大数据火遍各行各业的今天，用户画像确实得到了前所未有的重视，其在产品设计与优化、个性化运营、精准营销等众多环节都担任着非常关键的角色。而对于用户画像的生成思路和方法，站在企业角度会有不一样的理解和做法，我们就在此做一些总结，从体系建立、标签构建、系统支持三个方面来借楼分享，希望能对大家有所参考与帮助。

体系建立

站在企业角度来说，选择构建用户画像平台，可以实现不同的战略目的（如提升产品服务质量、精准营销等），而根据战略目的的不同，用户画像的构建也有所区别。因此，我们首先需要明确用户画像平台的战略意义、平台建设目标和效果预期，进而有针对性地开展实施工作。

而对用户画像进行数据建模，应该结合客户实际的需求，找出相关的数据实体，以数据实体为中心规约数据维度类型和关联关系，形成符合客户实际情况的建模体系；对于维度分解，必须要以用户、行为、交易三类数据实体为中心，进行数据维度的分解和列举，根据相关性原则，选取和战略目的相关的数据维度，以此来避免产生过多无用数据干扰分析过程；针对不同角色人员的需求(如市场、销售、研发等)，也要去设计适合各角色人员在用户画像工具中的使用功能和应用/操作流程。

企业应该改变以往闭门造车的生产模式，通过事先调研用户需求，以设计制造更适合用户的产品，提升用户体验为目标来建立用户画像体系；根据产品特点，找到目标用户，在用户偏好的渠道上与其交互，促成购买以实现精准营销与运营，达到对外服务提升盈利的目的。

标签构建

对于标签建模，首先需要从各个渠道、触点收集 用户行为的原始数据，从原始数据进行统计分析，得到事实标签，再进行建模分析，得到模型标签，再进行模型预测，得到预测标签。

不同于To C重标签及标签使用场景化的特点，To B的标签构建 更主要重来源、属性、标签及活跃度，其内容构架及说明我们有如下建议：

◆来源（对来源组应进行罗列，梳理来源及来源内容，通常来说还会有活动名称、邀请渠道等，若需不同维度则可依照需求调研时的内容来确认）；

◆客户标签（主要会按照产品类别、市场类别、职位类别分三类，若客户内容很多，则可建立具备可能性的标签再视情况增加）：事实属性标签（人口、家庭人数、公司规模等）、渠道标签（渠道偏好，接触时间）、品牌关联（用户活跃度、与品牌方的关系）、营销创意相关（解决方案偏好、行业资讯前沿偏好、礼品活动偏好等）、社交传播影响力（传播意愿、传播内容、传播影响力等）；

◆客户生命周期阶段（主要看不同行业的B2B具体情况而有所不同，一般是市场部会由粉丝 → leads → MQL → SQL组成）；

◆内容标签（因为主要放置在官网，因此基本只会做重要的客户标签并确认偏好）；

◆活跃度-线索打分（由于每个客户的内容、事件、权重、活跃度等皆不相同，需长期进行迭代，因此打分机制需要定制）；

还有就是，一般在集客营销 中，有些标签也会被默认或被设置为常用，包括相关的属性（公司地址、职位、是否需要咨询等）；事件（官网事件、活动事件、资料下载等）。

系统支持

另外，优质用户画像的生成对系统平台的要求非常高，需要平台可以灵活接入不同数据源，并获取客户数据、客户行为数据。针对触点类数据源（如微信，网站，App），也要提供通用、高效的数据埋点接入方案，提供高达每秒数万次的数据采集能力。对于企业核心系统数据，如交易数据、CRM数据、售后数据等，Restful API进行的数据集成也需要非常稳定和安全，第三方数据源也需要有灵活的网关对接方案，将数据初步清洗后导入大数据平台。

与此同时，多触点采集用户信息和用户行为时，常常会面临数据碎片化和数据孤岛的问题，从而导致无法准确、完整的绘制用户画像，此时跨触点用户身份识别机制和用户信息预处理、补全机制必不可少，它可以在用户数据进入大数据平台 前进行有效的清洗、整理，提高数据的录入质量。

大数据平台 需要满足企业提供实时、离线两类数据处理引擎的要求，要有针对需要及时计算、立刻反馈的场景（如实时监控、实时统计、实时触发工作流），数据流可以传输到实时计算引擎（基于spark stream，durid）进行秒级的计算和响应，针对于大量历史数据和复杂模型的计算，数据流可以传输到离线计算引擎（基于spark，hive），利用内建或定制的算法引擎进行批量计算并得到分群、标签、推荐结果。

总而言之，用户画像的生成只有基于功能强大的大数据平台，企业才可以搭建各类前端应用（如业务运营监控、产品体现分析、精细化营销、分析及报表等等）。