- A+
不知道您有没有这样的经历？家里面如果有小孩，让他们画个图来描绘您的样貌，这个是我们通常理解的用户画像，只不过以前的人工画像只知道外貌，但不知道内心在想什么、生活的方式、购物的偏好都不容易从图片上察觉出来。现在不一样了，我们可以通过标签定义的方式，进一步判断用户的行为偏好，甚至做出推荐判断。
本文目录
什么是客户画像
客户画像同用户画像一样，我们可以将客户信息标签化，就像人一样，而不同行业的客户也是一样。每个行业都有属于自己的客户画像，指定行业打上标签，将客户的信息全貌描绘出来。抽象这个逻辑之后，就可以定义这个企业客户的大数据应用根基。
有了客户画像后，一定程度上代表理解客户的需求，在沟通交流上就占了优势。说起来简单，但我们可以想像一下，让我们描述自己其实是很难的事。从什么角度切入、深度到哪一种等级、广度到什么层级，每个部分都是需要深思熟虑的。现在进入了所谓DT时代，很多企业都设了客户画像师或是数据分析师的岗位，客户逐渐有意识地搜集客户的信息。不过到目前来说，数据的深度跟广度其实对描绘客户画像市场关键，能成功使用客户画像的行业大部分是以互联网为基础的行业。
客户画像的学习之路
客户画像并不是一次到位的过程，而是不断通过训练、学习，逐步优化的结果。用比较简单的大白话来说，跟我们看图学意思的概念是很像的。我们小时候从生下来，只要是一个正常人，从睁开眼睛接收外界事物的瞬间，就开始了对外界事物的学习。我们可以在一字不识的情况下，能快速理解红灯停、绿灯走的原因，这个原因并不是有老师教你红灯停，绿灯行，而是因为我们的眼睛从生下来就不断经过视觉上的学习，每一秒我们都不断接收外界传来的影像，某个程度上很像是深度学习的过程。在一定时间与数量级的积累之后，我们能逐步理解这样的规则，后来应用在生活上。
再转回来想想想，如果我们想对某个行下的客户通过打标签的方式来为客户创建客户画像，我们要理解这个画像不可能是全部的，而只是一小部分的数据，在给客户打标签的过程中，我们可以从心里、医疗、基因、商品、工业等不同层面进行描绘，描绘的内容越来越多，分析越多，得到的推论更完整，最后达到我们所谓的「客户360观察」。
如何绘制客户画像
由于现在的数据在纵向深度与横向广度上还无法做到完整整合的局面，因此很难精确而完整的描绘一个群体的画像。所以在垂直产业当中，我们只能就当前这个领域通过打标签的方式，来进行对这一类客户的描绘。
从实际的层面上看，现实的客户画像通过业务场景描绘是比较实际的方式。但在现实环境下，业务的复杂度跟多变形式往往超过我们建设标签标签体系的想象，原本以为在这个情况下就可以毕其功于一役，但实际上标签建立了一堆，但「理想是美好的，现实是骨感的」，能用起来的情况却不如想象中的美好。
增加标签并不是随便加一些标签就可以的，除非找到一个对行业内业务非常熟悉的同事参与其中，我们建立的标签才能慢慢起到效用。当我们开始构建一个客户画像的分类蓝图时，遇到的下一个问题时，多少标签分类比较合适？100 个？1000 个？甚至更多？标签分类少了，描绘的不够精确，标签分类多了，细腻度够了，但标签变得不好管理。如何拿捏，其实是很纠结的事。通过广告公司、营销咨询公司提供的一些标签，如果不能与业务流程契合，其实发挥不了商业价值。
没有一个标签分类规则是最好的，只能说在这个过程中，能方便运用、合适的就好。没必要比较标签你多我少，是不是我管理的标签广度、细腻度不足？因为企业管理维度不同，使用的标签也会不一样；即便是同一个行业，但公司性质也未必一样，在这个角度上管理的细腻度自然也会不同。以酒类行业标签来说，广告公司提供的标签跟客户本身自己希望展现的标签，往往就出现不同量级的差异。
当我们构建垂直行业内的业务场景时，无论是内部需求或外部需求，建议通过场景来完善标签的构建，当然也有一些属性转化过来的标签，例如客户的性别、血型等这一类的基本属性，就不一定需要构建场景，顶多就是辅助场景构建的过程而已。这个流程可千万不能少。
不断迭代的客户画像
传统企业在挖掘客户数据价值变现的过程中，往往会出现一个问题：标签建立了，但没有运营。到最后出现问题：标签分类架构与业务场景产生差异，导致标签带来的商业价值不高。因此标签运营是一个恒久的主题，至少在当前标签的运营通过一次次的迭代，会逐步精细化，效果也会逐步展现。
建立标签后，接着就是建模，标签建模是很专业的事情，因此如果没有对行业内的业务很熟悉的人，做出来的标签是没有太大价值的。过去传统企业对标签的管理停留在报表分类，但没有数据科学家或业务分析专家的辅助，也缺少对标签运营的能力。如今许多企业对搜集数据逐步有了初步的认识，数据量可能就从 G到 T 甚至到 P 等级，标签运营的重要性更高，其难度跟建立一个技术部门相差无几。
行业标签的崛起，可以让我们对会员画像有更进一步的认识，我们通过专业售前、售后、产品经理结合的团队，提供给每个企业客户完善的标签建制、管理、运营能力，在进行关联交叉分析以及推荐上，提供了直指核心的能力。之后在进行推荐制度上，我们也跟随着业界进度不断演化新的推荐技术模型，让推荐达到跨越式的升级。
