?【PPT】大數據時代：你搞不定「用戶畫像」，對手就搞定你！

文：永洪BI王桐轉自：敏捷商業智能伴隨著大數據應用的討論、創新，個性化技術成為了一個重要落地點。用戶畫像越來越被企業所重視。相比傳統的線下會員管理、問卷調查、購物籃分析，大數據第一次使得企業能夠通過互聯網便利地獲取用戶更為廣泛的反饋信息，為進一步精準、快速地分析用戶行為習慣、消費習慣等重要商業信息，提供了足夠的數據基礎。下面，我們就來手把手地教你，如何用敏捷可視化分析搞定用戶畫像。什麼是用戶畫像？在互聯網逐漸步入大數據時代後，不可避免的給企業及消費者行為帶來一系列改變與重塑。其中最大的變化莫過於，消費者的一切行為在企業面前似乎都將是「可視化」的。隨著大數據技術的深入研究與應用，企業的專註點日益聚焦於怎樣利用大數據來為精準營銷服務，進而深入挖掘潛在的商業價值。於是，「用戶畫像」的概念也就應運而生。用戶畫像，即用戶信息標籤化，就是企業通過收集與分析消費者社會屬性、生活習慣、消費行為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。用戶畫像為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群體以及用戶需求等更為廣泛的反饋信息。用戶畫像的焦點工作就是為用戶打「標籤」，而一個標籤通常是人為規定的高度精鍊的特徵標識，如年齡、性別、地域、用戶偏好等，最後將用戶的所有標籤綜合來看，就可以勾勒出該用戶的立體「畫像」了。具體來講，當為用戶畫像時，需要以下四個階段：

1.戰略解讀：企業選擇構建用戶畫像平台，可以實現不同的戰略目的，如提升產品服務質量、精準營銷等。根據戰略目的的不同，用戶畫像的構建也有所區別。因此首先需要明確用戶畫像平台的戰略意義、平台建設目標和效果預期，進而有針對性的開展實施工作。2.建模體系：對用戶畫像進行數據建模，結合客戶實際的需求，找出相關的數據實體，以數據實體為中心規約數據維度類型和關聯關係，形成符合客戶實際情況的建模體系。3.維度分解：以用戶、商品、渠道三類數據實體為中心，進行數據維度分解和列舉。根據相關性原則，選取和戰略目的相關的數據維度，避免產生過多無用數據干擾分析過程。4.應用流程：針對不同角色人員的需求（如市場、銷售、研發等），設計各角色人員在用戶畫像工具中的使用功能和應用/操作流程。用戶畫像平台的戰略意義：

（出自易觀國際報告）1. 完善產品運營，提升用戶體驗：改變以往閉門造車的生產模式，通過事先調研用戶需求，設計製造更適合用戶的產品，提升用戶體驗。2 .對外服務，提升盈利：根據產品特點，找到目標用戶，在用戶偏好的渠道上與其交互，促成購買，實現精準運營和營銷。如何搭建用戶畫像平台？公司應搭建一個用戶畫像平台，將本身擁有大量用戶數據的數據平台和可視化數據工具平台連接起來，根據不同的用戶交互場景，應用挖掘數據平台的價值，讓研發生產，用戶研究，市場營銷等人員能夠根據需要，隨時自主地分析不同產品用戶特徵，快速洞察用戶需求。該平台需要回答的核心問題是： 用戶是誰? 用戶需求是什麼? 用戶在哪裡？用戶畫像建模體系

完善的用戶畫像平台需要考慮周全的模型體系。通常來講，構建用戶畫像平台所需的數據分成用戶、商品、渠道三類實體。1.用戶：數據維度包括自然特徵、興趣特徵、社會特徵、消費特徵。從數據特點上看，又可分為基本屬性和衍生標籤，基本屬性包括年齡、性別、地域、收入等客觀事實數據，衍生標籤屬於基本屬性為依據，通過模型規則生成的附加判斷數據。2.商品：數據維度包括商品定位和商品屬性。商品屬性即商品的功能、顏色、能耗、價格等事實數據，商品定位即商品的風格和定位人群，需要和用戶標籤進行匹配。3.渠道：渠道分為信息渠道和購買渠道。用戶在信息渠道上獲得資訊，在購買渠道上進行商品採購。不同類型的用戶對渠道有不同的偏好，精準的選擇對應的渠道才能提高效率和收益。用戶畫像數據維度針對每一類數據實體，進一步分解可落地的數據維度，形成欄位集。1.用戶數據：

2.商品數據（以消費電子類為例）：

3.渠道數據（以消費電子類為例）：

用戶畫像使用場景場景一，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，在用戶畫像平台中分析該用戶群體的偏好，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，通過在平台中進行分析，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群分類，以及這些人群在信息渠道和購買渠道上的分布比例，來決定廣告投放和活動開展的位置、內容等，實現精準營銷。

用戶畫像平台技術方案系統架構

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，其載體包括資料庫、文件、大數據平台等。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，存儲在磁碟中。當需要計算時，採用內存計算來進行數據計算，並且每台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。4.可視化分析：採用永洪敏捷可視化分析作為前端交互組件。無論是業務用戶還是IT開發人員都可以通過主流瀏覽器來訪問可視化分析系統，用戶還可通過移動終端來訪問系統。可視化分析系統提供系統監控，許可權多級管理，多維數據分析，等等功能，還支持自服務式報表設計和數據分析。可視化分析：敏捷可視化分析

敏捷可視化分析已成主流目前，可視化分析行業的建設思路也在發生著積極變化。敏捷可視化分析這一思路，從被大家認知，繼而逐步接受，到了今天已經成為了主流。敏捷可視化分析通過敏捷、迭代的可視化分析應用開發模式，能快速滿足客戶的可視化分析需求；通過提升可視化分析系統的交付成功率，去最大化客戶的商業價值。基於敏捷可視化分析產品，客戶的可視化分析應用不用等待數月之久，採用快速交付、持續迭代的敏捷開發，一個可視化分析需求可以在一周之內就得到響應並交付給用戶。同時，基於自服務(Self-Service)的實現理念，敏捷可視化分析支持最終用戶通過簡單、靈活、強大的可視化分析前端去實現自己的可視化分析應用。通過打造「發現問題、找到答案、採取行動」的可視化分析閉環，敏捷可視化分析不但能最快地滿足客戶的需求，還能降低IT部門的沉重負擔。敏捷可視化分析對比傳統可視化分析敏捷可視化分析傳統可視化分析產品結構一個廠家提供的一個工具，集ETL、OLAP、展現於一體由ETL工具、數據倉庫、CUBE、OLAP、報表工具等不同廠家不同產品組成安裝過程安裝文件100M，幾分鐘內安裝完成。安裝文件龐大（甚至幾張光碟），配置複雜，需要幾天時間數據來源數據倉庫、數據集市、ODS以及源業務系統都可以作為數據源，無需數據倉庫、第三方資料庫或CUBE文件。需要數據倉庫、第三方資料庫或CUBE文件支持；建模過程從數據源或數據倉庫中直接抽取細節數據。任何欄位都可以作為維度和度量，靈活組合。不基於Cube的匯總數據，保證分析的靈活性。ETL：從源系統中將源數據根據構建完成的數據模型，抽取、轉換並裝載到數據倉庫。Cube生成：將數據倉庫中的星型模型數據，根據需求生成OLAP Cube，供給前端分析工具展現。靈活性只需要在界面中選取新的緯度，或者改變度量值就能實現業務人員分析需求的變更，這個操作只需要幾秒鐘，快速獲取價值，無需複雜的建模工作。可以按需抽取數據源的表，隨時調整。界面展現控制項豐富，布局靈活。OLAP需要花費大量的時間，並需要專業的技能來構建Cube。一旦最終用戶希望增加、調整多維分析的要求，則必須將其需求遞交給IT人員，由IT人員從數據建模，Cube製作直至展現，重新構建。性能高性能的列存儲數據集市，分散式計算架構，內存緩存交換機制，實現百億級數據的秒級計算響應。隨著並發用戶的增加，報表和OLAP的內容增多，分析維度的增加，系統的響應速度將愈緩慢，即便增加多個應用伺服器，也難以從根本上解決性能問題項目風險獨特的產品技術架構，無需複雜的建模工作，按需快速調整分析維度和度量，極大的靈活性，加快了項目實施周期，也降低了項目的風險。核心就是數據建模，數據建模的好壞影響前端分析的效果是否能滿足用戶的需求，增加了項目的風險度，直接決定了商務智能的成敗；實施周期動態建模、實時計算，無需事先定義分析維度和CUBE，項目實施周期短。產品結構簡單，少量培訓即可使用，無需專業的技術技能。實施周期一般以周來估算。數據建模的過程通常占整個商務智能項目的30%-50%時間，造成項目周期比較長。產品體系複雜，需要大量培訓，有經驗的專業人員才能實施。實施周期一般以月來估算。總結來說，用敏捷可視化的工具連接企業自有資料庫，搭建一個用戶畫像平台，根據不同的用戶交互場景，隨時分析用戶特徵，快速洞察用戶需求。這期間的建模和維度分解工作做好即可。
推薦閱讀：