用户画像 摘录
用戶畫像的焦點工作就是為用戶打“標簽”，而一個標簽通常是人為規定的高度精煉的特征標識，如年齡、性別、地域、用戶偏好等，最后將用戶的所有標簽綜合來看，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臺，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臺的戰略意義、平臺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系，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。
?
用戶畫像平臺的?戰略意義：
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，設計制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臺？
? ? ? ??該平臺需要回答的核心問題是：用戶是誰? 用戶需求是什么? 用戶在哪里？
?
用戶畫像?建模體系
? ? 完善的用戶畫像平臺需要考慮周全的模型體系。通常來講，構建用戶畫像平臺所需的數據分成?用戶、商品、渠道三類實體。
?
? ? ? ?1.用戶：數據維度包括自然特征、興趣特征、社會特征、消費特征。從數據特點上看，又可分為?基本屬性 和 衍生標簽，基本屬性包括年齡、性別、地域、收入等客觀事實數據，衍生標簽屬于基本屬性為依據，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，需要和用戶標簽進行匹配。
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采購。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，形成字段集。
1 用戶數據：
用戶自然特征：性別，年齡，地域，教育水平，出生日期，職業，星座
用戶興趣特征：興趣愛好，使用APP/網站,瀏覽/收藏內容，互動內容，品牌偏好，產品偏好
用戶社會特征:婚姻狀況，家庭情況，社交/信息渠道偏好
用戶消費特征：收入狀況,購買力水平，已購商品，購買渠道偏好，最后購買時間，購買頻次
2 商品數據 (以消費電子類為例)：
手機：品牌，顏色，尺寸，電池容量，內存，攝像頭，CPU，材質，散熱，價格區間
筆記本：品牌，屏幕尺寸，配置，顏色，風格，薄厚，價格區間
智能手表：品牌，功能，材質，電池容量，顏色，風格，價格區間
{C}3.{C}{C}渠道數據(以消費電子類為例)：
信息渠道：微信，微博，論壇，SNS，貼吧，新聞網站，咨詢App
購買渠道:電商平臺，微店，官網，實體店，賣場
?
?
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，先基于產品期望定位，在用戶畫像平臺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表，面向28-35歲的年輕男性，通過在平臺中進行分析，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，那么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。
? ?
?
用戶畫像平臺技術方案
?
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，其載體包括數據庫、文件、大數據平臺等。
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：每個數據集市是基于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，打好標簽，存儲在磁盤中。當需要計算時，采用內存計算來進行數據計算，并且每臺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。
?
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。
?
基于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，采用快速交付、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并交付給用戶。
同時，基于自服務(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、采取行動”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、展現于一體
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(甚至幾張光盤)，配置復雜，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、第三方數據庫或CUBE文件。
需要數據倉庫、第三方數據庫或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。
任何字段都可以作為維度和度量，靈活組合。
不基于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、轉換并裝載到數據倉庫。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，無需復雜的建模工作。
可以按需抽取數據源的表，隨時調整。
界面展現控件豐富，布局靈活。
OLAP需要花費大量的時間，并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制作直至展現，重新構建。
性能
高性能的列存儲數據集市，分布式計算架構，內存緩存交換機制，實現百億級數據的秒級計算響應。
隨著并發用戶的增加，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，即便增加多個應用服務器，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，無需復雜的建模工作，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。產品體系復雜，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數據庫，搭建一個用戶畫像平臺，根據不同的用戶交互場景，隨時分析用戶特征，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。
?
?
?
?
?
?
轉載于:https://www.cnblogs.com/rocky24/p/5756589.html
總結
- 上一篇： js学习-DOM之动态创建元素的三种方式
- 下一篇： 前后端数据交互方法 汇总