大家经常听到一个词，叫做“画像”，结合具体对象就是：“用户画像”、“商品画像”、“产品画像”、“资产画像”、……。特别是大数据时代下，在实际企业中，利用大数据进行“画像”建设是企业经营的基础，建设企业竞争优势重要的工具之一，当然也是大数据在企业应用最价值重要的场景之一。
去评价一家企业数据化运营程度，或者说数据驱动程度，或者说是否是用“数据说话”。也许尝试问下面几个问题可以进行评估：
- 是否建设了“画像”?
- “画像”体系构建程度，针对什么对象进行了画像。
- 如何应用已经构建好的”画像”，已经构建画像的各种标签与指标。
- ……
画像为什么对企业那么重要，如何进行画像建设，我会后续把相关经验分享给大家，这篇文本更多从一些案例，让大家对于用户画像建设有直接的感觉。
标签是画像建设的基础
画像的建设过程分成下面几部分：
在画像建设中，标签的构建是关键。本文重点来讲数据标签的建设。标签是各类数据指标结合具体的应用/业务场景来构建，如果没有应用场景构建出来的标签往往就很难“落地“。
我们下面讲二个案例来说明数据标签建设过程：
案例一：用户的商品价格偏好标签
某公司的业务团队想要了解用户的消费偏好是怎么样的。当业务团队说我们要构建用户消费偏好画像的时候，往往是指各种场景下用户是如何选择做出选择的，所以需要具体把偏爱画像拆分成几个不同数据标签：
我们以价格偏好为例，也就是说用户的在购物时候偏好于哪个价格带的商品。对于价格带的偏好，构建步骤如下：
取用户历史购买消费记录，统计用户历史购买商品的价格，然后对价格进行区间划分。看用户购买的价格带主要集中在哪个区间中(价格带偏爱应该是一个相对动态的标签，更新频率可能一个月需要定期更，而且选择的时间段也应该是过去某个时间，不应该选择过长时间段。大家想想为什么?)。如何进行价格区间划分?
方法一：按统计学的方法：
- 按分位数进行。例如：25%，50%，75%
- 按等箱原则。划分几等分
- 看数据的分布。
- ……
方法二：按业务知识经验
把价格带按业务经验，行业经验进行划分。
通过数据统计出来，我们可以看用户是否商品单价是否集中的某个区间范围内。例如,某用户购买的商品价格主要集中在30到40这个区间内，根据历史显示可以说，用户可能偏好于购买这个价格带的商品。当未来我们需要做促销商品推荐的时候，可以向该用户重点推荐打折后在这个价格区间的商品。
通过用户购买的价格区间，以及结合商品所归属的品类，可以看这个价格区间在这个品类中属于什么级别的。可以进一步给用户打上：注重品牌、注重高性价比等标签。
例如：如果某个品类商品的价格范围是(5，40]，该用户购物商品主要集中(30，40]这个商品价格区间，用户在这个品类的消费上都是最高价格区间，说明这个用户在购买这个品类主要购买的高端商品。这样又可以为这个用户打上在这个品类的消费特征标签：品类高端用户。
案例二：用户流失概率标签
我们经常会听说一个数据： “养一个新客户的成本是维护一个老客户成本的5倍？在利润贡献方面，老用户更是新用户的16倍”。
当然这个5倍更应该理解为期间，更应该理解为：相对争取一个新客，更应该花时间与精力在维护好一个老客上。为什么呢?(同学们一起思考一下) 做用户运营的同学对于流失用户主要痛点如下：
- 那如何去给用户打上流失概率的标签?
- 如何及时更新这个流失概率的标签?
- 什么时候应该开始需要给流失用户进行营销?
- 针对不同流失概率的用户是否要设计不一样的策略?
- 对潜在流失用户，应该设计什么样的策略?
- 对不同类型流失特征的用户，应该投入的成本多少?
- …….
对于老客的维护，首先应该及时知道用户的流失概率多少？随时时间的推移流失概率是否有变动，特别是流失概率高的用户要及时进行营销避免真的流失。
流失概率用大数据中机器学习的方法预测，而且根据用户产生的行为可以实时去计算用户流失概率标签（用户的流失概率应该是动态,是否需要非常高的时效性，还要结合具体开发成本）。通知运营同学根据不同的用户特征，设计好营销策略。当用户满足相应条件时间，会自动促销相应的营销策略，这才是大数据应该有的场景。
我们如何给用户的流失概率打上标签呢?如果你的公司的业务比较稳定，公司的业务有一定周期（这个周期多长，要看你公司的业务模式，是对B还是对C），我们会使用机器学习/数据挖掘的方法来去计算这个概率是比较准确的，如果业务太新，数据积累太少建模型往往不是一个好的选择。
我们还是以电商为案例背景，这个公司的CRM团队，希望知道用户流失的概率，根据流失概率定期对相关的用户进行营销，降低用户的流失率。如何构建这个模型从而打上流失概率标签，主要步骤如下：
1.业务理解。与业务沟通分析流失用户特征，用户的生命周期定义。例如：多久没有和公司互动或者交易定义为休眼，多没有交易认为是流失了。
2.业务分析。流失用户的可能的原因是什么，根据这些原因，相应去找到或者设计预期指标。例如：如果用户有过差评，流失可能性高。用户经常看到公司商品缺货，流失可能性高。
3.模型构建。设计流失用户的预测模型。根据之前的业务流程，业务知识的梳理，围绕用户设计一系列的指标，如下图所示，会从各个方面进行指标清洗，放到模型中建模。
本篇文章主要让大家对于数据画像建设有一个直观的感觉，后续的文章中，我们将逐一介绍数据画像更细看步骤和过程。
分享干货我们是认真的，更多干货尽在爱盈利！
