什么是用户画像？ 怎么分析呢？

什么是用户画像？ 怎么分析呢？

时间：因为是昨天的行为，假设衰减因子为：r=0.95

行为类型：浏览行为记录为权重1

位置：品尚红酒单品页URL子权重记录为0.9（京东红酒单品页为0.7）

假设用户确实喜欢红酒，他们会去专业的红酒网站购买，而不是去综合商场购物。

那么用户偏好标签为：红酒，权重为0.95*0.7*1=0.665，即用户A：红酒0.665，长城0.665。

以上模型权重值的选择仅供参考。 具体权重值需要根据业务需求重新建模。 这里强调的是如何从整体上思考建立用户画像模型，然后逐步细化模型。

4、如何开发用户画像

人口特征、资产特征、营销特征、兴趣爱好、购物爱好、需求特征

5、用户画像工作遵循的原则（金融企业）

市场上用户画像的方法有很多，很多公司也提供用户画像服务，将用户画像提升到一个很高的水平。 金融公司是最早开始进行用户画像的行业。 由于数据丰富，金融企业在进行用户画像时，没有办法从多纬度的数据入手。 他们始终认为，用户画像数据的纬度越多越好，画像数据越丰富越好。 ，一些输入数据还设置了权重，甚至建立了模型。 用户画像是一个庞大而复杂的工程。 然而，花了很大力气进行画像后，我发现只剩下用户画像，与业务相差甚远。 没有办法直接支持业务运营。 投入巨大，但回报却很小。 可以说是得不偿失，没办法向领导交代。

事实上，用户画像涉及的数据维度需要与业务场景相结合。 它必须简单、功能强大，但又与业务密切相关。 它必须易于过滤并便于进一步操作。 用户画像需要坚持三个原则，即关注人口属性和信用信息、关注强相关信息、关注定性数据。 下面分别进行说明和分析。

5.1. 主要是信用信息和人口属性

有很多描述用户的信息。 信用信息是用户画像中的重要信息。 信用信息是描述一个人在社会中消费能力的信息。 任何企业进行用户画像的目的都是为了找到目标客户，目标客户必须是有潜在消费能力的用户。 信用信息可以直接证明客户的消费能力，是用户画像中最重要、最基础的信息。 俗话说，所有信息都是信用信息。 这就是为什么。 它包含消费者的工作、收入、教育、财产等信息。

金融企业定位目标客户后，需要触达客户。 人口统计属性信息在接触客户方面发挥着作用。 人口统计属性信息包括姓名、性别、电话号码、电子邮件地址、家庭住址等信息。 这些信息可以帮助金融公司联系客户并向客户推销产品和服务。

5.2. 使用强相关信息并忽略弱相关信息。

我们需要引入强相关信息和弱相关信息。 强相关信息是指与场景需求直接相关的信息。 它可以是因果信息，也可以是高度相关的信息。

如果定义中使用0到1作为相关系数的取值范围，那么相关系数在0.6以上就应该定义为强相关信息。 例如，在其他条件相同的前提下，35岁左右的人的平均工资高于30岁的人。计算机专业毕业生的平均工资高于哲学专业的学生。 金融业从业人员的平均工资高于纺织业从业人员。 行业平均薪资，上海平均薪资超过海南省平均薪资。 从这些信息中我们可以看出，一个人的年龄、学历、职业、所在地对收入的影响较大，并且与收入有很强的相关性。 简单地说，对信用信息影响较大的信息为强相关信息，反之为弱相关信息。

其他用户信息，如用户的身高、体重、姓名、星座等，很难从概率的角度分析其对消费能力的影响。 这种弱相关信息不应该包含在用户画像中进行分析。 对用户的信用消费能力影响不大，没有太大的商业价值。

在进行用户画像和用户分析时，需要考虑强相关信息，不要考虑弱相关信息。 这是用户画像的一个原则。

5.3 将定量信息分类为定性信息

用户画像的目的是筛选产品的目标客户。 定量信息不利于筛选客户。 要把定量信息转化为定性信息，按信息类别筛选人员。

例如，可以对顾客进行年龄段划分，18-25岁定义为青年人，25-35岁定义为青壮年人，36-45岁定义为中年人等。您可以参考个人收入信息，将人群划分为高收入人群、中等收入人群、低收入人群。 参考资产信息还可以将客户定义为高、中、低级别。 关于定性信息的类别和方法，财务可以从自身业务出发，没有固定的模式。

用户画像的另一个原则是将金融企业的各类定量信息聚集在一起，对定性信息进行分类和表征，有助于筛选用户，快速定位目标客户。

5.4. 用户画像方法介绍，不要太复杂

金融企业需要根据业务需求进行用户画像。 从实用的角度来看，我们可以将用户画像信息分为五类信息。 它们是人口属性、信用属性、消费特征、兴趣爱好、社会属性。 它们基本涵盖了业务需求所需的强相关信息，与外部场景数据结合将产生巨大的商业价值。 我们先来了解一下用户画像中五大类信息的作用，以及涉及到的强相关信息。 特别复杂的用户画像纬度，比如八纬度、十纬度等，不利于商业应用，不建议金融公司采用。 其他有价值的信息基本上可以归纳为这五个纬度。 金融企业只需应用这五个维度的信息就可以满足其业务需求。 没有必要把用户画像工作搞得过于复杂，商业意义并不大。

5.4.1. 人口属性

用于描述一个人的基本特征的信息。 其主要功能是帮助金融公司了解他们的客户是谁以及如何接触他们。 姓名、性别、年龄、电话号码、电子邮件地址和家庭住址都是人口统计属性信息。

5.4.2. 信用属性

用于描述用户的收入潜力、收入状况、支付能力。 帮助企业了解客户资产状况、信用状况，有助于定位目标客户。 客户职业、收入、资产、负债、教育程度、信用评分等都是信用信息。

5.4.3. 消费特点

用于描述客户的主要消费习惯和偏好，寻找高频、高价值客户。 帮助企业根据客户消费特点推荐相关的金融产品和服务，转化率会非常高。 为了方便筛选客户，可以根据客户的消费记录，直接将客户定性为某些消费特征群体，如商务旅客、出境游团体、旅游团体、餐饮用户、汽车用户、母婴用户、金融用户等。管理组等

5.4.4. 兴趣与爱好

它用来描述顾客的兴趣和爱好，他们在这些兴趣上可能有更高的消费偏好。 帮助企业了解客户兴趣和消费倾向，进行有针对性的事件营销。 关于兴趣和爱好的信息可能与一些关于消费特征的信息重叠。 区别在于数据来源不同。 消费特征来自于现有的消费记录，但购买的商品和服务不一定是为了自己的享受，但爱好代表了你的真实兴趣。 例如，户外运动爱好者、旅行爱好者、电影爱好者、科技爱好者、健身爱好者、奢侈品爱好者等。关于兴趣爱好的信息可能来自社交信息和客户位置信息。

5.5. 金融企业用户画像基本步骤

参考金融企业的数据类型和业务需求，可以细化金融企业的用户画像工作。 基本上是从数据集中到数据处理，从强关联数据到定性分类数据，从引入外部数据到根据业务场景过滤目标用户。

5.5.1. 肖像相关数据的整理和集中

金融企业内部的信息分布在不同的系统中。 一般来说，人口属性信息主要集中在客户关系管理系统中，信用信息主要集中在交易系统和产品系统中，也集中在客户关系管理系统中。 特色主要集中在渠道和产品体系上。

兴趣爱好和社交信息需要从外部引入。 例如，顾客的行为轨迹可以代表他们的爱好和品牌爱好，来自移动设备的位置信息可以提供更准确的爱好信息。 社交信息可以借助金融行业自身的文本挖掘能力进行收集和分析，也可以借助厂商的技术能力直接在社交网站上获取。 社交信息往往是实时信息，商业价值高，转化率高。 它是大数据预测的主要信息来源。 例如，如果用户在社交网站上询问到罗马去哪里旅游，则意味着该用户未来可能有出国旅游的需求； 如果客户比较两辆车的优点，则客户更有可能购买汽车。 金融公司可以及时介入，为客户提供金融服务。

客户画像数据主要分为五类，包括人口属性、信用信息、消费特征、兴趣爱好、社交信息。 这些数据分布在不同的信息系统中。 金融公司推出了数据仓库（DW）。 所有与画像相关的强关联信息都可以从数据仓库中组织和集中，并根据画像的业务需求，进行批量操作处理数据，即生成用户画像的原始数据。

数据仓库已经成为用户画像数据的主要处理工具。 它根据业务场景和画像需求对原始数据进行分类、过滤、汇总和处理，生成用户画像所需的原始数据。

用户画像的纬度信息越多越好。 你只需要找到与这五类画像信息高度相关的信息、与同一业务场景高度相关的信息、与同一产品、目标客户高度相关的信息。 根本没有360度的用户画像信息，也没有全面了解客户的丰富信息。 此外，还必须考虑数据的有效性。

5.5.2. 查找同一业务场景中强相关数据

根据用户画像的原则，所有画像信息都应该是5大类中的强相关信息。 强相关信息是指与同一业务场景强相关的信息，可以帮助金融行业定位目标客户、了解客户潜在需求、开发需求产品。

只有强相关信息才能帮助金融企业有效结合业务需求，创造业务价值。 例如，姓名、手机号码、家庭住址等都是可以接触到客户的强人口统计属性信息。 收入、教育、职业、资产等是与客户信用信息强相关的信息。 商务旅客、海外游客、汽车使用者、旅游群体、母婴群体是消费特征强相关信息。 摄影爱好者、游戏爱好者、健身爱好者、电影人群、户外爱好者是与客户兴趣爱好强相关的信息。 社交媒体上发布的出行需求、出行攻略、金融咨询、汽车需求、房产需求等信息代表了用户的内心需求，是社交信息场景应用的高度相关信息。

金融公司的内部信息非常多，在用户画像阶段没有必要使用所有的信息。 只能使用与业务场景、目标客户强相关的信息。 这将有助于提高产品转化率并降低投资回报率 (ROI)。 ），有助于轻松找到业务应用场景，在数据变现过程中也易于实施。

不要让用户画像工作过于复杂且与业务场景关系不大。 这会让很多金融公司，尤其是领导者，对用户画像失去兴趣。 他们看不到用户画像的业务，也不愿意在大数据领域进行投入。 为企业带来商业价值是用户画像工作的主要动机和目的。

5.4.1. 对数据进行分类和标记（定量到定性）

金融企业收集所有信息后，根据业务需要对信息进行处理和组织。 他们需要对定量信息进行表征，以方便信息分类和筛选。 建议这部分工作在数据仓库中进行，不建议在大数据管理平台（DMP）中处理。

定性信息的定量分类是用户画像的重要组成部分。 业务场景要求高，考验用户画像业务需求的转型。 其主要目的是帮助企业简化复杂数据，对交易数据进行定性分类，并融入到业务分析的需求中，对数据进行商业化处理。 例如，客户可以根据年龄范围分为学生、青年、青中年、中年、中年、老年等生命阶段。 不同人生阶段的金融服务需求不同。 在寻找目标客户时，可以根据生命阶段对目标客户进行定位。 企业可以利用收入、学历、资产等将客户分为低、中、高端客户，并根据其金融服务需求提供不同的金融服务。 您可以参考其金融消费记录和资产信息，以及交易产品和购买产品，定性描述客户消费特征，区分电商客户、理财客户、保险客户、稳健投资客户、激进投资客户、餐饮客户客户和旅游客户。 客户、高端客户、公务员客户等。外部数据可用于识别定性客户兴趣爱好，如户外爱好者、奢侈品爱好者、科技产品爱好者、摄影爱好者、高端汽车需求者等。

将定量信息归纳为定性信息，并根据业务需求进行标签，可以帮助金融企业寻找目标客户并了解其潜在需求，为金融行业产品找到目标客户，进行精准营销，降低营销成本，提高产品转化率。 此外，金融公司还可以根据客户的消费特征、爱好、社会信息，及时向客户推荐产品、设计产品、优化产品流程。 提高产品销售的活跃率，帮助金融公司更好地为客户设计产品。

5.4.1. 根据业务需求引入外部数据

利用数据进行画像的目的主要是为业务场景提供数据支撑，包括寻找产品的目标客户、触达客户等。 金融企业自身的数据不足以了解客户的消费特征、兴趣爱好、社交信息。

金融企业可以引入外部信息丰富客户画像信息，如引入银联和电商信息丰富消费特征信息，引入移动大数据位置信息丰富客户兴趣爱好信息，引入外部厂商数据丰富客户画像等。社会信息。 等待。

外部信息维度多、内容丰富，但如何引入外部信息是一项具有挑战性的任务。 引入外部信息需要考虑几个问题，包括外部数据的覆盖范围、如何与内部数据对接、与内部信息的匹配率、信息的相关性、数据的新鲜度等。 这些都是介绍的。 外部信息主要考虑的是纬度。 外部数据鱼龙混杂，数据合规性也是金融企业引入外部数据时的重要考虑因素。 手机号码、家庭住址、身份证号码等敏感信息在介绍或匹配时应注意隐私问题。 基本原理是无需数据交换，即可进行数据匹配和验证。

外部数据不会集中在一家公司，需要金融公司花费大量时间进行搜索。 外部数据和内部数据之间的联系是一个非常复杂的问题。 手机号码/设备号码/身份证号码的MD5数字匹配是一个很好的方法，它不涉及私人数据的交换，并且允许唯一匹配。 根据行业内的经验，没有一家公司的外部数据能够满足公司的要求。 外部数据的引入需要多方面的数据。 一般来说，数据覆盖率达到70%以上就已经是很高的覆盖率了。 当覆盖率达到20%以上时，即可用于商业应用。

金融行业外部数据源的良好合作伙伴有银联、芝麻信用、中国电信、中航信、腾云天下、腾讯、微博、前海征信、各大电商平台等。市场良好，数据质量良好。 金融行业需要一一挖掘，或者委托厂家介绍。 独立第三方帮助金融行业引入外部数据是一次很好的尝试，可以降低数据交易成本，降低数据合规风险。 此外，各大城市和地区的大数据交易平台也是引入外部数据的较好途径。

5.4.1. 根据业务需求筛选客户（DMP的作用）

用户画像的主要目的是让金融企业挖掘现有数据的价值，利用数据画像技术寻找目标客户及其潜在需求，推广产品，设计和改进产品。

用户画像从业务场景出发，是实现数据商业变现的重要途径。 用户画像是数据思维运营过程中的重要闭环，帮助金融企业利用数据进行精细化运营、营销和产品设计。 用户画像均以数据商业运营为中心，聚焦业务场景，帮助金融企业深度分析客户，寻找目标客户。

DMP（大数据管理平台）在整个用户画像过程中发挥着数据变现的作用。 从技术角度来看，DMP对画像数据进行标签，利用机器学习算法寻找相似人群，与业务场景深度结合，筛选出有价值的数据和客户，定位目标客户，触达客户，提升营销效果。 记录和反馈。 大数据管理平台DMP过去主要应用于广告行业，在金融行业应用较少。 未来将成为数据商业应用的主要平台。

DMP可以帮助信用卡公司筛选出下个月有可能分期付款的客户、大量购买电子产品的客户、筛选理财客户、筛选高端客户（在本行资产很少，但在其他银行有大量资产），筛选可以筛选出保障险、人寿险、教育险、车险等客户，筛选出稳定投资者、激进投资者、理财等客户，并能触达这些客户，提高产品转化率，利用数据实现价值。 DMP还可以了解客户的消费习惯、爱好、近期需求，为客户定制金融产品和服务，进行跨境营销。 利用客户的消费偏好，提高产品转化率和用户粘性。

DMP还作为引入外部数据的平台，将有价值的外部数据引入金融企业，补充用户画像数据，打造不同的业务应用场景和业务需求，特别是移动大数据、电商数据、社交数据的应用。 可以帮助金融企业实现数据价值，让用户画像更贴近商业应用，体现用户画像的商业价值。

用户画像的关键不是360度分析客户，而是为企业带来商业价值。 没有商业价值就谈用户画像就是流氓。 金融企业用户画像项目的出发点必须基于业务需求、强关联数据、业务场景应用。 用户画像的本质是深度分析客户，掌握有价值的数据，发现目标客户，根据客户需求定制产品，利用数据实现价值变现。

6、银行用户画像实践介绍

银行拥有丰富的交易数据、个人属性数据、消费数据、信用数据和客户数据，对用户画像的需求更大。 但缺乏社交信息和兴趣爱好信息。

来银行网点办理业务的人年纪都比较大。 未来，消费者将主要在网上做生意。 银行无法联系客户，无法了解客户需求，缺乏接触客户的手段。 分析客户、了解客户、寻找目标客户、设计客户需要的产品，成为银行用户画像的主要目的。 银行的主要业务需求集中在消费金融、财富管理、融资服务等领域。 用户画像应该根据这些视角来寻找目标客户。

银行拥有丰富的客户数据，数据类型和总量很多，系统也很多。 您可以严格遵循用户分析的五个步骤。 首先，利用数据仓库集中数据，过滤掉强相关信息，表征量化信息，生成DMP所需的数据。 利用DMP定制基础标签和应用，结合业务场景需求筛选目标客户或对用户进行深度分析。 同时利用DMP引入外部数据，完善数据场景设计，提高目标客户精准度。 想办法接触客户，向客户营销，提供营销效果反馈，衡量数据产品的商业价值。 使用反馈数据修改营销活动并提高投资回报率。 形成营销闭环，实现数据商业价值变现闭环。 此外，DMP还可以对客户进行深度分析，根据客户的消费特征、爱好、社交需求、信用信息等开发设计产品，为金融公司产品开发提供数据支持，为产品提供场景数据。销售方式。

我们简单介绍一下DMP可以实现的一些数据场景。

A 寻找分期客户

利用发卡机构数据+自有数据+信用卡数据，发现信用卡消费超过月收入的用户被推荐进行消费分期。

B寻找高端资产客户

利用发卡机构数据+移动位置数据（别墅/高端住宅区）+物业费代扣数据+银行自有数据+车型数据，发现会为银行资产较少、其他银行资产较多的用户提供服务提供高端资产管理服务。

C寻找理财客户

使用自己的数据（交易+工资）+移动理财客户/电商活动数据。 发现客户将工资/资产对外转移，但电商消费不活跃的客户更有可能进行互联网理财。 我们可以为他们提供理财服务，将他们的资金存入银行。

D 寻找海外旅游客户

利用自己的卡消费数据+移动设备位置信息+社交强出国相关数据（攻略、路线、景点、费用）寻找出国旅游客户提供金融服务。

E 寻找贷款客户

利用自身数据（人口属性+信用信息）+移动设备位置信息+社交购房/消费强相关信息，找到即将买车/买房的目标客户，并为其提供金融服务（抵押/消费贷）。

7. 保险行业用户画像实践

保险行业的产品属于长期产品。 保险客户再次购买保险产品的转化率非常高。 管理好老客户是保险公司的重要任务。 保险公司内部的交易系统不多，交易方式也不是很复杂。 数据主要集中在产品系统和交易系统。 客户关系管理系统也包含丰富的信息，但很多保险公司的数据集中度还没有完成。 仓库建设可能需要在用户画像建设之前完成。

保险公司的主要数据包括人口属性信息、信用信息、产品销售信息、客户家庭信息等。 缺乏兴趣爱好、消费特征、社会信息等信息。保险产品主要包括人寿保险、车险、保障、财产保险、意外伤害保险、养老保险、旅游保险等。

保险行业DMP用户画像的业务场景都是以保险产品为中心，简单的应用场景即可。

根据您自己的数据（个人属性）+外部汽车维修应用活动，为保险公司寻找车险客户。

基于自身数据（个人属性）+移动设备位置信息，帮助保险公司寻找商务旅客，销售意外险和保障险。

根据自身数据（家庭数据）+生命阶段信息，向用户推荐理财保险、人寿保险、保障保险、养老保险、教育保险。

基于自身数据+外部数据，为高端人群提供财产险、寿险。

6.3