客戶畫像分析群體分類客戶畫像制作要點(diǎn)確定目標(biāo)維度明確數(shù)據(jù)來源0102標(biāo)簽建模03畫像可視化04數(shù)據(jù)預(yù)處理03學(xué)習(xí)目標(biāo)熟悉如何確定目標(biāo)維度掌握數(shù)據(jù)收集的渠道掌握數(shù)據(jù)預(yù)處理時(shí)的方法了解客戶畫像標(biāo)簽建模的方法了解畫像可視化及常用工具確定目標(biāo)維度確定目標(biāo)維度客戶畫像通用維度：人口屬性、行為特征、興趣偏好人口屬性維度主要指用戶的年齡、性別、所在的省份和城市、教育程度、婚姻情況、生育情況、工作所在的行業(yè)和職業(yè)等。確定目標(biāo)維度確定目標(biāo)維度客戶畫像通用維度：人口屬性、行為特征、興趣偏好行為特征維度主要包含用戶的瀏覽行為、點(diǎn)擊行為、收藏、評論行為、交易行為等。確定目標(biāo)維度確定目標(biāo)維度客戶畫像通用維度：人口屬性、行為特征、興趣偏好興趣偏好維度反映客戶的潛在興趣，可以通過跟蹤客戶的行為，如消費(fèi)行為和社交行為等，對其相關(guān)信息進(jìn)行推理得到客戶偏好信息。確定目標(biāo)維度不同行業(yè)提取的客戶畫像維度各有側(cè)重。依據(jù)企業(yè)實(shí)際業(yè)務(wù)需求劃分不同維度。明確數(shù)據(jù)來源數(shù)據(jù)源：靜態(tài)數(shù)據(jù)源：用戶相對穩(wěn)定的信息，如人口屬性、商業(yè)屬性等。動(dòng)態(tài)數(shù)據(jù)源：用戶不斷變化的網(wǎng)絡(luò)行為信息，如用戶消費(fèi)行為數(shù)據(jù)、瀏覽網(wǎng)頁的行為數(shù)據(jù)等。明確數(shù)據(jù)來源數(shù)據(jù)來源：（1）系統(tǒng)內(nèi)部數(shù)據(jù)（2）第三方數(shù)據(jù)平臺（3）問卷、訪談數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理缺失值處理造成數(shù)據(jù)缺失，可能是多種原因，如由于隱私的原因，故意隱去；有的是變量本身就沒有數(shù)值，有的是數(shù)據(jù)合并時(shí)不當(dāng)操作產(chǎn)生的數(shù)據(jù)缺失。以業(yè)務(wù)知識或經(jīng)驗(yàn)推測填充缺失值以同一指標(biāo)的計(jì)算結(jié)果（均值、中位數(shù)、眾數(shù)等）填充缺失值以不同指標(biāo)的計(jì)算結(jié)果填充缺失值數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理異常值處理一般異常值是指明顯偏離觀測值的平均值。例如年齡為200歲，平均消費(fèi)為5萬元時(shí)，有個(gè)異常值為500萬元。第一個(gè)異常值為無效異常值，需要?jiǎng)h掉；但是第二個(gè)異常值可能屬于有效異常值，可以根據(jù)經(jīng)驗(yàn)來決定是否保留或刪掉。數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理非需求數(shù)據(jù)處理明確不需要的數(shù)據(jù)，可以刪除；不確定需要與否的數(shù)據(jù)，在數(shù)據(jù)量不是很大的情況下，盡量不刪除；勤備份數(shù)據(jù)。標(biāo)簽建模標(biāo)簽建模統(tǒng)計(jì)模型：利用一定的業(yè)務(wù)規(guī)則生成客戶標(biāo)簽，如在對客戶的性別進(jìn)行簡單的統(tǒng)計(jì)，可以看出男性和女性客戶所占比例；算法模型：利用機(jī)器學(xué)習(xí)算法生成客戶標(biāo)簽，如通過聚類算法將具有相同特征的客戶劃歸為同一個(gè)族群，并建立客戶標(biāo)簽。統(tǒng)計(jì)模型：面向客戶人口屬性特征，如性別、年齡、學(xué)歷等；算法模型：面向客戶的行為特征、興趣偏好特征等。畫像可視化畫像可視化畫像可視化就是根據(jù)數(shù)據(jù)的特性，通過圖表、圖和地圖等形式將數(shù)據(jù)直觀的展現(xiàn)出來，以幫助人們理解數(shù)據(jù)，同時(shí)找到包含在海