中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

這篇文章主要講產(chǎn)品和運營角度的用戶畫像，希望看完后，解決你一切關(guān)于用戶畫像的疑問。

深入剖析用戶畫像

承接上篇《如何進行精準化的用戶畫像？》，現(xiàn)在的運營一般都會按用戶生命周期設(shè)立了幾個標簽，比如：新用戶、活躍用戶、流失用戶等等。這些標簽是比較細分的，不過它真的是一個有效的好的標簽嗎？

答案是否定的！原因也很簡單，因為這些標簽都是滯后性的。

聰明的運營都會設(shè)立一個這樣的標簽：最近一次活躍距今天數(shù)。這個比單純的流失用戶標簽要好很多，因為他能憑此劃分不同的距今天數(shù)，比如：設(shè)立30天、90天或者180天的時間節(jié)點。（如果用戶有6個月沒有活躍的話，那么天數(shù)就是180天。）

距今天數(shù)這樣的標簽就是最好的嗎？當然也不是最好的！為什么呢？

因為用戶是有差異的！

同樣兩個用戶老王和老張，哪怕不活躍天數(shù)是相同的，我們也不能認為它們的流失可能性是相等的，畢竟關(guān)于流失的原因多種多樣，不能單憑活躍天數(shù)加以預(yù)測。

而且，該問題在低頻場景更嚴重。比如：旅游類的APP，即使是半年沒有活躍也是正常的，畢竟不是誰天天都在旅游。

然后我們在看看流失用戶這個概念，我們定義它不是為了設(shè)立一個高大上的系統(tǒng)，任何的公司，都無一例外地希望流失用戶一開始就越少越好，然后才是如何挽回的問題。在這種業(yè)務(wù)前提下，預(yù)防性的減少流失用戶顯然比已經(jīng)流失的標簽更重要得多。

所以我們就知道，最好的標簽的標簽是用戶流失概率，這才是最有用也是企業(yè)最應(yīng)該關(guān)心的問題。

小結(jié)：

標簽優(yōu)先級排序：流失概率 > 距今消費天數(shù) > 流失標簽。

我們不要想當然地歸納一個齊全完備的體系，卻忽略了畫像的核心價值，這是顧此失彼??！

必須要記住的是：用戶畫像一定得是某個商業(yè)目的下的用戶標簽的集合。

舉個例子：

猜用戶是男是女、有沒有談戀愛、哪里生人、準備剁手購物嗎、喜歡什么、工資多少？探討這些是沒有多少意義的！

然而，是男是女如何影響消費決策的？工資多少影響怎樣的消費能力？有沒有談戀愛會否帶來新的營銷和消費場景？剁手購物要如何做精準推薦？這些才是我們用戶畫像真正應(yīng)該關(guān)心的問題！

這里需要強調(diào)的一點是：不是因為我有了用戶畫像，才能驅(qū)動和提高業(yè)務(wù)，而是為了驅(qū)動和提高業(yè)務(wù)，才需要去建立用戶畫像，這是很容易犯的因果倒置的錯誤！

用戶標簽的獲得

用戶畫像的標簽一般通過兩種形式獲得：

1. 基于已有數(shù)據(jù)或者一定規(guī)則加工而來，流失標簽和距今天數(shù)皆是如此。
2. 基于已有的數(shù)據(jù)計算概率模型而來，這會用到機器學習和數(shù)據(jù)挖掘等內(nèi)容，其中的概率是介于 0~1 之間的數(shù)值。

拿性別來舉例：除非我們能直接獲取用戶的身份證信息，否則的話用戶很少會填寫性別。即使填寫了，性別信息也不一定是準確的。所以你就能知道，網(wǎng)游中性別為女的扣腳大叔一抓一大把！

所以呢，這里就要增加一層推斷用戶真實性別的算法。

中國人的性別和名字是強相關(guān)的，像國慶利民、婷婷瑩瑩，很容易就能判斷出來。算法中常用貝葉斯（用來描述兩個條件概率之間的關(guān)系），通過已有的姓名性別庫來預(yù)測新加入的用戶的性別。

不過某種特殊情況下，不少姓名是中性的，即男女不是很容易分辨出來，像愛華這樣的名字就可男可女。而且更特殊的情況，看上去是男性的名字也有可能是女性的。

像這種特殊情況就意味著特殊的概率，所以不能用非黑即白的二分法做計算。我們可以用概率來表示，即通過模型推斷，國慶有95％的可能是男性姓名，表示為0.95；愛華有55％的可能是男性名，表示為0.55。

除此之外，模型會設(shè)立閾值，這也是為了方便之用。比如：將50％以上的概率默認為男性，以下默認為女性，不過業(yè)務(wù)部門的同學要清楚的是，用戶標簽的本質(zhì)是0～1之間的概率值，而不是0和1兩個值。

這里有個難點是什么呢？

我們都知道概率準確性的前提是數(shù)據(jù)源的準確，這里的數(shù)據(jù)源就是用戶標簽，然而用戶標簽往往是很難驗證的！

比如：某位用戶被標上學生的標簽，但如果不是真的讓他上傳學籍證明的話，很難知道他是不是真的學生。在這種黑箱情況之下，我們針對學生用戶進行的營銷活動，效果好不好都受標簽準確率的影響。無論是廣告、推薦、精準營銷等都會受到這個問題的影響。

學過中學概率的同學都知道：90%流失概率的用戶和30%流失概率的用戶相比有什么不同呢？

當然是前者比后者更有離開的可能性（雖然是模型建立出的預(yù)測值），然后我們會憑此設(shè)立運營策略。

所以我們就面臨一個新的問題：如何選擇概率的閾值才是合理的呢？

比如：我們想要挽回流失用戶，選擇80%以上概率的人群，還是60%呢？

答案在之前已經(jīng)鋪墊過了，要考慮具體的業(yè)務(wù)目標！

可以這么理解：挽回流失用戶只是手段而不是目的，實際目的是通過挽回流失用戶提高利潤（當然了，提高利潤是所有非公益組織的目的）。所以閾值的選擇問題就迎刃而解了：我們可以計算在不同閾值下挽回用戶的收入和成本，以此選擇最優(yōu)解。

推而廣之，無論是推薦系統(tǒng)也好，廣告系統(tǒng)也罷，雖然它們有更復雜的維度、標簽和特征，但本質(zhì)也是找出用戶最近想不想買車、想不想旅游等這些用戶意愿和需求。然后在最合適的時機把最合適的信息推送給用戶，這就是獲取最大的利益的法寶！

要知道的是，以上案例是經(jīng)過簡化的，實際的業(yè)務(wù)場景中會更復雜，比如：所說的姓名，除了生理上的性別有時還會建立消費模型上的性別標簽，尤其是在電商和消費行業(yè)。

所以你就能看到有些人雖然是男性，但購物行為卻是女性，這是一定要做出區(qū)分的。總之，一切的標簽都要指向用戶的行為預(yù)測！

那么，一個用戶畫像要怎樣才能正確的建立起來呢？

從一個故事開始的用戶畫像

通過上文的描述我們知道，用戶畫像一定是基于業(yè)務(wù)模型的，或者說業(yè)務(wù)的目標就是用戶畫像的導向。所以業(yè)務(wù)部門如果連業(yè)務(wù)模型都沒有想好的話，那么數(shù)據(jù)部門就只能巧婦難為無米之炊了。

當然數(shù)據(jù)部門也別閉門造車，這和做產(chǎn)品是一樣的。如果連用戶需求都沒有理解透徹的話，就匆匆忙忙上線一個產(chǎn)品，無人問津是自然的了。

故事開篇

這里我們舉個假設(shè)的例子，通過一步步地畫像完善讓大家更明白用戶畫像真實的建立過程！

故事背景

老王是一家互聯(lián)網(wǎng)創(chuàng)業(yè)公司的核心人員，產(chǎn)品主營綠色健康沙拉。有一天，這家公司推出了 APP 專賣各式各樣的沙拉服務(wù)，現(xiàn)在需要建立用戶畫像來做運營指導。

故事分析

公司現(xiàn)階段在業(yè)務(wù)層面毫無疑問是更關(guān)注營銷和銷售，即如何將沙拉賣得更多更好？

梳理的運營流程

老王先是將顧客按是否購買過沙拉，劃分成潛在用戶和新用戶。潛在用戶是注冊過APP但還沒有下單的用戶；而新用戶是只購買過一次沙拉的用戶。除此以外還有老用戶，即消費了兩次及以上的用戶。

這里我們用JSON格式表示一個簡易的用戶畫像：

{

“ID”: 123456,

“姓名”: “Chance”,

“消費”: {

“消費標簽”: “潛在用戶”
}
}

番外：JSON

JSON（JavaScript Object Notation，JS 對象簡譜）是一種輕量級的數(shù)據(jù)交換格式。現(xiàn)在服務(wù)端和客戶端的數(shù)據(jù)交換所采用的幾乎都是JSON格式，它的格式固定且操作簡單，不知道的同學還是建議了解下。

為什么獨立出新用戶標簽?zāi)兀?/p>

因為老王的沙拉針對未消費的用戶會有新人紅包進行引導消費，不過這也帶來了新用戶消費一次后不再消費的問題（很多用戶就是為了占紅包的便宜才來的，紅包沒有了他們就走了），所以就更需要進行潛在用戶、新用戶、老用戶的劃分。

如果你是一個有追求的運營人員的話，那么劃分老用戶也還是不夠的，這里還得繼續(xù)用戶分層才行。

傳統(tǒng)的分層用RFM三個維度衡量，沙拉的客單價比較固定，F(xiàn)和M取一個就夠用了。老王現(xiàn)在計算不同消費檔次的用戶留存度差異，譬如：某時間段內(nèi)消費達XX元的用戶，在未來時間段是否依舊消費。

番外：RFM模型

它是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，在眾多的客戶關(guān)系管理（CRM）的分析模式中，RFM模型是被廣泛提到的。該機械模型通過一個客戶的最近一次消費（Recency）、消費頻率（Frequency）以及消費金額（Monetary）?3項指標來描述該客戶的價值狀況。

像沙拉這類餐飲是高頻消費，應(yīng)該選擇一個較窄的時間窗口才行，對于統(tǒng)計365天內(nèi)的消費意義不大。

還有一點需要注意的是：沙拉在不同季節(jié)的銷量是有差異的，冬天沙拉肯定賣的不如夏天，所以要綜合考慮消費分布情況。

我們暫時這樣規(guī)定：30天內(nèi)消費200元以上為VIP用戶，那么老王的生意如果特別好，就可以按照這樣的思路繼續(xù)劃分超級VIP。并且這種標簽往往需要配合業(yè)務(wù)實現(xiàn)，例如：VIP有贈送果汁、可樂，具有優(yōu)先配送的權(quán)益等。而對于非VIP人群，我們需要激勵該部分用戶，并想盡各種方法往VIP發(fā)展。

畫像屬性收集

對于畫像的人口統(tǒng)計屬性，老王靠用戶填寫訂單上的收貨人姓名來收集。像籍貫?zāi)挲g這些對沙拉生意沒有特別大幫助的屬性，我們可以不用重點關(guān)注。

用戶地址可以通過收貨地的設(shè)立規(guī)則判斷，比如：某個地址出現(xiàn)X次的話，則可以將其認為常用地址。然后再依據(jù)送貨地在寫字樓還是學校，推算出用戶是白領(lǐng)還是學生。

這樣老王就可以針對不同屬性的人群，采取不同的運營策略。

（1）學生群體

考慮到7、8月份是暑假，所以老王提前預(yù)估到校園地區(qū)的銷售額會下降。而當9月開學季，則又能對返校學生進行召回。

（2）白領(lǐng)相關(guān)的群體

這部分用戶更關(guān)注消費體驗，對價格敏感是次要的。所以如果平臺女用戶的消費占比高的話，老王就可以主打減肥功能的沙拉，然后以包月套餐的形式提高銷量。

下面是該階段下的用戶畫像格式：

{

“ID”: 123456,

“姓名”: “Chance”,

“性別”: “男”,

“社會屬性”: {

“常用地址”: {

“常用地址1”: {

“地理名稱”: “北京市海淀區(qū)XXX”,

“經(jīng)緯度”: “ABC.CBA”,

“類型”: “居住區(qū)”

},

“常用地址2”: {

“地理名稱”: “北京市朝陽區(qū)XXX”,

“經(jīng)緯度”: “CBD.DBC”,

“類型”: “商業(yè)區(qū)”

}

},

“職業(yè)”: {

“職業(yè)標簽”: “白領(lǐng)”,

“概率”: 0.97

}

},

“消費”: {

“消費標簽”: “VIP用戶”,

“30天內(nèi)消費金額”: “245元”,

“30天內(nèi)消費次數(shù)”: “8次”

}

}

如果單以一家沙拉店來看，老王的用戶畫像已經(jīng)很不錯了，但他還是焦頭爛額，因為用戶流失率開始上升了，這可怎么辦？

首先我們要意識到用戶流失有各種各樣的原因：比如對手老李沙拉的競爭品影響、沙拉的口味影響、性價比的影響、甚至老王夠不夠帥等的影響。

用戶流失一直是一個難以預(yù)測的問題，想要準確地預(yù)測，可以嘗試用機器學習進行建模。

番外：機器建模

技術(shù)方面暫且不提，我用大白話給大家解釋一下：所謂的建模，其實就是建立一個復雜的方程組，只不過通常情況下的建模是通過算法工程師手動建立的。但是隨著數(shù)據(jù)結(jié)構(gòu)的越發(fā)復雜，通常來講的建模方式已經(jīng)越來越困難了，于是人們想著用機器自動完成建模，于是機器學習建模方式誕生了！

機器建模就是通過海量的數(shù)據(jù)喂養(yǎng)，讓機器自己學會怎么建立模型。這樣的模型通常來講復雜無比，而且建模的過程和數(shù)據(jù)源質(zhì)量強相關(guān)，所以就有了我們經(jīng)常聽見的數(shù)據(jù)清洗、過濾等。

好了，科普完畢，好像把機器學習說的玄乎其玄。不過再復雜它也是個方程組，那么毫無疑問它的本質(zhì)就是找到兩個或者幾個變量之間的關(guān)系。所以呢，我們最好通過這種方式找到用戶開始不消費的時間點之前的關(guān)鍵因素，可以是行為，也可以是屬性。如果成功，我們就能更好地根據(jù)現(xiàn)有數(shù)據(jù)來預(yù)測用戶流失。

很有可能你得到的結(jié)果是這樣的：

• 用戶給過差評，用戶有可能流失；
• 用戶歷史窗口內(nèi)消費頻次低，用戶有可能流失；
• 用戶歷史窗口內(nèi)消費金額少，用戶有可能流失；
• 用戶歷史窗口內(nèi)打開APP次數(shù)少，用戶有可能流失；
• 用戶的性別差異，用戶有可能流失；
• 用戶等餐時間長，用戶有可能流失；
• 餐飲的季度因素，用戶有可能流失。

用戶太矯情了有木有…

這時我們就可以依據(jù)業(yè)務(wù)挑選可能影響業(yè)務(wù)的特征，然后提交給數(shù)據(jù)組去嘗試預(yù)測流失。不過需要注意的是，這些用戶行為并不能反應(yīng)真實的情況。

為什么呢？不是說好了可以更好的預(yù)測的嗎？

因為流失用戶的行為，是一個變化的過程。比如：我雖然曾經(jīng)消費過很多次，但是突然吃膩了，于是流失。這就像愛著愛著突然覺得累了膩了，然后高喊著“只在乎曾經(jīng)擁有”的嘹亮口號玩命分手。這事兒誰能說得準呢~

要知道，單位時間段內(nèi)的消費忠誠度是梯度下降的。所以為了更好地描述變化過程，我們可以將時間窗口細分成多個等距段。比如：前30-20天、前20-10天、前10天內(nèi)，這種切分可以比前30天內(nèi)可以更好地表達下降趨勢，也可以更好的預(yù)測流失。

從老王的思路看，流失是可以通過用戶行為的細節(jié)進行預(yù)判的。機器學習的建模雖然依賴于統(tǒng)計手段，但也離不開業(yè)務(wù)洞察。所以，用戶畫像建立在業(yè)務(wù)模型上，這個道理被再次證明。

不管怎么說，流失概率的建立解決了老王的心頭之患。在提前發(fā)現(xiàn)并降低流失用戶，然后挽回流失用戶的手段推行一段時間后，老王發(fā)現(xiàn)流失用戶確實減少了很多，不過成本卻提高了，因為挽回用戶也是要花不少錢的啊。

虧本可怎么行！老王忿忿不平，于是他決定只挽回有價值的用戶。那種拿了紅包才消費的用戶不要也罷，真愛粉才貼心??！

于是他配合消費檔次進行區(qū)別對待，雖然流失用戶的數(shù)量沒有控制好，但是利潤卻提高了不少，這也算目的達到了。

我們能夠發(fā)現(xiàn)，上述用戶畫像沒有一個標簽是脫離于業(yè)務(wù)場景之外的。而且基于業(yè)務(wù)場景，我們甚至還能想象出更多用戶畫像的玩法。比如：沙拉有不同的口味，蔬果雞肉海鮮。

用戶的口味偏好可以用矩陣分解，模糊聚類或者多分類的問題計算，也以0～1之間的數(shù)字表示喜好程度。當然還有價格偏好，即價格敏感度。

于是用戶畫像就變成了這樣：

{

“ID”: 123456,

“姓名”: “Chance”,

“性別”: “男”,

“社會屬性”: {

“常用地址”: {

“常用地址1”: {

“地理名稱”: “北京市海淀區(qū)XXX”,

“經(jīng)緯度”: “ABC.CBA”,

“類型”: “居住區(qū)”

},

“常用地址2”: {

“地理名稱”: “北京市朝陽區(qū)XXX”,

“經(jīng)緯度”: “CBD.DBC”,

“類型”: “商業(yè)區(qū)”

}

},

“職業(yè)”: {

“職業(yè)標簽”: “白領(lǐng)”,

“概率”: 0.97

}

},

“消費”: {

“消費標簽”: “VIP用戶”,

“30天內(nèi)消費金額”: “245元”,

“30天內(nèi)消費次數(shù)”: 8,

“流失概率”: 0.21,

“價格敏感”: 0.72,

“優(yōu)惠敏感”: 0.51,

“首次消費時間”: “2018.06.01”,

“最后消費時間”: “2019.07.02”

},

“行為”: {

“行為標簽”: “活躍”,

“30天內(nèi)登場次數(shù)”: 12,

“30天內(nèi)評價次數(shù)”: 9,

“30天內(nèi)退貨次數(shù)”: 0,

“口味偏好”: {

“蔬菜沙拉”: 0.35,

“水果沙拉”: 0.62,

“海鮮沙拉”: 0.81

}

}

}

接下來再深入想一下業(yè)務(wù)場景，比如：某個辦公地點每天都有5、6筆的訂單，并且分屬不同的客戶不同的時段，那么外賣小哥得送個5、6次，這對人力成本是很大的浪費。

這時，運營就可以在后臺分析相關(guān)的數(shù)據(jù)，然后以團購或拼單的形式促成訂單合并。這樣銷售額的利潤或許會下降，但是外賣的人力成本也節(jié)約了不少。（這是用畫像作為數(shù)據(jù)分析的依據(jù)）

相信通過老王的故事，你已經(jīng)對用戶畫像的建立有了一個重新的認識！

用戶畫像的數(shù)據(jù)來源

下圖為一種常規(guī)的用戶畫像計算引擎示意圖，雖然用戶畫像是一個最終的整體結(jié)果，但是它是由各個子畫像綜合計算而來的。這些子畫像作為中間結(jié)果并不會被刪除，而是作為重要的畫像解釋和應(yīng)用數(shù)據(jù)保存下來。

拿視頻推薦來說，子畫像包括演員偏好畫像、導演偏好畫像、電影風格偏好畫像，以及用戶的基本屬性等。

需要注意的是：屬性相對于其他子畫像更加不易變化，因此在圖中并沒有特別強調(diào)該部分畫像更新模塊。

用戶注冊等基本屬性信息往往用于刻畫相對靜態(tài)的畫像，而豐富的大量的用戶行為日志，則是用于捕捉動態(tài)畫像的重要數(shù)據(jù)來源。

• 從數(shù)據(jù)的角度看：用戶畫像就是一個對原始數(shù)據(jù)二次計算重構(gòu)后的新數(shù)據(jù)，對計算增加了負擔，對存儲也增加了負擔。所以一開始必須經(jīng)過邏輯設(shè)計，從而才能確定數(shù)據(jù)結(jié)構(gòu)方面的設(shè)計。
• 從可視化的角度來看：不同于以往的傳統(tǒng)統(tǒng)計模式（如某個視頻某個月的觀看童按時間軸統(tǒng)計圖），用戶畫像可能會開啟一個以用戶為核心牽引的新的入口呈現(xiàn)模式，如下圖所示。

每個標簽單擊進去都是詳細記錄和細節(jié)，從抽象到細節(jié)逐步去體現(xiàn)用戶畫像數(shù)據(jù)結(jié)構(gòu)，而這對于服務(wù)商來說，更加直觀和更有幫助。

用戶畫像的架構(gòu)

不同業(yè)務(wù)的畫像標簽體系并不一致，這需要數(shù)據(jù)和運營有目的性的提煉。用戶畫像一般按業(yè)務(wù)屬性劃分成多個類別模塊，除了常見的人口統(tǒng)計、社會屬性外，還有用戶消費畫像、用戶行為畫像、用戶興趣畫像等。

具體的畫像還得看產(chǎn)品的形態(tài)，比如：金融領(lǐng)域，還會有風險畫像，包括征信、違約、洗錢、還款能力、保險黑名單等。電商領(lǐng)域還會有商品的類目偏好、品類偏好、品牌偏好等。

畫一個架構(gòu)倒是不難，難的是了解每個標簽背后的業(yè)務(wù)邏輯和相關(guān)落地方式。而至于算法嘛，我們后續(xù)單獨成文詳談。

從數(shù)據(jù)流向和加工來看，用戶畫像包含了上下級的遞進關(guān)系。以上文的流失系數(shù)舉例來說，它是通過建模得出的，所以依賴于用戶早期的歷史行為。而用戶早期的歷史行為，即10天內(nèi)的消費金額、消費次數(shù)、登錄次數(shù)等，本身也是一個標簽，它們是通過原始的明細數(shù)據(jù)獲得的。

上圖列舉了標簽的加工和計算過程，這很好理解。最上層的策略標簽是針對業(yè)務(wù)的落地，運營人員可以通過多個標簽的組合形成一個用戶群組，這樣就非常方便執(zhí)行。

不用多說，公司越大則用戶畫像越復雜。現(xiàn)在做個假設(shè)，如果某家主打內(nèi)容分發(fā)的公司進入了全新的視頻領(lǐng)域，那么用戶畫像的結(jié)構(gòu)也是需要改變的。至少要既有內(nèi)容相關(guān)的標簽，也要有視頻相關(guān)的標簽，而且兩者是并行且關(guān)聯(lián)的。

比如：老王在內(nèi)容標簽下是重度使用者，而在視頻標簽下是輕度使用者。老張很久沒打開內(nèi)容APP有流失的風險，但在視頻產(chǎn)品的使用時長上卻很忠誠。凡此種種，看的是靈活的應(yīng)用。當然了，姓名、性別等這類人口統(tǒng)計標簽是通用的。

基于營銷和消費相關(guān)的標簽，比如：新用戶、老用戶、用戶的流失和忠誠、用戶的消費水平和頻率等，都是構(gòu)成 CRM（客戶關(guān)系管理；用戶/會員管理運營平臺）的基礎(chǔ)。

它的作用在于：將數(shù)據(jù)化的標簽轉(zhuǎn)換成產(chǎn)品運營策略。不同的標簽對應(yīng)不同的用戶群體，自然就對應(yīng)著不同的營銷手段。

另外，CRM的結(jié)構(gòu)中也會包含各類觸達用戶的常用渠道，比如：短信、郵件、推送等。同時也會包含CMS（內(nèi)容管理系統(tǒng)），執(zhí)行人員可以通過其快速地配置活動頁、活動通道、優(yōu)惠券等，然后靠營銷活動拉動數(shù)據(jù)。

現(xiàn)在做個假設(shè)，老王的沙拉業(yè)務(wù)如果要是做大的話，那么運營平臺就會以圖中的結(jié)構(gòu)搭建。那么老王可以在CRM中組合標簽，然后新用戶、老用戶、流失用戶的數(shù)據(jù)借助BI監(jiān)控，最后通過CMS系統(tǒng)配置紅包、優(yōu)惠等等，通過短消息或推送Push觸達用戶端。

到現(xiàn)在我們知道，好的用戶畫像系統(tǒng)，既是數(shù)據(jù)生態(tài)體系，也是業(yè)務(wù)和運營的生態(tài)體系，它是一門復雜的交叉領(lǐng)域。

路漫漫其修遠兮，吾將上下而畫像。至此，用戶畫像的部分就暫時寫到這里。