一、 用户画像背后的原因

1、金融消费行为的改变，企业无法接触到客户

80后、90后总计共有3.4亿人口，并日益成为金融企业主要的消费者。年轻人将主要的时间都消费在移动互联网，消费在智能手机上。移动APP也成为所有金融企业的客户入口、服务入口、消费入口、数据入口。

金融企业越来越难面对面接触到年轻人，了解年轻人金融产品的需求。

2、消费者需求出现分化，需要寻找目标客户

客户群体正在出现分化，市场上很少有一种产品和一种金融服务可以满足所有用户的需求。金融产品也需要进行细化，为不同客户提供不同产品。

金融企业需要借助于户画像，来了解客户，找到目标客户，触达客户。

二、 用户画像的目的

用户画像是在了解客户需求和消费能力，以及客户信用额度的基础上，寻找潜在产品的目标客户，并利用画像信息为客户开发产品。

三、 用户画像工作坚持的原则

用户画像涉及数据的纬度需要业务场景结合，既要简单干练又要和业务强相关，既要筛选便捷又要方便进一步操作。 用户画像需要坚持三个原则。

1、信用信息和人口属性为主

信用信息是描述一个人在社会中的消费能力信息。信用信息可以直接证明客户的消费能力，是 用户画像中最重要和基础的信息。包含消费者工作、收入、学历、财产等信息。

定位完目标客户之后，金融企业需要触达客户，人口属性信息就是起到触达客户的作用，人口属性信息包含姓名、性别，电话号码，邮件地址，家庭住址等信息。这些信息可以帮助金融企业联系客户，将产品和服务推销给客户。

2、采用强相关信息，忽略弱相关信息

强相关信息就是同场景需求直接相关的信息，其可以是因果信息，也可以是相关程度很高的信息。

例如在其他条件相同的前提下，35岁左右人的平均工资高于平均年龄为30岁的人，计算机专业毕业的学生平均工资高于哲学专业学生，从事金融行业工作的平均工资高于从事纺织行业的平均工资。从这些信息可以看出来人的年龄、学历、职业对收入的影响较大，同收入高低是强相关关系。简单的讲，对信用信息影响较大的信息就是强相关信息，反之则是弱相关信息。

用户其他的信息，例如用户的身高、体重、姓名、星座等信息，很难从概率上分析出其对消费能力的影响，这些弱相关信息，这些信息就不应该放到 用户画像中进行 分析，对用户的信用消费能力影响很小。

3、将定量的信息归类为定性的信息

画像的目的是为产品筛选出目标客户，定量的信息不利于对客户进行筛选，需要将定量信息转化为定性信息，通过信息类别来筛选人群。

例如可以将年龄段对客户进行划分，18岁-25岁定义为年轻人，25岁-35岁定义为中青年，36-45定义为中年人等。可以参考个人收入信息，将人群定义为高收入人群，中等收入人群，低收入人群。参考资产信息也可以将客户定义为高、中、低级别。定性信息的类别和方式方法，金融可以从自身业务出发，没有固定的模式。

将金融企业各类定量信息，集中在一起，对定性信息进行分类，并进行定性化，有利与对用户进行筛选，快速定位目标客户。

四、 用户画像的方法介绍

金融企业需要结合业务需求进行 用户画像，从实用角度出发，我们可以将 用户画像信息分成五类信息。分别是人口属性，信用属性，消费 特征，兴趣爱好，社交属性。它们基本覆盖了业务需求所需要的强相关信息，结合外部场景数据将会产生巨大的商业价值。

1、人口属性：

用于描述一个人基本 特征的信息，主要作用是帮助金融企业知道客户是谁，如何触达用户。姓名，性别，年龄，电话号码，邮箱，家庭住址都属于人口属性信息。

2、信用属性：

用于描述用户收入潜力和收入情况，支付能力。帮助企业了解客户资产情况和信用情况，有利于定位目标客户。客户职业、收入、资产、负债、学历、信用评分等都属于信用信息。

3、消费 特征：

用于描述客户主要消费习惯和消费偏好，用于寻找高频和高价值客户。帮助企业依据客户消费特点推荐相关金融产品和服务，转化率将非常高。为了便于筛选客户，可以参考客户的消费记录将客户直接定性为某些消费 特征人群，例如差旅人群，境外游人群，旅游人群，餐饮用户，汽车用户，母婴用户，理财人群等。

4、兴趣爱好：

帮助企业了解客户兴趣和消费倾向，定向进行活动营销。兴趣爱好的信息可能会和消费 特征中部分信息有重复，区别在于数据来源不同。消费 特征来源于已有的消费记录，但是购买的物品和服务不一定是自己享用，但是兴趣爱好代表本人的真实兴趣。例如户外运动爱好者，旅游爱好者，电影爱好者，科技发烧友，健身爱好者，奢侈品爱好者等。兴趣爱好的信息可能来源于社交信息和客户位置信息。

5、社交信息：

用于描述用户在社交媒体的评论，这些信息往往代表用户内心的想法和需求，具有实时性高，转化率高的特点。例如客户询问上海哪里好玩?房屋贷款哪家优惠多?那个理财产品好?这些社交信息都是代表客户多需求，如果企业可以及时了解到，将会有助于产品推广。

五、金融企业 用户画像的基本步骤

参考金融企业的数据类型和业务需求，可以将金融企业 用户画像工作进行细化。基本上从数据集中到数据处理，从强相关数据到定性分类数据，从引入外部数据到依据业务场景进行筛选目标用户。

1)画像相关数据的整理和集中

金融企业内部的信息分布在不同的系统中，一般情况下，人口属性信息主要集中在 客户关系管理系统，信用信息主要集中在交易系统和产品系统之中，也集中在 客户关系管理系统中，消费 特征主要集中在渠道和产品系统中。

2)找到同业务场景强相关数据

金融企业内部信息较多，在 用户画像阶段不需要对所有信息都采用，只需要采用同业务场景和目标客户强相关的信息即可，这样有助于提高产品转化率，降低ROI，有利于简单找到业务应用场景，在数据变现过程中也容易实现。

3)对数据进行分类和标签化(定量to定性)

金融企业集中了所有信息之后，依据业务需求，对信息进行加工整理，需要对定量的信息进行定性，方便信息分类和筛选。

六、金融行业 用户画像实践

1)银行 用户画像实践介绍

银行具有丰富的交易数据、个人属性数据、消费数据、信用数据和客户数据， 用户画像的需求较大。但是缺少社交信息和兴趣爱好信息。

银行的主要业务需求集中在消费金融、财富管理、融资服务， 用户画像要从这几个角度出发，寻找目标客户。 银行的客户数据很丰富，数据类型和总量较多，系统也很多。可以严格遵循 用户画像的五大步骤。先利用 数据仓库进行数据集中，筛选出强相关信息，对定量信息定性化，生成DMP需要的数据。利用DMP进行基础标签和应用定制，结合业务场景需求，进行目标客户筛选或对用户进行深度分析。同时利用DMP引入外部数据，完善数据场景设计，提高目标客户精准度。找到触达客户的方式，对客户进行营销，并对营销效果进行反馈，衡量数据产品的商业价值。利用反馈数据来修正营销活动和提高ROI。形成市场营销的闭环，实现数据商业价值变现的闭环。

2)保险行业 用户画像实践

保险行业的产品是一个长周期产品，保险客户再次购买保险产品的转化率很高，经营好老客户是保险公司一项重要任务。保险公司内部的交易系统不多，交易方式不是很复杂，数据主要集中在产品系统和交易系统之中， 客户关系管理系统中也包含丰富了信息，但是数据集中在很多保险公司还没有完成， 数据仓库建设可能需要在 用户画像建设前完成。

七、移动大数据的商业价值

在中国，移动大数据的商业应用刚刚开始，在房地产业、零售行业、金融行业、 市场分析等领域取得了一些效果。目前主要的应用在互联网金融的反欺诈领域。

线上的欺诈行为具有较高的隐蔽性，很难识别和侦测。P2P贷款用户很大一部分来源于线上，因此恶意欺诈事件发生在线上的风险远远大于线下。中国的很多数据处于封闭状态，P2P公司在客户真实信息验证方面面临较大的挑战。

移动大数据可以验证P2P客户的居住地点，例如某个客户在利用手机申请贷款时，填写自己居住地是上海。但是P2P企业依据其提供的手机设备信息，发现其过去三个月从来没有居住在上海，这个人提交的信息可能是假信息，发生恶意欺诈的风险较高。

P2P企业可以利用移动设备的位置信息，了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。移动App的使用习惯和某些高风险App也可以帮助P2P企业识别出用户的高风险行为。如果用户经常在半夜2点频繁使用App，其成为高风险客户的概率就较大。

移动大数据在预防互联网恶意欺诈和高风险客户识别方面，已经有了成熟的应用场景。通付盾自2011年起，就开始利用自身不断完善的网籍库和海量风险数据，预防互联网恶意欺诈和识别高风险客户，并取得了较好的效果。移动大数据应用场景正在被逐步挖掘出来，未来移动大数商业应用将更加广阔。

用户画像是 大数据商业应用的重要领域，其实并没有多么复杂，只要掌握 用户画像的原则和方法，以及实施步骤。结合金融企业的业务场景， 用户画像可以帮助金融企业创造商业价值，实现大数据直接变现。