在 浅谈大数据产品经理 一文中提到数据的价值的两大方向，数据决策和产品智能；产品智能方向：精细化运营更强调数据挖掘价值的应用；而要做精细化运营，首先要建立本企业的用户画像。搭建一套用户画像方案整体来说需要考虑8个模块的建设，如下：
主要内容模块包含：
- 一、用户画像基础
- 二、标签指标体系
- 三、标签平台管理
- 四、标签数据开发
- 五、标签数据存储
- 六、标签调度推数
- 七、用户画像系统
- 八、用户画像应用
一、用户画像基础
1、什么是用户画像
用户画像是指描述一个用户或用户群体的细节和特征的方法，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。
概括一句话：即用户信息标签化。
2、用户画像架构
数据参考架构一：
1）数据底层整理
- 图中最下方的虚线框中的内容，是常见的数据仓库ETL加工流程，也就是将每日的业务数据、日志数据、埋点数据等经过ETL处理，加工到数据仓库对应的ODS层、DW层、DM层中。
- 数据指标的的梳理来源于各个系统日常积累的日志记录系统，通过大数据平台接入数据仓库中。
- 数仓底层主要依托hadoop、hdfs、hive
2）用户画像建模
- 中间的虚线框即为用户画像建模的重要环节，即对基于数据仓库ODS层、DW层、DM层中与用户相关的数据的二次建模加工，而用户画像系统并不是产生数据的源头，之后将二次加工后的用户标签结果写入到Hive中。
- 由于不同的数据库有不同的应用场景，后续需要进一步将数据同步到MySQL、HBase、Elasticsearch等数据库中
3）面向应用
- 用户标签数据在Hive中加工完成之后，部分标签通同步到MySQL、ES数据库中，提供用于BI报表展示的数据、多为透视分析的数据、圈人服务的数据；
- 另一部分标签同步到HBase数据库中，用户产品线上个性化推荐
参考架构二：
参考架构三：
参考架构四：
参考架构五（定位）：
- 相对于数据仓库而言，用户画像属于“上层建筑”，以数据仓库沉淀的数据为基础，提炼出更有价值的信息。
- 同时用户画像也是一种数据服务，在它之上还有“更高的建筑”，比如推荐系统，营销系统、风控系统、用于广告投放的DMP系统等等。这些系统往往需要对用户进行识别定位，那么用户画像就是最重要的数据来源。
- 画像中心的数据全部来源于数仓，但是其又不能直接使用数仓，所以需要按照画像的标准，以用户为单位，将数据再次进行提炼、加工组合，形成以用户标签为中心的数据
3、画像开发流程
1）需求分析
- 用户画像体系的建设不能凭空捏造，需要根据实际的业务需求，考量画像系统能为业务带来的价值，所以我们第一步要做的是分析业务需求。
2）搭建标签体系
- 标签是某一种用户特征的符号表示，标签解决的是描述（或命名）问题，但在实际应用中，还需要解决数据之间的关联，所以通常将标签作为一个体系来设计，以解决数据之间的关联问题。
- 所以说我们在给用户打标签的同时，需要有一个分类标准，简单说，就是你把用户分到多少个类别里面去，这些类是什么，彼此之间有什么关系，就构成了标签体系。
3）建立用户画像和用户画像系统
- 在把用户数据标签化之后，通过相应的模型或工具，根据数据分析的结果，将用户的特征、兴趣和行为整合成用户画像的形式，可以是文字描述、标签或图表等形式，以便后续使用和分析。
- 为了提高体验，我们更多的的时候是一个用画像系统。
4）画像应用
- 应用场景包含 3 类：精准营销、用户分析、个性化推荐。
5）用户标签的应用价值
用户特征洞察：
- 辅助用户分析和用户洞察，用户标签可以帮助业务人员快速的对用户有一个认知，然后发现里面显著的特征，获得一些商业灵感。
增强数据分析：
- 标签还可以丰富数据的维度。对我们的业务数据，有更深层次的对比分析，而分析洞察得到的灵感以后，可以辅助业务落地。
精细化运营：
- 一方面，可以将用户群体，切割成更细粒度的群组，使得运营从粗放化到精细化，用多种不同的手段，不同的渠道去触达，比如说短信、推送、邮件等等，对于用户进行驱动或召回，从而达到事半功倍的效果。
数据产品应用：
- 另一方面，除了驱动人工的业务以外，用户标签还可以成为其他数据产品的基础，比如个性化推荐系统，广告系统，CRM等这些系统。自动化的业务系统能更有效的利用这些用户标签，从而发挥更巨大的威力。
参考：