静止在数据仓库，使数据走出数据仓库，成为很多企业的诉求及问题所在。

这里所说的用户画像不同于产品设计之初的人物建模，产品设计时的人物建模主要是用于确定产品功能及行为进行决策。

这里描述的用户画像是使用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据；进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值，从而抽象出用户信息；是数据驱动运营的基础，是大数据落地应用的一个重要方向。

一、“数据驱动+用户驱动”的设计理念

用户画像系统建设的目标就是要为企业提供一个统一的分析平台，充分利用原有系统中积累的宝贵数据，对其进行深层次的发掘；并从不同的角度分析企业的各种业务指标和构建业务知识模型，进而满足决策的信息需求和实现通过技术辅助决策的功能，需求的梳理也变得至关重要。

数据驱动是根据当前业务数据的基础和质量情况，以数据源的分析为出发点构建数据仓库。

用户驱动是根据业务的方向性需求，从业务需要解决的具体问题出发，确定系统范围和需求框架。

用户画像建模其实就是对用户“打标签”，企业可以通过对现有业务数据分析，清楚的知道原有的数据库系统中已有什么，对当前用户画像系统设计有什么影响等；也可以为利用已有的数据和代码，为建设提供方便。

数据大体可以划分为三类：

统计类标签：这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础。

规则类标签：该类标签基于用户行为确定的规则产生。例如：定义该用户为高频投诉用户，口径为“近30天投诉次数＞10”；在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定。

学习挖掘类标签：该类标签通过系统智能化学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断；例如：根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度，该类标签需要通过算法挖掘产生。

在项目工程实践中，统计类和规则类标签即可满足应用场景的需求，学习类标签更多的是通过用户的消费习惯、行为习惯、近期业务数据的综合判断预测业务场景；如用户购买商品推荐，用户流失意向等，一般机器学习标签开发周期教程，开发成本较高，因此开发比例占比较小。

二、数据指标体系建设

数据最终的价值还是要落地运行，为业务带来实际价值。

数据指标体系是建立用户画像的关键环节，也是在标签开发前要进行的工作，需要结合企业的业务情况设定相关的指标。

互联网企业在建立用户画像时一般除了给予用户维度建立一套用户标签体系外，还会基于用户设备等建立相应的标签体系，建立的用户标签按照标签类型可以分为统计类、规则类和学习挖掘类；从建立标签维度来看，可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。

下面简单举例几类标签：

用户属性维度标签：用户属性是刻画用户的基础，常见的用户属性指标包括，年龄、性别、注册时间、星级、地市、历史购买记录等；用户属性标签建成后可以为售后服务、了解用户基本情况等场景提供支撑；