客户数据分析方法——用户画像

用户画像是建立在一系列真实数据之上的目标用户模型，通过调查、数据采集等一系列手段采取用户信息，了解用户，并根据他们的目标、行为和观点，将他们区分为不同的类型，抽取出每种类型的特征，形成不同的群体。简单来说，用户画像就是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心的工作，是给用户贴“标签”，标签是通过对用户信息分析而来的高度精炼的特征标识。在大数据时代，用户画像已经成为用户分析和用户研究的最为重要的方法之一，我们需要特别注意的是用户画像要建立在真实的数据之上，同时，用户画像也处在不断的修正和变化中，总之，用户画像是在客户营销、产品设计、风险管理等的过程

用户画像涵盖数据的全生命周期，主要包括数据采集、数据清洗、数据标准化、用户建模、标签挖掘、标签验证、可视化等几大步骤。

数据采集

数据收集的方式方法，对数据的有效性影响很大，线上一般采用“监控、跟踪”，线下一般采用用户调研等，很多公司都有自己的CRM系统，或者有智能采集系统日志的工具，常用的采集方式包括API、SDK和传感器采集等，当然也可以通过想挖掘什么特征来反推需要的数据源。

数据清洗

原始数据因为存在“脏数据”，主要为缺失值、异常值、错误值等，为了避免“垃圾进垃圾出”的问题，保证后期数据分析和数据挖掘的准确性，避免对决策造成误导，必须对数据进行清洗等预处理。

数据标准化

用户画像的建立需要整合多元数据，如一个用户的信息可能分布在企业人事、财务等多个系统，互联网的用户也可用使用PC、手机、IPAD等多个设备，用为QQ、微信、陌陌等过个社交账号，要建立用户画像，需要整合这些数据，就必须通过建立统一的数据标准，整合多个身份ID及其信息。

用户建模

通过逻辑回归、时间序列等预测算法，SVM、贝叶斯等分类、聚类算法、LDA等文本挖掘方法以及欧式距离、余弦相似度等定义人群的用户画像。

标签挖掘

用户标签按照不同的粒度，可以分为一级标签、二级标签、三级标签等。根据专业经验和模型找出用户标签，通过大数据平台进行标签的加工和计算。

标签验证

通过样本外验证或后续实践案例不断验证标签挖掘结果的正确性，对偏离预期的标签要及时修正，保证标签对应的处理结果跟预期大体相符。

数据可视化

通过报表、图表、SNA等视觉呈现群体或个人的用户画像，达到清晰直观的效果。