信用卡人群画像《信用卡人群画像怎么看》
人群画像分析怎么做
人群画像分析的方法：
1、时间点：店铺的订单主要在什么时候段产生？目标顾客最佳购物时间点，上午？下午？还是晚上或者凌晨？老客一般多久回购一次？每个月里哪几天购物的顾客会变多？会不会和发工资、假期、工作特点有关系？
2、地点：购买商品的人主要地区分布情况如何？一线城市还是二线城市？南方还是北方？各大省份情况如何？各市的情况情况如何？不同地区的人购买商品时有没有什么一致的喜好？如服装类商家，南方的人体型偏小，买衣服是也是小号衣服买的较多，可以去调取下店铺数据看看，将各个省份地区都对比一下，如果店铺大部分的顾客都是同一个地区的，就尽量根据这个地区的特点来选款，多准备一些受到主要购买地区人群喜爱的SKU。
3、什么人：购买你产品的人是什么样的？年纪多大？是男性还是女性？是学生还是上班族？消费水平情况如何？普遍收入情况如何？这群人有什么特点，比如说，上班族的公司职员，十一点以后网购的数量就会减少，而上午十点左右反而是他们的购物高峰期；学生党则正好相反，大部分在十一点以后还十分活跃的购物，上午十一点以前购物欲望反而不算太高。
4、什么样的物品：我们能给买家提供什么样的商品？这些商品能否满足他们的购物需求？售后服务是否良好？将目标用户细分，针对他们的特点来分析他们的主要需求，再看我们的商品在除了主要功能之外，有没有针对特定群体进行过优化，满足他们的额外需求。
5、购买目的：造成这个原因是怎么样的？顾客购买商品时的目的是怎样的？卖得好的商品究竟哪一个优点最吸引买家。下一次这个成功的点你就可以利用，同行的道理，如果效果不好，你也要分析为什么？
6、分析原由：在分析买家人群画像行为的时候，我们有一点需要注意：就是这群人他们会如何去做，他们会先加入购物车还是直接付款？他们是喜欢用白条还是信用卡？他们喜欢购买打折的产品吗？这是你做人群画像分析的时候要去思考和分析的。
7、定价：主要买家群体的消费水平是怎样的？他们每个月能承受多少的购物花费？平均一般喜欢购买什么价位的产品？购买的数量是多少？一个月会购买几次东西？
数据分析的本质其实就是通过透析买家的心理，定位买家的需求去，进行整体的方向性调整，在有市场需求的情况下才会去做的更好。
1.4 用户分析 - 用户特征分析（用户画像）
话不多说，进入主题。
1.1 什么是用户特征分析
a、通过各种方法，更完整了解目标群体的情况
b、描述典型的目标用户及其群体行为
c、用户分析 = 信息的分析
d、核心就是关注用户心理变化，必定通过行为表现
1.2 用户特征分析的目的
a、明确知道你的用户真实的诉求点是什么
b、为功能设计提供核心依据（妹纸嘴上不要花，但是你送就开心；过年红包的例子，嘴上：阿姨不能给，心里：谢谢阿姨）
c、数据挖掘与用户推荐的底层支持
怎么做用户特征分析呢，首先，先举个简单的例子：
假设有一个人，我们从外观上只知道他是男性，除此之外我们对他完全不了解，接下来我们一步一步透露更多信息：
-25岁、码农、本科、未婚
-爱玩英雄联盟，但从不买皮肤
-每天加班到9点、经常上聚划算、下午1点上淘宝、月薪25K
-经常穿优衣库的衣服裤子
通过以上信息，咱们大致能知道这是一个高收入却抠门的码农。这就是基础的用户特征分析，下面我们来讲讲具体的方法。
2.1 用户特征分析的逻辑
2.2 用户特征分析的实际操作方法和过程
a、基础属性（不变，较为稳定的）：年龄、性别、星座、教育、身高、职业等
b、社会关系（较难拿到了）：有孩子、有老公、父母、兄弟姐妹等
c、消费能力（基本上难拿到或拿不到，假的概率大）：月收入、月消费、有支付宝、多少张信用卡、有无房贷、开了花呗没有等
d、 行为特征（很重要 、只能分析出来）：经常团购、经常加班、上班刷微博、讨厌不准时、开会不准时、在网吧上网、经常蹭网等
基本上都是拿数据说话的，通过数据分析得到行为特征，很重要
e、心理特征（从行为特征分析出心理）：价格敏感（对付方法，推便宜的东西）、品牌偏好、好攀比、犹豫和纠结、果断、健康诉求高等等
这里举一个布棉老师的例子。
赶集网婚恋交友类别下，客服收到用户投诉：
在频道上和一个女生聊天，很快就约见面了，见面地点在一个不知名的酒吧，点了上千块的酒水，目前联系不上了
产品经理/运营猜测：
-这是酒托骗人的情况，用户应该是被酒托骗了
SO：
-认真对受骗的用户进行了访谈
-要到了用户的帐号ID和疑似酒托的ID
分析：
-酒托一般群体作案，找出一个，治理一群，大致思路如下
3.1 个体分析（此时问卷调查是无力的，这也是不提倡问卷的弊端之一）
a、基础信息：女性
b、社会关系：互为好友、聊过天的人、同一个IP段的
c、消费能力：无
d、行为特征：（没有就让开发埋点，规则条件清楚，数据肯定有的）
提出可能的行为特征
结合行为特征，判断哪些关键行为特征组合后能够确定一个人是不是酒托，不一定要全部特征，适当考虑性价比最高的几条，条件多了开发也难受
e、心理特征：酒托心理
3.2 关键行为特征
a、猜测关键的行为有哪些？
b、关键行为看交叉验证，也就是重复组合关键行为特征
c、明确特征的计算方式，即算法、数字。例如在线时间很长 -》 超过5小时
d、命中的行为路径是什么，分析整个流程，在哪个阶段命中的这个情况。
3.3 召回验证
a、把关键行为特征交叉后调出数据，然后验证数据。
b、召回率：有多少命中策略的数据被调取出来了
c、找回准确率：召回的数据中，准确率多少 ？
d、优化：修正特征数据，调整粒度
3.4 找最有效的解决方案
a、用户特征分析越细致，解决方案就越准确有效。在关键节点上进行处理，让用户察觉不到处理机制，避免违规用户换法子重来。
b、解决方案的排序：用户量和频次进行选择
这个案例最后的处理方式：通过阻断聊天阶段违规用户的信息发送，用户收不到来自酒托的任何信息，酒托方面也没有任何提示，不会被察觉，也不会被发现，酒托觉得是为所欲为，结果毫无作用，自己就走了，降低方案后续迭代成本。
怎么样去进行准确的用户画像分析？
用户画像，是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。
进行精准的用户画像分析，需进行对用户进行多维度划分，多维度划分，可以知道用户在不同维度下的不同用户使用场景。依据不同用户使用场景下的使用心理进行精准的用户产品设计，或者运营打造个性化推送，方便产品进行用户SKU收集，为用户分析动态建模提供维度和数据支持。
那么怎么样构建真实、动态的用户画像呢？
需要从四个维度构建：用户静态属性、用户动态属性、用户心理属性、用户消费属性。
1、静态属性
静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础，最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。依据不同的产品，记性不同信息的权重划分。如果是社交产品，静态属性比较高的是性别性别、收入等。
2、动态属性
动态属性指用户在再互联网环境下的上网行为。信息时代用户出行、工作、休假、娱乐等都离不开互联网。那么在互联网环境下用户会发生哪些上网行为呢？动态属性能更好的记录用户日常的上网偏好。
3、消费属性
消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理。这个动态属性是随着用户的收入等变量而变化的。在进行产品设计时对用户是倾向于功能价值还是倾向于感情价值，有更好的把握。
4、心理属性
心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动。进行用户心理属性得划分更好的依据用户的心理行为进行产品的设计和产品运营。
根据以上的用户画像维度划分，以大学生为例，进行用户画像的建模。把维度划分好之后，进行四个维度的桌面研究，如果可以的话，收集完资料之后进行定性研究。桌面研究，到各大网站收集数据质量：百度指数、艾瑞网、TalkingData、友盟、企鹅智库、 Dataeye等数据质量渠道收集数据。从这个维度去收集用户资料。经过个人整理，得出简单结论（只是流程走通，具体很多细节还需要细化，考虑篇幅问题，不做具体描述）。
举例：大学生
大学生消费属性下的消费需求、动态属性下的聊天、娱乐需求，心理属性下的交友需求。大学生消费属性消费意向：消费占比饮食、购物、通讯、恋爱、游玩、出游为比重较高的。消费意识：银行卡、信用卡、分期消费等消费意识。消费心理：理性消费仍为消费主流；消费嗜好：消费呈现向多元化发展，服饰装扮，恋爱费，聚会吃喝为主流。
大学生心理属性大一、二、三（18-23）主要心理特征：交际困难、学习压力、恋爱感情波动、人格缺陷。大四（24-25）心理特征：就业压力、感情波动.大学生动态属性网上行为动态属性占比为：聊天、看电视剧、看电影、购物、微博、查资料。动态属性主要有量大需求：聊天需求、娱乐需求。根据大学生用户画像，如果是运营活动类可偏向于送电影票、送网站会员（爱奇艺、乐视、搜狐、腾讯等）、送聊天工具会员（如：QQ会员、迅雷会员、陌陌会员、YY会员等）。将需求和产品推广相结合。（只是流程走通，具体很多细节还需要细化，考虑篇幅问题，不做具体描述）。
结语
进行精准的用户画像分析，能更好的服务、满足用户的内心真实需求。不对用户进行多维度的剖析，哪能明白用户真是的想法。有句话怎么说来着？做产品，得知道窥探人的心理，窥探人的内心想法。以一颗单纯洁白的心，去走进用户的心里，把纯洁的心染上用户的颜色。最后，豌侠所说的，都是没用的，大家自行体会。
现在还有多少人用信用卡？
说起信用消费，现在人们都已不感到陌生，之前信用卡一度是国内人们身份的象征之一，近年来支付宝的蚂蚁花呗以及京东的京东白条迅速走红，几乎形成现象级的使用规模。最近不少人提出一个问题，到2019年国内使用信用卡的人有多少，与花呗以及白条相比，信用卡最大的优势又在哪里？今后持卡人数还会进一步增加吗？
从使用时间上看，信用卡的历史明显更长，信用卡在国内产生应用最初是生意人的标配，刷卡即走，而且有一定透支额度既满足了一定的周转需求，并且也节省时间，更具商务气息，在很长一段时间内受到人们的追捧。但在移动支付出现后，便捷支付的门槛降低，无论是什么价位的智能手机，只需简单扫码便可完成支付，人们的生活消费自此更加便捷。除此之外，以支付宝为代表的众多P2P平台推出信用消费业务，透支额度不再是信用卡的专属，门槛降低，短短时间内走红。
如果说最初的P2P信用消费往往局限于电商平台的话，去年开始支付宝的蚂蚁花呗也支持线下支付场景，加上支付宝花呗红包等一系列活动的营销宣传，人们似乎越来越习惯使用这种门槛极低又极其方便的信用消费业务。这对信用卡的发行自然形成一定冲击，从各大商业银行对信用卡办卡的宣传以及更加丰富的优惠活动来看，线上信用消费业务与传统的信用卡竞争正处于激烈状态，而且商业银行方面的焦灼感似乎更强。
来看二者的用户画像，对于年轻人而言，蚂蚁花呗京东白条等一些线上信用消费业务的使用已经较为普遍，尤其是学生群体由于支出相对较少，消费方面也较为单一主要集中在网络购物，蚂蚁花呗等一些服务低门槛的优势更加突出，相比于信用卡更受欢迎。但在实体购物消费当中，信用卡的优势依然存在，国内众多P2P平台只有支付宝的蚂蚁花呗目前较大规模的支持线下支付，信用卡依然是这一场景中的主流，因此就目前二者发展应用的现状来看，这场比拼不分伯仲。
根据2018年底的统计数据，全国人均拥有信用卡0.49张，五大主流银行：中国银行，农业银行，工商银行，建设银行的发卡量均突破一亿张，国内商业银行信用卡发卡数量共计6.28亿张，授信额度达到了13.98万亿元。以此来看，拥有信用卡的客户占银行总客户的比例在20%左右，30年来已经以较快的速度保持增长，今后的上升空间还有很大。
在看P2P平台与商业银行的关系，虽然P2P平台的出现以及不断拓展的业务层面对传统商业银行形成一定冲击，但从根本上看，P2P平台并不能脱离银行而单独存在。当前P2P平台也在与商业银行共同谋划更为紧密的合作，除了移动支付以及简单的信用消费之外，基金等一些理财产品的互融互通也在积极探索当中。
从用户的反馈来看，线上理财更为方便而且难度有所降低，这就使得银行与P2P平台找到更加广阔的合作契机，今后的业务拓展潜力更大。除此之外，P2P平台当中目前也较为普遍的加入信用卡还款这一功能，这便说明当前信用体制不断完善的背景下，信用消费业务之间的互通性也得到进一步加强，可以说，线上信用消费业务与信用卡在线下场景当中的使用形成了一定的互补，更加全面的覆盖到人们日常生活当中。
值得注意的是，信用消费是一把双刃剑，从多年的发展来看似乎更适合自制力较强的人，消费是拉动宏观经济增长的关键要素，我们也提倡适度消费，但不考虑自身收入实际以及今后的预期盲目透支信用的行为应当加以纠正规避。
客观来看，信用消费便是花明天的钱圆今天的梦，一定程度上增强了人们生活的幸福感，对于社会经济的发展也起到了不小的促进作用，但信用消费使得部分人陷入到债务困境，甚至导致恶意失信行为的例子也有不少，因此我们对于信用消费始终要保持理性，只有合理的应用才能为我们的生活提供帮助，进而提升我们的幸福感。
本文为“财经汇通车”原创文章，未经授权，不得转载！喜欢文章的可以加个关注的，你们的支持是小编最大的动力。（以上图片均来自于网络)
金融行业如何用大数据构建精准用户画像？
用户画像的焦点工作就是为用户打“标签”，而一个标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、用户偏好等，最后将用户的所有标签综合来看，就可以勾勒出该用户的立体“画像”了。
为了精准地描述用户特征，可以参考下面的思路，从用户微观画像的建立→用户画像的标签建模→用户画像的数据架构，我们由微观到宏观，逐层分析。
首先我们从微观来看，如何给用户的微观画像进行分级呢？如下图所示
总原则：基于一级分类上述分类逐级进行细分。
第一分类：人口属性、资产特征、营销特性、兴趣爱好、购物爱好、需求特征
市场上用户画像的方法很多，许多企业也提供用户画像服务，将用户画像提升到很有逼格一件事。金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型，搞的用户画像是一个巨大而复杂的工程。但是费力很大力气进行了画像之后，却发现只剩下了用户画像，和业务相聚甚远，没有办法直接支持业务运营，投入精力巨大但是回报微小，可以说是得不偿失，无法向领导交代。
事实上， 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，分别是人口属性和信用信息为主，强相关信息为主，定性数据为主。下面就分别展开进行解释和分析。
描述一个用户的信息很多，信用信息是用户画像中重要的信息，信用信息是描述一个人在社会中的消费能力信息。任何企业进行用户画像的目的是寻找目标客户，其必须是具有潜在消费能力的用户。 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 。一句戏言，所有的信息都是信用信息就是这个道理。其包含消费者工作、收入、学历、财产等信息。
我们需要介绍一下强相关信息和弱相关信息。 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。
如果定义采用0到1作为相关系数取值范围的化，0.6以上的相关系数就应该定义为强相关信息。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，上海的平均工资超过海南省平均工资。从这些信息可以看出来人的年龄、学历、职业、地点对收入的影响较大，同收入高低是强相关关系。简单的将，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，不具有较大的商业价值。
用户画像和用户分析时，需要考虑强相关信息，不要考虑弱相关信息，这是用户画像的一个原则。
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，是用户画像的另外一个原则。
下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
什么用户 ：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
什么时间 ：时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
什么地点 ：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
内容 ：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。 商品的售卖价值，不在于成本，更在于售卖地点。 标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即愿意支付的价值不同。
标签 权重
矿泉水 1 // 超市
矿泉水 3 // 火车
矿泉水 5 // 景区
类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
什么事 ：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1
红酒 1 // 浏览红酒
红酒 5 // 购买红酒
综合上述分析，用户画像的数据模型，可以概括为下面的公式： 用户标识 + 时间 + 行为类型 + 接触点（网址+内容） ，某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
标签： 红酒，长城
时间： 因为是昨天的行为，假设衰减因子为：r=0.95
行为类型： 浏览行为记为权重1
地点： 品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户A：红酒 0.665、长城 0.665。
上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。
百分点现已全面应用用户画像技术于推荐引擎中 ，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。
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 。
兴趣爱好和社交信息需要从外部引入 ，例如客户的行为轨迹可以代表其兴趣爱好和品牌爱好，移动设备到位置信息可以提供较为准确的兴趣爱好信息。社交信息，可以借助于金融行业自身的文本挖掘能力进行采集和分析，也是可以借助于厂商的技术能力在社交网站上直接获得。社交信息往往是实时信息，商业价值较高，转化率也较高，是大数据预测方面的主要信息来源。例如用户在社交网站上提出罗马哪里好玩的问题，就代表用户未来可能有出国旅游的需求；如果客户在对比两款汽车的优良，客户购买汽车的可能性就较大。金融企业可以及时介入，为客户提供金融服务。
客户画像数据主要分为五类， 人口属性、信用信息、消费特征、兴趣爱好、社交信息。 这些数据都分布在不同的信息系统，金融企业都上线了数据仓库（DW），所有画像相关的强相关信息都可以从数据仓库里面整理和集中，并且依据画像商业需求，利用跑批作业，加工数据，生成用户画像的原始数据。
数据仓库成为用户画像数据的主要处理工具，依据业务场景和画像需求将原始数据进行分类、筛选、归纳、加工等，生成用户画像需要的原始数据。
用户画像的纬度信息不是越多越好，只需要找到这五大类画像信息强相关信息，同业务场景强相关信息，同产品和目标客户强相关信息即可。根本不存在360度的用户画像信息，也不存在丰富的信息可以完全了解客户，另外数据的实效性也要重点考虑。
依据用户画像的原则，所有画像信息应该是五大分类的强相关信息。强相关信息是指同业务场景强相关信息，可以帮助金融行业定位目标客户，了解客户潜在需求，开发需求产品。
只有强相关信息才能帮助金融企业有效结合业务需求，创造商业价值 。例如姓名、手机号、家庭地址就是能够触达客户的强人口属性信息，收入、学历、职业、资产就是客户信用信息的强相关信息。差旅人群、境外游人群、汽车用户、旅游人群、母婴人群就是消费特征的强相关信息。摄影爱好者、游戏爱好者、健身爱好者、电影人群、户外爱好者就是客户兴趣爱好的强相关信息。社交媒体上发表的旅游需求，旅游攻略，理财咨询，汽车需求，房产需求等信息代表了用户的内心需求，是社交信息场景应用的强相关信息。
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，降低投资回报率（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。
千万不要将用户画像工作搞的过于复杂，同业务场景关系不大， 这样就让很多金融企业特别是领导失去用户画像的兴趣，看不到用户画像的商业，不愿意在大数据领域投资。为企业带来商业价值才是用户画像工作的主要动力和主要目的。
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。这部分工作建议在数据仓库进行，不建议在大数据管理平台（DMP）里进行加工。
定性信息进行定量分类是用户画像的一个重要工作环节，具有较高的业务场景要求，考验用户画像商业需求的转化。其主要目的是帮助企业将复杂数据简单化，将交易数据定性进行归类，并且融入商业分析的要求，对数据进行商业加工。例如可以将客户按照年龄区间分为学生，青年，中青年，中年，中老年，老年等人生阶段。源于各人生阶段的金融服务需求不同，在寻找目标客户时，可以通过人生阶段进行目标客户定位。企业可以利用客户的收入、学历、资产等情况将客户分为低、中、高端客户，并依据其金融服务需求，提供不同的金融服务。可以参考其金融消费记录和资产信息，以及交易产品，购买的产品，将客户消费特征进行定性描述，区分出电商客户，理财客户，保险客户，稳健投资客户，激进投资客户，餐饮客户，旅游客户，高端客户，公务员客户等。利用外部的数据可以将定性客户的兴趣爱好，例如户外爱好者，奢侈品爱好者，科技产品发烧友，摄影爱好者，高端汽车需求者等信息。
将定量信息归纳为定性信息，并依据业务需求进行标签化 ，有助于金融企业找到目标客户，并且了解客户的潜在需求，为金融行业的产品找到目标客户，进行精准营销，降低营销成本，提高产品转化率。另外金融企业还可以依据客户的消费特征、兴趣爱好、社交信息及时为客户推荐产品，设计产品，优化产品流程。提高产品销售的活跃率，帮助金融企业更好地为客户设计产品。
利用数据进行画像目的主要是为业务场景提供数据支持，包括寻找到产品的目标客户和触达客户。金融企业自身的数据不足以了解客户的消费特征、兴趣爱好、社交信息。
金融企业可以引入外部信息来丰富客户画像信息，例如引入银联和电商的信息来丰富消费特征信息，引入移动大数据的位置信息来丰富客户的兴趣爱好信息，引入外部厂商的数据来丰富社交信息等。
外部信息的纬度较多，内容也很丰富，但是如何引入外部信息是一项具有挑战的工作。外部信息在引入时需要考虑几个问题，分别是外部数据的覆盖率，如何和内部数据打通，和内部信息的匹配率，以及信息的相关程度，还有数据的鲜活度，这些都是引入外部信息的主要考虑纬度。外部数据鱼龙混杂，数据的合规性也是金融企业在引入外部数据时的一个重要考虑， 敏感的信息例如手机号、家庭住址、身份证号在引入或匹配时都应该注意隐私问题 ， 基本的原则是不进行数据交换，可以进行数据匹配和验证。
外部数据不会集中在某一家，需要金融企业花费大量时间进行寻找。外部数据和内部数据的打通是个很复杂的问题， 手机号／设备号／身份证号的MD5数值匹配是一种好的方法 ，不涉及隐私数据的交换，可以进行唯一匹配。依据行业内部的经验，没有一家企业外部数据可以满足企业要求，外部数据的引入需要多方面数据。一般情况下，数据覆盖率达到70%以上，就是一个非常高的覆盖率。覆盖率达到20%以上就可以进行商业应用了。
金融行业外部数据源较好合作方有 银联、芝麻信用、运营商、中航信、腾云天下、腾讯、微博、前海征信，各大电商平台等 。市场上数据提供商已经很多，并且数据质量都不错，需要金融行业一家一家去挖掘，或者委托一个厂商代理引入也可以。独立第三方帮助金融行业引入外部数据可以降低数据交易成本，同时也可以降低数据合规风险，是一个不错的尝试。另外各大城市和区域的大数据交易平台，也是一个较好的外部数据引入方式。
用户画像主要目的是让金融企业挖掘已有的数据价值，利用数据画像技术寻找到目标客户和客户的潜在需求，进行产品推销和设计改良产品。
用户画像从业务场景出发，实现数据商业变现重要方式。 用户画像是数据思维运营过程中的一个重要闭环，帮助金融企业利用数据进行精细化运营和市场营销，以及产品设计。用户画像就是一切以数据商业化运营为中心，以商业场景为主，帮助金融企业深度分析客户，找到目标客户。
DMP（大数据管理平台）在整个用户画像过程中起到了一个数据变现的作用。从技术角度来讲，DMP将画像数据进行标签化，利用机器学习算法来找到相似人群，同业务场景深度结合，筛选出具有价值的数据和客户，定位目标客户，触达客户，对营销效果进行记录和反馈。大数据管理平台DMP过去主要应用在广告行业，在金融行业应用不多，未来会成为数据商业应用的主要平台。
DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户，筛选出稳健投资人，激进投资人，财富管理等方面等客户，并且可以触达这些客户，提高产品转化率，利用数据进行价值变现。DMP还可以了解客户的消费习惯、兴趣爱好、以及近期需求，为客户定制金融产品和服务，进行跨界营销。利用客户的消费偏好，提高产品转化率，提高用户黏度。
DMP还作为引入外部数据的平台，将外部具有价值的数据引入到金融企业内部，补充用户画像数据，创建不同业务应用场景和商业需求，特别是移动大数据、电商数据、社交数据的应用，可以帮助金融企业来进行数据价值变现，让用户画像离商业应用更加近一些，体现用户画像的商业价值。
用户画像的关键不是360度分析客户，而是为企业带来商业价值 ，离开了商业价值谈用户画像就是耍流氓。金融企业用户画像项目出发点一定要从业务需求出发，从强相关数据出发，从业务场景应用出发。用户画像的本质就是深度分析客户，掌握具有价值数据，找到目标客户，按照客户需求来定制产品，利用数据实现价值变现。
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。
到银行网点来办业务的人年纪偏大，未来消费者主要在网上进行业务办理。银行接触不到客户，无法了解客户需求，缺少触达客户的手段。分析客户、了解客户、找到目标客户、为客户设计其需要的产品，成了银行进行用户画像的主要目的。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。另外DMP还可以深度分析客户，依据客户的消费特征、兴趣爱好、社交需求、信用信息来开发设计产品，为金融企业的产品开发提供数据支撑，并为产品销售方式提供场景数据。
简单介绍一些DMP可以做到的数据场景变现。
A 寻找分期客户
利用发卡机构数据＋自身数据＋信用卡数据，发现信用卡消费超过其月收入的用户，推荐其进行消费分期。
B 寻找高端资产客户
利用发卡机构数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务。
利用自身数据（交易＋工资）＋移动端理财客户端／电商活跃数据。发现客户将工资／资产转到外部，但是电商消费不活跃客户，其互联网理财可能性较大，可以为其提供理财服务，将资金留在本行。
D 寻找境外游客户
利用自身卡消费数据＋移动设备位置信息＋社交好境外强相关数据（攻略，航线，景点，费用），寻找境外游客户为其提供金融服务。
E 寻找贷款客户
利用自身数据（人口属性＋信用信息）＋移动设备位置信息＋社交购房／消费强相关信息，寻找即将购车／购房的目标客户，为其提供金融服务（抵押贷款／消费贷款）。
来源: 钱塘大数据二次整理，TalkingData的鲍忠铁原文出处，
