大數(shù)據(jù)的靈魂

　　我們處于一個(gè)信息大爆炸的時(shí)代，海量消費(fèi)者和商品產(chǎn)生了從瀏覽、搜索、評(píng)價(jià)、交易到支付、收貨、客服等多維度、全覆蓋的數(shù)據(jù)體系。用戶(hù)畫(huà)像就是基于各種用戶(hù)行為數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析，使用數(shù)據(jù)挖掘的方法對(duì)用戶(hù)的基礎(chǔ)屬性、興趣愛(ài)好、心理特征、購(gòu)買(mǎi)能力、社交關(guān)系等進(jìn)行定量與定性刻畫(huà)的技術(shù)。用戶(hù)畫(huà)像對(duì)于洞察消費(fèi)者行為與需求具有重要意義，是大數(shù)據(jù)挖掘的核心和靈魂所在。

　　通過(guò)用戶(hù)畫(huà)像，挖掘出用戶(hù)的購(gòu)物習(xí)慣、興趣和偏好等，針對(duì)用戶(hù)在品類(lèi)間的差異化比較，挖掘出每類(lèi)用戶(hù)特征，進(jìn)而建立模型，把用戶(hù)特征抽象成短語(yǔ)標(biāo)簽。海量數(shù)據(jù)下，用戶(hù)的行為越多，可抽取的特征越明顯，用戶(hù)標(biāo)簽就越豐富，可以據(jù)此描述用戶(hù)的屬性特征、社會(huì)背景、興趣喜好，甚至還能揭示內(nèi)心需求、性格特點(diǎn)、社交人群等潛在屬性。這樣就把原本冷冰冰的數(shù)據(jù)復(fù)原成栩栩如生的用戶(hù)形象，從而指導(dǎo)和驅(qū)動(dòng)業(yè)務(wù)場(chǎng)景及運(yùn)營(yíng)，發(fā)現(xiàn)和把握蘊(yùn)藏在細(xì)分海量用戶(hù)中的巨大商機(jī)。用戶(hù)畫(huà)像主要目的在于兩方面：

　　洞察用戶(hù)，提升企業(yè)運(yùn)營(yíng)效率

　　在精準(zhǔn)營(yíng)銷(xiāo)架構(gòu)中，其底層是明細(xì)數(shù)據(jù)的收集，包括用戶(hù)產(chǎn)生的各種日志數(shù)據(jù)、用戶(hù)交易數(shù)據(jù)和其他相關(guān)數(shù)據(jù)(見(jiàn)圖1)。在用戶(hù)數(shù)據(jù)的基礎(chǔ)上，我們進(jìn)行了用戶(hù)行為的建模，包括用戶(hù)屬性的識(shí)別、用戶(hù)興趣、用戶(hù)關(guān)系模型、用戶(hù)生命周期、用戶(hù)信用模型等。在用戶(hù)建模之上，我們抽象出用戶(hù)畫(huà)像，作為底層數(shù)據(jù)提供給各營(yíng)銷(xiāo)系統(tǒng)，這樣就解決了廣告營(yíng)銷(xiāo)精準(zhǔn)性的問(wèn)題。比如我們通過(guò)用戶(hù)畫(huà)像知道用戶(hù)為男性，26-35歲，常住北京，家里有小孩，之前多次購(gòu)買(mǎi)嬰兒鈣片、輔食、童書(shū)等母嬰產(chǎn)品，結(jié)合這些用戶(hù)特征，在運(yùn)營(yíng)的時(shí)候就可以針對(duì)性精準(zhǔn)營(yíng)銷(xiāo)。

　　優(yōu)化后臺(tái)，讓客戶(hù)端更智能

　　用戶(hù)畫(huà)像也是大數(shù)據(jù)發(fā)展的需要，IT系統(tǒng)需要通過(guò)用戶(hù)差異化信息構(gòu)建，實(shí)現(xiàn)網(wǎng)站和APP客戶(hù)端的優(yōu)化。通過(guò)標(biāo)簽化，將用戶(hù)行為數(shù)據(jù)轉(zhuǎn)化為機(jī)器可理解的語(yǔ)言，比如性別用0和1分別代表男性和女性，計(jì)算機(jī)就可以識(shí)別出來(lái)，并可以很好應(yīng)用到電商的各種場(chǎng)景中去，通過(guò)系統(tǒng)的計(jì)算來(lái)代替大量人工操作，實(shí)時(shí)高效地為用戶(hù)提供各種貼心的商品和服務(wù)。

　　以京東為例，隨著電商體量的飛速壯大，一方面是海量信息的匯聚和業(yè)務(wù)場(chǎng)景的日益復(fù)雜，另一方面是億級(jí)用戶(hù)個(gè)性多變的購(gòu)物需求，用戶(hù)在不同品類(lèi)下的購(gòu)買(mǎi)、瀏覽、搜索、收藏等行為，積累下豐富的數(shù)據(jù)金礦。用戶(hù)畫(huà)像所要解決的問(wèn)題就是：把特定業(yè)務(wù)場(chǎng)景的用戶(hù)精準(zhǔn)細(xì)分出來(lái)，并用人和計(jì)算機(jī)所能理解的語(yǔ)言描述用戶(hù)特征。迄今為止京東已經(jīng)有200余個(gè)用戶(hù)畫(huà)像標(biāo)簽，覆蓋用戶(hù)基本屬性、購(gòu)買(mǎi)能力、行為特征、社交網(wǎng)絡(luò)、心理特征、興趣愛(ài)好等6大方面，用于支持集團(tuán)研發(fā)、運(yùn)營(yíng)、市場(chǎng)、采銷(xiāo)各條業(yè)務(wù)線(見(jiàn)圖2)。

　　把大數(shù)據(jù)玩小

　　把大數(shù)據(jù)玩“小”，讓大數(shù)據(jù)落地，才能真正指導(dǎo)企業(yè)的運(yùn)營(yíng)管理。傳統(tǒng)的大數(shù)據(jù)是按照主題組織的，包括商品、訂單、物流、廣告等不同的主題，存在缺陷。而京東“把大數(shù)據(jù)做小”的理念是按照用戶(hù)來(lái)組織數(shù)據(jù)，每個(gè)用戶(hù)都有一個(gè)數(shù)據(jù)銀行，圍繞著用戶(hù)進(jìn)行數(shù)據(jù)存儲(chǔ)和處理。

　　以用戶(hù)為中心，看起來(lái)小，其實(shí)很大，因?yàn)槊總€(gè)用戶(hù)的數(shù)據(jù)價(jià)值鏈特別長(zhǎng)，用戶(hù)在網(wǎng)站上的所有行為都有記錄，包括瀏覽、咨詢(xún)、加關(guān)注、加購(gòu)物車(chē)、下單、評(píng)價(jià)、售后等等，全部過(guò)程都被記錄下來(lái)。因此，圍繞用戶(hù)的數(shù)據(jù)鏈很完整，大而全，更加容易了解和洞察用戶(hù)。

　　用戶(hù)畫(huà)像實(shí)現(xiàn)路徑

　　用戶(hù)畫(huà)像實(shí)現(xiàn)的其實(shí)是從數(shù)據(jù)抽象映射到用戶(hù)粒度，把數(shù)據(jù)語(yǔ)言轉(zhuǎn)化成簡(jiǎn)潔、形象、可理解的短語(yǔ)標(biāo)簽，便于人和計(jì)算機(jī)識(shí)別和理解，可以通過(guò)多種技術(shù)和方法綜合實(shí)現(xiàn)。具體來(lái)說(shuō)，一是用機(jī)器學(xué)習(xí)解決細(xì)粒度密集計(jì)算問(wèn)題，這類(lèi)問(wèn)題通常計(jì)算粒度細(xì)小，具有海量樣本、高維特征空間，計(jì)算復(fù)雜度高；二是用經(jīng)濟(jì)統(tǒng)計(jì)方法解決粗粒度非密集計(jì)算問(wèn)題，這類(lèi)問(wèn)題通常反映統(tǒng)計(jì)意義上的某種社會(huì)、生態(tài)或經(jīng)濟(jì)規(guī)律；三是用自然語(yǔ)言處理解決非結(jié)構(gòu)化文本挖掘問(wèn)題；另外還有深度學(xué)習(xí)等最前沿的技術(shù)探索。

　　機(jī)器學(xué)習(xí)方法

　　針對(duì)微小粒度的數(shù)據(jù)，用戶(hù)特征數(shù)據(jù)會(huì)很精細(xì)，機(jī)器學(xué)習(xí)是一個(gè)相當(dāng)有效的方法。針對(duì)性選擇合適的算法方案，比如對(duì)于可以找到已知用戶(hù)標(biāo)簽的情況，通過(guò)有監(jiān)督的機(jī)器學(xué)習(xí)方法進(jìn)行建模，這就要選取規(guī)模足夠、可信度高的訓(xùn)練數(shù)據(jù)。我們通常有兩種方法去實(shí)現(xiàn)，一種是從大規(guī)模數(shù)據(jù)庫(kù)中依據(jù)可靠的業(yè)務(wù)規(guī)則或邏輯去校驗(yàn)篩選出數(shù)量較多的數(shù)據(jù)集；另一種方式是通過(guò)人工標(biāo)注來(lái)收集，后一種方式成本較高但相對(duì)更為精準(zhǔn)。另外，還有一套模型反饋系統(tǒng)，所有建立的模型都會(huì)上線到模型反饋系統(tǒng)，讓用戶(hù)來(lái)對(duì)模型的準(zhǔn)確度進(jìn)行實(shí)時(shí)反饋，便于我們更好地測(cè)試和校正模型。

　　有了足夠的訓(xùn)練數(shù)據(jù)，我們就可以收集用戶(hù)各方面數(shù)據(jù)并通過(guò)特征工程來(lái)抽取對(duì)模型訓(xùn)練表現(xiàn)好的特征。比如人口統(tǒng)計(jì)數(shù)據(jù)、購(gòu)物行為數(shù)據(jù)、網(wǎng)站瀏覽數(shù)據(jù)、社交評(píng)論數(shù)據(jù)、售后客服數(shù)據(jù)等，然后基于這些特征來(lái)構(gòu)建分類(lèi)或回歸模型進(jìn)行機(jī)器學(xué)習(xí)算法的訓(xùn)練、測(cè)試、優(yōu)化和部署。這些措施在一些模型上取得了良好效果，比如對(duì)用戶(hù)性別的預(yù)測(cè)，基于機(jī)器學(xué)習(xí)的模型準(zhǔn)確率能達(dá)到80%以上。

　　對(duì)于海量高維空間的機(jī)器學(xué)習(xí)，經(jīng)常會(huì)遇到單一方法準(zhǔn)確率不佳的情況，這時(shí)候就需要對(duì)多種分類(lèi)或回歸學(xué)習(xí)器進(jìn)行組合集成來(lái)獲得性能提升。集成學(xué)習(xí)，相當(dāng)于多個(gè)決策者共同進(jìn)行一項(xiàng)決策，每個(gè)決策者所擅長(zhǎng)的領(lǐng)域不同，他們都進(jìn)行獨(dú)立的訓(xùn)練，得出獨(dú)立的結(jié)論，最終把這些各個(gè)領(lǐng)域的專(zhuān)家結(jié)論組合起來(lái)，形成一個(gè)總的預(yù)測(cè)結(jié)果，效果的提升是很明顯的。

　　還有一類(lèi)問(wèn)題，可能無(wú)法或很難找到用戶(hù)標(biāo)簽進(jìn)行訓(xùn)練，這就可以通過(guò)無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法進(jìn)行建模，主要是聚類(lèi)方法?！拔镆灶?lèi)聚，人以群分”，聚類(lèi)就是利用相同類(lèi)內(nèi)相似性強(qiáng)，不同類(lèi)間相似性弱的原理，依據(jù)業(yè)務(wù)目標(biāo)劃分不同的客戶(hù)群體或者發(fā)現(xiàn)多樣性的購(gòu)買(mǎi)模式。在實(shí)際處理中，聚類(lèi)算法的選擇需要考慮多種因素，比如多種形狀的聚類(lèi)及高維、可伸縮性的問(wèn)題，另外更重要的一點(diǎn)是還需要解決聚類(lèi)結(jié)果的可解釋性、可理解性，這就需要將聚類(lèi)過(guò)程和特定語(yǔ)義解釋、業(yè)務(wù)場(chǎng)景應(yīng)用相聯(lián)系，考慮應(yīng)用目標(biāo)也是影響聚類(lèi)方法選擇的一個(gè)重要因素。

　　經(jīng)濟(jì)與商業(yè)統(tǒng)計(jì)模型

　　隨著京東體量的發(fā)展，業(yè)務(wù)范圍經(jīng)過(guò)品類(lèi)擴(kuò)展(3C到全品類(lèi))、渠道擴(kuò)展(PC到微信、手Q、APP)、產(chǎn)業(yè)鏈擴(kuò)展(自營(yíng)到POP、支付、金融、物流)等戰(zhàn)略性跨越發(fā)展，已經(jīng)從之前的單一鏈條進(jìn)化成互聯(lián)網(wǎng)電商生態(tài)圈，機(jī)器學(xué)習(xí)基于微小粒度的技術(shù)已經(jīng)不能滿(mǎn)足對(duì)于整個(gè)龐大京東電商生態(tài)系統(tǒng)的復(fù)雜描述。于是，借鑒社會(huì)學(xué)、經(jīng)濟(jì)學(xué)中一些成熟理論，并結(jié)合京東業(yè)務(wù)場(chǎng)景進(jìn)行深度定制和改造，把用戶(hù)行為作為一個(gè)有機(jī)整體去研究，是一個(gè)不錯(cuò)的思路，并取得了一些良好的成果。

　　我們利用生命周期理論建立用戶(hù)全生命周期模型，可以很好地識(shí)別用戶(hù)從考察、形成到衰退、流失各個(gè)階段的組成、變化情況，對(duì)各個(gè)環(huán)節(jié)都會(huì)發(fā)現(xiàn)關(guān)鍵的價(jià)值創(chuàng)造環(huán)節(jié)。比如，在考察環(huán)節(jié)識(shí)別用戶(hù)購(gòu)買(mǎi)意向，促進(jìn)新增客戶(hù)獲?。辉谛纬?、成長(zhǎng)環(huán)節(jié)刺激和提高客戶(hù)收入貢獻(xiàn)，進(jìn)行交叉銷(xiāo)售；在衰退、流失環(huán)節(jié)進(jìn)行客戶(hù)挽回。各環(huán)節(jié)環(huán)環(huán)相扣，形成一條完整的營(yíng)銷(xiāo)價(jià)值鏈，可以針對(duì)用戶(hù)制定個(gè)性化運(yùn)營(yíng)策略。

　　利用多指標(biāo)綜合評(píng)價(jià)、層次分析法(AHP)等方法構(gòu)建客戶(hù)綜合價(jià)值模型，將客戶(hù)價(jià)值分解為目標(biāo)、準(zhǔn)則、方案等多個(gè)層次，構(gòu)建一個(gè)由頂至下、從總到分、由粗而細(xì)的多層指標(biāo)體系，可以根據(jù)應(yīng)用目的和層級(jí)的不同，查看現(xiàn)狀、發(fā)現(xiàn)問(wèn)題、追溯原因，對(duì)用戶(hù)精準(zhǔn)化運(yùn)營(yíng)起到了很好的效果。

　　自然語(yǔ)言處理

　　在用戶(hù)畫(huà)像建模中，用戶(hù)的搜索詞、購(gòu)買(mǎi)評(píng)論、售后反饋等自然語(yǔ)言當(dāng)中蘊(yùn)含著大量有價(jià)值的信息。通過(guò)對(duì)用戶(hù)搜索詞進(jìn)行挖掘，能知道用戶(hù)的購(gòu)買(mǎi)意圖；通過(guò)對(duì)用戶(hù)的評(píng)論數(shù)據(jù)進(jìn)行挖掘，能知道用戶(hù)對(duì)一些品牌、品類(lèi)、屬性的喜好程度；通過(guò)對(duì)用戶(hù)售后過(guò)程中的反饋意見(jiàn)進(jìn)行挖掘，能知道用戶(hù)對(duì)售后服務(wù)的滿(mǎn)意程度和我們需要改進(jìn)的地方。也可以對(duì)用戶(hù)在訴求過(guò)程中的填寫(xiě)的自然語(yǔ)言進(jìn)行情感分析。比如，通過(guò)對(duì)客戶(hù)訴求信息進(jìn)行自然語(yǔ)言處理，針對(duì)京東客戶(hù)訴求類(lèi)型、話(huà)術(shù)特點(diǎn)進(jìn)行客戶(hù)情感建模，對(duì)每個(gè)進(jìn)入在線客服的用戶(hù)進(jìn)行多維度標(biāo)簽標(biāo)示，客服中心根據(jù)不同客戶(hù)的不同訴求進(jìn)行分層服務(wù)，結(jié)合投訴預(yù)警等來(lái)降低投訴率，提高用戶(hù)滿(mǎn)意度。在對(duì)各種形式的自然語(yǔ)言處理的過(guò)程中，我們也積累了一些比較好的自然語(yǔ)言處理算法庫(kù)。

　　深度學(xué)習(xí)等前沿探索

　　用戶(hù)畫(huà)像技術(shù)在應(yīng)用上仍然存在一定的局限性，因此我們嘗試引入一些前沿技術(shù)來(lái)進(jìn)一步完善它。首先，傳統(tǒng)用戶(hù)畫(huà)像生成的數(shù)據(jù)特征是人工預(yù)先指定的，這就難免會(huì)有一些業(yè)務(wù)上尚未識(shí)別的特征得不到表達(dá)；其次，用戶(hù)畫(huà)像在應(yīng)用上大都由業(yè)務(wù)人員自行挑選一部分特征用到業(yè)務(wù)場(chǎng)景建模中，這種方式也有可能遺漏某些潛在重要的，但表面看來(lái)不直接相關(guān)的特征組合。這些問(wèn)題都會(huì)對(duì)應(yīng)用層面的建模效果產(chǎn)生負(fù)面影響。這兩年業(yè)界方興未艾的深度學(xué)習(xí)技術(shù)，其自動(dòng)構(gòu)建與提取描述數(shù)據(jù)的層次化特征與隱特征的能力，很適合用于解決相應(yīng)的問(wèn)題。例如，受深度神經(jīng)網(wǎng)絡(luò)在處理自然語(yǔ)言過(guò)程中用到的featureembedding思想啟發(fā)，將用戶(hù)購(gòu)買(mǎi)行為序列大數(shù)據(jù)嵌入幾十維的隱特征空間，從而可以自動(dòng)挖掘出商品的相似性以及用戶(hù)購(gòu)買(mǎi)行為子模式，在商品推薦與購(gòu)買(mǎi)預(yù)測(cè)上取得很好的應(yīng)用效果。

　　擊中營(yíng)銷(xiāo)管理痛點(diǎn)

　　用戶(hù)畫(huà)像精細(xì)化地定位人群特征，可以充分認(rèn)知群體用戶(hù)的差異化特征，幫助企業(yè)找到營(yíng)銷(xiāo)機(jī)會(huì)、運(yùn)營(yíng)方向等，比如圍繞用戶(hù)進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)，圍繞網(wǎng)站和APP做“千人千面”，還可以應(yīng)用于金融信貸、O2O戰(zhàn)略、客服管理等與用戶(hù)運(yùn)維相關(guān)的領(lǐng)域。

　　精準(zhǔn)營(yíng)銷(xiāo)：提成效降成本

　　用戶(hù)畫(huà)像的標(biāo)簽體系讓營(yíng)銷(xiāo)活動(dòng)可以根據(jù)品類(lèi)、品牌、商品特征及業(yè)務(wù)目標(biāo)進(jìn)行多維度交叉篩選，匹配出最適宜的目標(biāo)用戶(hù)群，營(yíng)銷(xiāo)目標(biāo)更加精準(zhǔn)，營(yíng)銷(xiāo)內(nèi)容也更加多樣。由于用戶(hù)畫(huà)像系統(tǒng)和營(yíng)銷(xiāo)系統(tǒng)、分析評(píng)估系統(tǒng)是可以打通的，這樣在每次營(yíng)銷(xiāo)時(shí)都可以通過(guò)分析評(píng)估系統(tǒng)反饋營(yíng)銷(xiāo)效果，形成“用戶(hù)篩選-營(yíng)銷(xiāo)活動(dòng)-效果反饋”的營(yíng)銷(xiāo)閉環(huán)，通過(guò)逐次活動(dòng)的數(shù)據(jù)積累和改進(jìn)，循環(huán)提升營(yíng)銷(xiāo)效果，降低營(yíng)銷(xiāo)成本。

　　更重要的是提升了用戶(hù)體驗(yàn)?！坝脩?hù)不是討厭廣告，而是討厭不需要的廣告”，在互聯(lián)網(wǎng)這個(gè)信息過(guò)剩的時(shí)代，用戶(hù)對(duì)商品信息推送是有很大需求的，但是狂轟濫炸的無(wú)差別廣告只能引來(lái)用戶(hù)的反感、抗拒，最終導(dǎo)致用戶(hù)流失。豐富的用戶(hù)畫(huà)像體系可以解決營(yíng)銷(xiāo)中的重要的3W問(wèn)題，即什么時(shí)候（When）把什么商品（What）推送給誰(shuí)（Who），這樣就很好地平衡了精準(zhǔn)和覆蓋面的問(wèn)題。比如EDM可以結(jié)合各種場(chǎng)景篩選用戶(hù)畫(huà)像標(biāo)簽和設(shè)置郵件內(nèi)容，在合適的時(shí)間給合適的用戶(hù)推送，合適的商品信息。實(shí)踐表明，對(duì)用戶(hù)進(jìn)行個(gè)性化訂制的EDM和商品、優(yōu)惠券、信息推送等可以大幅提升開(kāi)信率和訂單轉(zhuǎn)化率，同時(shí)最大程度地減少用戶(hù)反感。

　　客戶(hù)管理：維護(hù)客戶(hù)關(guān)系提升滿(mǎn)意度

　　用戶(hù)畫(huà)像使客服系統(tǒng)對(duì)用戶(hù)理解更為深刻，可以為用戶(hù)提供個(gè)性化的交互服務(wù)，從而吸引新客戶(hù)、維護(hù)老客戶(hù)，并將普通客戶(hù)轉(zhuǎn)化為忠誠(chéng)客戶(hù)。比如，刻畫(huà)用戶(hù)概況，包括用戶(hù)消費(fèi)層次、風(fēng)險(xiǎn)、愛(ài)好、習(xí)慣等；進(jìn)行客戶(hù)忠誠(chéng)度分析，包括品牌忠誠(chéng)度、持久性、變動(dòng)情況；進(jìn)行客戶(hù)性能分析，包括客戶(hù)所消費(fèi)品類(lèi)、渠道、地域分布；進(jìn)行客戶(hù)未來(lái)分析，包括客戶(hù)數(shù)量、類(lèi)別、發(fā)展趨勢(shì)、未來(lái)價(jià)值等；還可以進(jìn)行客戶(hù)促銷(xiāo)分析，包括客戶(hù)對(duì)哪些類(lèi)型促銷(xiāo)敏感等。

　　千人千面：強(qiáng)化客戶(hù)端注重個(gè)性化

　　互聯(lián)網(wǎng)和電商的發(fā)展越來(lái)越強(qiáng)調(diào)個(gè)性化用戶(hù)體驗(yàn)，千人千面就是針對(duì)每個(gè)群體個(gè)性化的需求來(lái)展示不同的頁(yè)面，這背后的關(guān)鍵技術(shù)之一就是精準(zhǔn)的用戶(hù)畫(huà)像。精準(zhǔn)的用戶(hù)畫(huà)像能夠描述用戶(hù)的社會(huì)背景、身份屬性、興趣愛(ài)好、購(gòu)買(mǎi)行為、瀏覽習(xí)慣等特征，相應(yīng)的網(wǎng)站布局、導(dǎo)航結(jié)構(gòu)、品牌選擇、商品陳列、廣告展示等都可以有針對(duì)性地調(diào)整，為用戶(hù)提供舒適、便捷的購(gòu)物體驗(yàn)。

　　另外，用戶(hù)畫(huà)像還可以讓搜索引擎更加智能地理解用戶(hù)，同一個(gè)搜索詞在不同用戶(hù)搜索時(shí)可能有完全不同的購(gòu)物意圖，針對(duì)用戶(hù)的屬性特征、性格特點(diǎn)或行為習(xí)慣，在其搜索或點(diǎn)擊時(shí)展現(xiàn)符合該用戶(hù)特點(diǎn)和偏好的商品，給用戶(hù)以友好貼心的購(gòu)買(mǎi)體驗(yàn)，能很大程度上提高用戶(hù)購(gòu)買(mǎi)轉(zhuǎn)化率和重復(fù)購(gòu)買(mǎi)率，對(duì)提高用戶(hù)忠誠(chéng)度和用戶(hù)黏性有很大幫助。

　　O2O戰(zhàn)略：布局商業(yè)提升服務(wù)

　　用戶(hù)畫(huà)像可提供不同類(lèi)型用戶(hù)在地理位置上的分布情況，為企業(yè)O2O戰(zhàn)略提供精準(zhǔn)的數(shù)據(jù)支持。比如對(duì)于商超、便利店、自提點(diǎn)等的智能選址，通過(guò)用戶(hù)購(gòu)買(mǎi)能力、家庭組成、年齡、職業(yè)、活動(dòng)范圍等特征評(píng)估，可以了解實(shí)體店面附近的用戶(hù)數(shù)量、消費(fèi)水平、消費(fèi)結(jié)構(gòu)、消費(fèi)風(fēng)格、客流規(guī)律等，對(duì)于實(shí)體店面的建設(shè)有很強(qiáng)的參考意義；同時(shí)，對(duì)于提升用戶(hù)服務(wù)水平，及時(shí)調(diào)配資源，也具有極大的指導(dǎo)價(jià)值。

　　金融信貸：信用評(píng)級(jí)信貸評(píng)分

　　用戶(hù)畫(huà)像提供了豐富的用戶(hù)標(biāo)簽體系，可以為個(gè)人信用評(píng)級(jí)提供詳細(xì)的數(shù)據(jù)參考。如根據(jù)用戶(hù)的年齡、文化程度、職業(yè)、家庭狀況、購(gòu)買(mǎi)習(xí)慣、購(gòu)買(mǎi)能力等，可以對(duì)用戶(hù)信用進(jìn)行全面了解和評(píng)估，可以應(yīng)用于信貸評(píng)分，并進(jìn)行相應(yīng)程度的金融信貸支持。如京東白條也是基于用戶(hù)在京東的信用體系評(píng)級(jí)而匹配額度的，在其他金融信貸業(yè)務(wù)中也將作為重要參考。

　　文/李大學(xué)

關(guān)注讀覽天下微信， 100萬(wàn)篇深度好文， 等你來(lái)看……