客户画像一：客户画像基础

本文为客户画像基础篇，对于已具备画像相关经验一年以上的，可选择直接跳过。

说到客户肖像，你在想什么？什么是客户肖像，什么是标签，什么是客户群？...TA它们有什么区别，它们之间的关系是什么？恐怕每个人对这些基本内容的理解都会不一致。在企业客户肖像建设过程中，IT团队和业务团队首先要对齐下一部分，否则下一步该怎么办？

本文试图从客户肖像的基本角度回答以下六个问题：

1.什么是客户肖像？客户肖像的起源和传统ECIF有什么区别？

2.客户肖像中的几个概念：统一ID、对象、标签、标签类别等

3.客户肖像的定位有哪些价值？

4.客户主数据、数据仓库和客户肖像之间的关系是什么？

5.客户肖像的实施方法有哪些，彼此有哪些优缺点？

6.客户肖像、客户分层、客户分组之间的关系是什么，常见的客户分层模型是什么？

什么是客户画像？

画像这个词是在C端互联网公司火爆，但在此之前并非没有这样的概念，只是名字不一样。在过去的10年里，互联网公司主要做的是C终端业务被称为用户肖像。因为作者现在在工作TOB除特别指出属于的企业外，B2B2C在用户外，其他地方统一用户，如客户肖像、客户群、客户id，客户属性等。

在肖像这个词之前，中国围绕客户数据起步较早的行业主要是银行、运营商和航空公司。当时的话没那么洋气ECIF(EntERPrise Customer Infor ** tion Facility)，也就是级客户信息视图，传统却厚重。

在ECIF其核心功能主要包括：

一方面，确定客户的单一视图ID另一方面，客户的各种信息，包括基本信息、账户信息、合同信息、服务信息等，都是从各个系统中整合出来的。

2）客户分层分群，在客户信息整合的基础上，利用数学统计和挖掘算法，对客户进行各种标识，从而达到客户分群目的。

3)数据分析端应用，主要业务分析和辅助决策分析，分析客户规模、分布、公司收入贡献、客户损失分析、回购分析等。

4)前台业务端应用，如普通客户和普通客户VIP客户、黄金VIP客户分组，向客户推荐差异化的产品和服务包。如果你很常见，如果你在某个月使用太多的流量，你会被运营商推荐购买xx元xxG优惠流量包增值服务包。这是一种典型的应用，整合客户信息，将客户群和业务策略以自动化的方式结合起来。

在今天的大数据客户肖像语境中，过去ECIF系统中的核心功能仍毫无过时，基本也是在这四点上做文章。现今，所不同的是：

1)数据的内容更广泛。过去主要是内部交易数据，但现在还涉及操作行为日志和外部第三方数据；

2)数据的实时性更强，过去都是T 1.随着技术的发展，可以实时处理和应用数据；

3)数据算法更丰富，算法开发门槛更低；

4)数据与业务的结合更加紧密，肖像的应用价值从数据分析应用的幕后走向前台业务应用的舞台。

这是下一个定义的时候了。所谓定义了。所谓的客户肖像，一方面，确定客户的唯一标志，全面整合各种客户数据，另一方面，结合业务需求和运营模式，分析和挖掘客户数据，标记，最终形成客户全景信息视图。

2.客户肖像中的几个概念

不久前，我正在整理一份材料，并专门整理了这部分内容。不要胡说八道，直接上图。

                                                                                                                                                                                                                                                   

上图中需要拿出几个关键部分:

1)肖像对象，客户肖像只属于肖像对象之一。在实际过程中，基于精细操作的考虑，产品、用户、合作伙伴、供应商和员工也是常见的对象。例如，向90年代后和三口之家的用户推荐具有成本效益和智能标签的冰箱，属于产品肖像和用户肖像共同应用的业务场景。

2)标签类别，在网络上，有些人将标签分为事实标签、模型标签、算法标签（或预测标签），事实上，与上述属性标签、统计标签、规则标签、算法标签的分类不同。事实标签包括属性标签和统计标签，模型标签是规则标签的另一种说法。

3)对象标识，确定标识对象的标识符是所有肖像工作的基础。这项工作远不是一个ID要确定这么简单的一个ID也比较困难，尤其是企业业务系统陈旧，没有主数据管理的时候，下一章后面的章节里会有提到。

此外，如果它是一个多元化的企业，在构建客户肖像时的理想做法当然是对所有多元化的业务进行统一的数据和业务调查，并统一确定客户的唯一标志。然而，在实际过程中，往往面临着人员配置不足和企业管理中的许多因素，只能在物理上建立一个又一个单一业务领域客户的小客户肖像。事实上，这并没有真正完成客户数据集成和大集中的目的。然而，从另一个角度来看，理想最终应该考虑现实，企业在不同的增长阶段会有不同的需求。当交叉销售和跨业务领域对客户协作服务至关重要时，这种全球客户集成将再次被列入议程。

3、客户画像的定位与价值

关于客户肖像的价值，在杜娘中输入关键词搜索，呈现数千万条。总的来说，它是相似的，更多的是不同的表达方式和焦点。下面是搜索，其中一个关于肖像价值内容的神圣策略，谈谈作者的理解。

                                                                                                                                                                                           

显然，在完成客户的各种标签建设后，沉淀的标签必须流入业务应用程序，以发挥其价值，否则将是一堆僵尸标签死在数据仓库，仅供程序员提高。

我认为画像价值的释放主要有两：

1、数据分析：客户实施标签包装后，可以实现客户的深入洞察力和研究，支持基于标签结果的业务运营结果和业务流程的丰富和深入分析。在上图中，用户分析和数据分析属于此类。例如，从事用户研究的人可以根据各种标签了解用户的各种特征；根据用户的各种标签特征，进一步分析各种用户对收入和利润的深入分析

2.业务应用:客户标签建设的核心目的根本不是分析，而是在业务应用中，应该关注广告系统、精准营销、个性化推荐、客户整个生命周期的精细运营等系统或业务场景中的应用。上图中的精细操作和产品应用就是这样。例如，互联网已经泛滥。

4.客户主数据、数据仓库、客户肖像之间的关系

首先，在上一张图中，企业对数据管理的一般数据分类：

                                                                                                                                                                                                                                               

基础数据：业务数据化、企业管理设计的业务流程数据化、数据沉淀IT系统。IT在构建系统的过程中，主数据、参考数据和交易数据的标准化是IT首先要考虑系统设计。

分析数据：数据业务、业务数据沉淀数据矿产，通过大数据、机器学习技术、价值细化细化，形成企业数据资产，然后通过服务能力建立不同业务领域和不同角色的数据产品，实现现有业务系统。一方面，分析数据集成IT系统基础数据，另一方面，基于业务和数据集成方法生成分析数据。生成的分析数据、数据仓库系统和肖像数据系统是两个重要环节。

通过这张图，相信大家应该能够得出客户主数据与数据仓库、客户肖像之间的关系。

那么，数据仓库和客户肖像有什么关系呢？让我们看看另一张图片：

                                                                                                                                                                                                                                                                       

数兰科技出版的《数据中心平台 使用数据》将数据中心平台建设的内容域分为数据技术系统、数据资产系统、资产管理系统和数据服务系统四个部分。事实上，每个部分都可以单独写一本书，因为它专注于客户肖像，所以这里没有深入展开。在目前行业尚未形成统一的数据中心平台认知标准的情况下，作者非常同意数兰抽象的四个分类的顶层框架。

数据资产系统属于数据中心平台的血肉。它主要集成和净化数据，使数据成为一种资产。数据资产系统具有数据层，可进一步分为贴源镜像层、数据仓库层、标签层（或图像层）和应用市场层。以下是各级的划分原则和说明。

                                                                                                                                                                                                                                                                               

数据仓库层的主要目的是建立数据标准和规范的存储基础，将整合的基础数据分为主题、层次、事实表维度表等，并将数据分类有序地放置。

客户肖像层的主要目的是通过统计、业务规则、算法等手段，从数据仓库的主题区域整合客户的各种信息，完成客户的标签。

因此，数据仓库是客户肖像的核心数据源。为了完成业务场景的闭环，客户肖像通常会从业务应用程序端返回一些数据，这也将进一步丰富仓库数据，然后丰富客户肖像对标签的描述。

数据仓库和客户肖像是数据资产系统的核心，共同构成了企业所有数据应用的数据基础。

由于企业数据团队部门的设置不同，仓库与肖像之间的关系往往不同，施工内容也会重叠和交叉。以下是企业数据系统建设中常见的三种组织结构模式。如果对于一个已经有十几个业务了BU对于多元化的企业来说，做数据系统的人才有三五个，要么是这个企业BU业务分散，数据分散，做数据的人也分散在不同的组织中，要么企业刚刚开始做数据，要么企业根本不关注数据，数据的文化和思维需要进一步改进。

                                                                                                                                                                                                                                   

                                                                                                                                                                                                                       图七：数据体系建设团队组织模式二

                                                                                                                                                                                           

6.客户肖像的两种实施方法与优缺点的比较

最近在朋友圈看到这样一句话:没有顶层设计，一切都是错的；没有底层逻辑，一切都是对的。

顶层设计是宏观洞察和战略规划；底层逻辑是微观执行和逻辑支点。

让我们来看看没有顶层设计没有顶层设计，只有底层逻辑：

1)中国改革开放在经济建设、家庭联合生产承包责任制、国有企业改革、经济特区等方面取得的成就，无论黑猫白猫能抓到老鼠都是好猫...没有一个是从顶层设计开始的，也不能用任何经济原理来更好地解释中国的崛起现象。这一切都取决于勤劳的中国人民对美好生活、财富和改变命运的渴望。

2)阿里巴巴总参谋长曾明说，阿里巴巴的每一项业务都是自下而上的，从来没有被关在办公室里的老板策略规划过。

恐怕顶层设计是否陷入无用论并非如此。顶层设计应该是企业的核心。没有顶层设计，你希望一个企业能够从长远的角度进行商业模式设计、人才战略设计、品牌设计、营销和服务设计等。没有顶层设计，你就不知道未来的方向在哪里，你的初衷在哪里？在阿里云栖息地会议上，阿里人经常说，因为他们相信，所以他们看到了它。在我看来，在阿里人相信的距离上，至少会有一个不那么清楚但坚信会实现的顶层梦想。

拉有点大，有点远，拉回客户肖像的实施方法。说到客户肖像的实施方法，有必要先谈谈肖像中包含的内容领域，否则下面的话题就不能讨论了。关于客户肖像的内容领域，将在下一章中详细讨论，本文将首先热身。

该系统的核心功能主要包括三个部分：

                                                                                                                                                                                                                               

1)、数据层：数据层工作在肖像建设中占很大比例，即本文前面提到的仓库层和标签层建设。数据层的设计一方面取决于数据建模人员的基础，另一方面也极其取决于业务确定的标签类别。

2)，应用层：也被称为功能层，现在互联网时代有一个时尚的名字用户肖像产品，请注意，该产品不是另一种产品，而不是个性化推荐类型的产品。数据层完成了标签系统的构建，因此下一步应考虑根据标签授权业务。如何授权业务，用户画像产品化的功能将会是一个有利工具，这个工具显而易见两块功能：

a、标签的可视、查询、审批、下架等，以及标签类目元数据，让用户了解画像中所有标签内容，包括分类、业务口径、使用情况等

b、客户群管理，根据数据层创建的标签，用户能够自定义选择、筛选创建某一类客户群（如：30天内，不活跃零售行业类客户），并可对这类客户群实施分析，以及通过“同步”或“异步”方式对接外部系统（如营销系统，服务系统等）。

3）、业务层：如何赋能业务，除了上面第2）点的用户画像产品化外，还就是业务层。

画像业务层的应用，一方面为基于整合的客户数据，打造的数据产品。

当然现在的数据产品范围更加泛化了，不仅仅只是查询，做事后决策，实际已经是嵌入业务的事前和事后，成为了核心业务系统的一部分。如个性化推荐系统、大数据风控系统、笔者现在工作中的客户成功经营系统也算。

另一方面为嵌入其它业务系统，如营销系统、信息管理系统、客服系统，为此类系统提供数据API服务。在大多数企业，这方面做的好不好，比较大程度上取决于“其它业务系统”团队给不给你运营位，能够与大数据形成友好合作关系。原则上讲，在标签类目创建过程中，客户画像团队首先就要从营销线、运营线、客服线对应的业务，包括IT系统人员中做需求搜集与调研。毕竟，大数据团队内打造的数据产品，我相信只会画像标签应用领域的一个子集。

做了画像核心三部分功能的预热铺垫，下面可以正式开始聊一下实施方法了。这一块我想要说的，神策在网络上有一篇文章有相关性，所以以下有部分内容我会直接引用该文章。

实施方法一：一开始就要建一个全面详实“大而全”的标签体系，甚至想遵照行业中已经成体系的最佳实践进行“ ** ”，一开始就带有各种“幻想式”需求。

这种实施方法，容易带来的问题有：

1）大而全的体系以及最佳实践本来就是一个“美好的假想”，与实际应用到业务到产生价值间，存在巨大的鸿沟

2）标签的生产、开发、应用流程长、甚至某标签还未开发出来，就要被淘汰了。

3）客户画像系统的建设，本身会横跨业务、IT系统等多方人员，从标签的生产、业务应用、场景闭环来讲能否跑起来，本身需要最小化功能验证。前提条件是，需求是真需求，

实施方法二：以终为始，“如何用”决定“如何设计”。以终为始即从企业最终的应用场景和应用策略出发，来倒推企业的标签体系设计。如何倒推，神策在那篇文章里给了 3 个思路，每个思路也配合了案例解读。篇幅关系，案例就不贴了。

1、从用户触点、流程中找场景

2、识别特征、偏好，寻找场景和标签

3、从关键环节和指标，推导场景所需标签

这两种实施方法，咋看也并无特别之处，好比软件工程中的瀑布式和敏捷式。神策在那篇文章中，表达了废弃方法一，拥抱方法二的观点。

方法一与方法二真只能选其一，不能各取所长互补其短吗？答案我觉得可以的。

笔者18年底入职现在公司，当时部门经理说，你客户画像经验丰富，你看看这块事情能做出点什么？来回沟通了几次，当时我一直都未get到经理要让我做的这个客户画像是什么。我结合上述数据层、应用层、业务层的核心体系，当时给出了一个方案。同时，在应用层和业务层是按如下方式构想的。

图十：客户画像产品化功能架构

图十一：客户画像产品化原型（部分功能）

当时，我对这个事情的做法是按照“实施方法一”来构想的。如果我全盘来cover这个事情，我提出需要招聘一个偏客户画像方面的产品经理，这个产品经理有标签类目，客户分群、数据产品构建的业务经验，这样能补充我业务上的短板。

也正这个时间点前后，部门另外一位做产品的刘同学比较牛掰，趟出了从客户风险预警的场景中找到了画像标签应用的口子。这不就是实施方法二，以终为始，“如何用”决定“如何设计”嘛。后来呢，这个客户画像的产品经理也一直未招到，画像实施方法上基本上按照方法二在进行，我也没有全局去负责此事，只是负责数据层这块内容。

站在现在来看，

1、风险预警始终只是标签应用的一个场景，标签类目和数据层在设计上始终应该有全局视角的设计。今年做风险预警2.0（移动端），对标签应用更细了，发现部分原有数据表的设计不具备公用性要改造。

2、标签应用的场景，要有更多领域的探索，这样才能不断把雪球滚大。

3、无论实施方法一，实施方法二，在应用层关于标签的可视管理，客户群管理应该是要具备的。从另外一个层面讲，当前我们公司针对精细化客户运营，在业务无论营销，还是服务领域没有相匹配的运营策略，如C端司空见惯为了促活的红包、优惠券、礼品的活动。在现在这个阶段上即使做出来，我估计也是会被当做一个工具，顶多会被冲当一个提数的载体罢了。风险预警这样一个场景应用无形中集成了在客户风险监控这个领域，客户群的管理和跟进功能，在这样的前提下，上述原有规划的客户画像产品化的内容就可做可不做。

7、客户画像，客户分层，客户分群间的关系，常见的客户分层模型有哪些

随着流量枯竭的焦虑，企业视角由以产品我中心，转变到以用户为中心，都在谈如何进行精细化用户运营，针对不同的用户分层有更精准，更有针对性的运营策略。那么客户分层、客户分群又是什么，与前面谈到的客户画像又有什么关系？

客户画像，前面已经讲了，包含两个部分，一是整合各类客户信息的单一视图，二是客户的标签化。标签的类别分为属性标签，统计标签，规则标签，算法标签。

客户分层，不同行业客户的分层可能是多样性的，在产品发展的不同阶段客户的分层也会有不同的变化。基本上客户分层是基于客户管理大方向上的划分，即你希望用户朝什么核心目标努力。如常见的RFM模型，通过衡量客户价值来进行客户分层，定义出一般价值客户，重要价值客户。

客户分群，客户分群可以理解说是客户分层的进一步精细划分，将客户分层中不同层次的用户切分为更细的粒度，与客户分层相辅相成。如，找出“重要价值客户”中“零售行业”、且“年营业规模大于2000W”的客户群体。

下面，看一下这三者间的关系。

客户分层的划分，进而的结果其实就是完成了客户画像一项标签的刻画，所以客户分层属于客户画像的一部分；

客户画像中属性标签，统计标签为通过整合了客户各类数据，基于统计学来定义的事实类标签，这类标签通常都比较简单。如：最近7日登录次数。事实类标签，本身来讲也属于客户分层的一种，即客户个性化特质分层。这类分层或标签，更多是站在数据和技术的角度进行定义，被业务直接使用的可能性不大，但是会是生成业务使用多的标签（规则标签和算法标签）的基础。如根据“最近7日登录次数”的事实标签，可以进一步生成“客户活跃度”的规则标签，“客户活跃度”被业务应用的广度就会大大增加。

客户分群，也就是客户画像中各类标签组合，生成一类又一类客户群体。

客户分层，一定是紧贴业务，以业务为主才能定的出来，在客户画像中分布在规则标签和算法标签中。之于业务来讲，客户分层才是画像中的重中之中。

搞清楚了三者的概念以及关系，下面我们来看常见的客户分层模型有哪些？

以下内容，基本为知乎上学习了诸多网友们关于客户分层的文章后，我的学习整理。

1、客户个性化特质分层

2、客户身份分层

3、客户生命周期模型分层

4、客户价值模型分层

5、AARRR模型分层

6、客户活跃度模型分层

7、客户忠诚度模型分层

8、客户流失预警模型分层

9、客户偏好识别模型分层

10、其他，购物决策力模型，促销敏感性模型，易观发布的 ARGO 成长模型

以上10种分层方法，第1比较简单，就是上面我们谈到的事实标签，一般在说客户分层时基本不会谈到这一类的分层模型。

那如何判断自己的产品适合哪种分层呢？

一般来说除1、2外的分层方法基本上适合大多数产品，针对1、2的分层方法也有一定的判断标准。

1、是否需要用户个性化需求分层判断标准：依据业务标准化程度来判断

业务标准化程度低，则适合用户个性化需求分层

举例：

天气类APP，相对业务标准，用户进入后只需要查询最近天气情况，这类产品就不需要做用户个性化需求分层。

2、是否需要用户身份分层判断标准：产品内用户相互影响程度

如果产品内存在用户互相依赖，则这类产品一定要做好用户身份分层

举例：

抖音，用户之间依赖性就特别高，用户身份大致分为：政务号，签约号，网红，普通创作者，信息获取者，用户之间相互依赖，彼此诉求特征不一，不同身份间的用户运营策略不同。

确定了自己产品合适的分层方法后，分层怎么做？下面将最常用到的客户身份分层、生命周期模型分层、客户价值模型分层等几类展开看一看。

客户身份分层

用户身份分层常见的用户金字塔模型，不同的产品其金字塔不一样，也不是所有产品都适合金字塔模型分层。

用户金字塔模型的建立，自上而下，上层影响下层。主要为了让运营者对用户的构成有一个清晰的了解，并且在实际工作中，往往需要抓住的是金字塔顶端20%的用户；可以利用用户进行有效地管理用户；并且每个模块可以再进行拆解成小金字塔，作为管理工具，增加用户和用户之间的关系。

那基于自己的业务我们可以按照以下来进行梳理自己的用户金字塔模型

（1）、用户之间是否存在关系（不存在，则不适用于金字塔模型）

（2）、用户之间是否会因贡献、稀缺、专业度产生阶级分层（对应分层激励）

（3）、用户阶层见可否自然晋升（对应晋升激励）

针对产品的不同，存在着用户分层的双金字塔结构。如知乎这样的产品，一个围绕着内容的生产，一个用户的服务，相辅相成构成了双金字塔结构。

在网络上也有人提出一种叫用户状态分层，个人觉得与用户身份分成具有极大的相似度。

客户生命周期模型分层

针对不用周期常规考虑动作

阶段A:引入期。发现和获取潜在客户，并通过有效渠道让用户了解到产品的核心价值，并尽可能便捷体验核心服务。

阶段B:成长期。通过 ** 需求的产品组合或服务组合把客户培养成高价值客户。

阶段C:成熟期。培养客户的忠诚度。

阶段D:休眠期。建立高危客户预警机制，延长客户的生命周期。

阶段E:流失期。该阶段主要是赢回客

客户价值模型分层

RFM模型作为一个存在已久的用户价值模型，被广泛应用于传统、销售行业。

首先解释一下RFM模型的构成：

Recency：最近一次消费，即用户距离当前最后一次消费的时间。最近一次消费的时间距今越短，对我们来说更有价值，更可能有效地去触达他们。Frequency：消费频次，用户在一段时间内，在产品内的消费频次。Monetary：消费金额，即用户的价值贡献。

基于这三个维度，我们将每个维度划分为高、中、低三种情况，并构建出完整的用户价值象限。

通过上面的RFM模型，我们可以更加直观的把用户划分为8个不同层级。如果能够找出产品内用户隶属于以上8类中的哪一类，就可以针对性的制定运营策略。如对“重要保持客户”，不希望它流失，运营人员就需要专门针对这类型用户，设计召回用户运营策略，这也是RFM模型的核心价值。

RFM模型在不同行业的尝试，R/F/M可以有不同定义去尝试：

金融：投资金额、投资频率、最近一次投资时间；

直播：观看直播时长、最近一次观看时间、打赏金额；

内容：评论次数、评论字数、评论被点赞数；

网站：登录次数、登录时长、最近一次登录时间；

游戏：等级、游戏时长、游戏充值金额；

在划分完不同层级后，最困难的事情在于如何制定每个值的高、中、低评判标准。一般不借助算法，可以用统计学里的平均值法和分位数法，借助算法就要通过KMeans聚类算法等手段。

AARRR模型分层

客户忠诚度模型分层

用户分层的本质是分层逻辑，中心思想是根据单一/复合数据指标划分层级，一般不超过5层。过多分层就会变得复杂，不适合运营策略的执行。

以上针对常见的客户分层模型，只是给出了一个框架上的感性认识。对于每一个模型，从业务目标、北极星指标拆解、模型理解与实现、以及模型如何与业务策略、业务流程及角色闭环起来，包括闭环跑起来后数据结果分析，这每一步要吃透要下的功夫都不会少，留着后续的篇章再聊。学是为了用，理论加实际才会更加强化，这些模型哪些适合所在的企业，如何应用到实际工作中去，也是需要去考虑的。

当然更牛逼的是全线上能自动化完成。

来源：客户画像一：客户画像基础