|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。

本文插图

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。
【|使数据走出数据仓库的用户画像】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。

本文插图

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。