用Mirror，搞定用户画像

Mirror产品概述

Mirror是专为金融行业设计的全面用户画像管理系统。该系统基于星环多年来为多个金融企业客户构建用户画像的经验，深入契合业务需求，实现对用户全方位全维度的刻画。Mirror内置银行业和证券业的用户画像模板，同时在技术上继承了Transwarp Data Hub大数据平台的优势，能够快速在全量数据上进行计算和提供查询。同时，Mirror采用了灵活的接口设计，可以方便地进行二次开发和对接其它应用。

Mirror产品特点

构造金融客户的信息生态系统，支持跨业务，跨产品的精准客户群查询和分析。
实现用户标签运营管理功能，包括标签应用，标签管理，标签运营，权限管理等。
完善的行业标签体系，360度刻画用户的各类特征。
行业标准化的数据接口，有助于快速部署和使用。
统一的REST应用访问接口，支持外部算法模型和应用系统。

Mirror产品架构

Mirror智慧标签体系是整个Mirror产品中重要而基础的一环。Mirror产品基于Transwarp Data Hub平台，底层算法结合了星环独有的机器学习算法库和开源机器学习算法库，拥有强大的计算能力和高扩展性，致力于打造金融行业垂直应用平台，让机器学习技术真正在实际业务中发挥作用产生价值。

Mirror的意义在于可以全方位地描绘用户画像。系统性的构建用户画像，有助于业务人员对当前客户群体在宏观上有更为清晰和准确的认识，迅速定位目标客户群体，从而开展业务。同时，用户画像也是后续应用，如智能营销、风险管理等的一个重要基础构成。

Mirror功能介绍

Mirror基于Web提供图形化的用户画像操作与管理平台，共提供六种功能模块，分别为：概览、客户、客户群、模型分析、标签和管理员中心。下面将分别介绍这六项模块的功能和作用。

Mirror概览

进入Mirror系统后，用户首先看到的是概览页。该页面显示了全行客户的标签、指标等总体情况。目前，概览页展示的数据包括：客户基础数据，客户交易特征，客户偏好数据，产品渠道数据。我们还可以根据数据和需求对页面内容进行定制。

Mirror客户

客户模块中记录了所有客户的信息。可以在上面根据客户ID/姓名/身份证号查询指定客户、查看客户详情获取用户各个维度的标签和指标数据、或者获取完整的用户列表。

Mirror客户群

根据关键特征对用户个体进行分组，支持采用条件过滤的方式，将所有满足某一查询条件的关联用户组织在一个客户群中进行管理和分析。该模块提供了客户群仪表盘，客户群列表，以及创建客户群的功能。

Mirror模型分析

Mirror实现了智能分析功能，帮助了解任意用户的状态和价值，进行行为预测。从而对于不同定位的用户，针对发现潜在客户、客户价值区分、保留客户、挽回客户的阶段及时采取相应的策略。模型分析功能包括两部分：客户生命周期分析、客户营销分析。

客户生命周期分析

生命周期模型：客户在不同生命周期状态的分布。
客户价值模型：客户在不同价值等级上的分布。
客户流失模型：不同价值等级客户的流失概率分布。

客户营销分析

产品推荐：对任意客户的产品推荐，包括理财、基金、贷款等产品的推荐。
获客推荐：指定理财、基金、贷款产品，查看该产品应该推荐给哪些客户。

Mirror标签

Mirror提供了标签搜索功能，以及查询访问热门的标签，搜索标签，围绕标签实现分析。

后面我们会具体介绍Mirror中的标签体系是如何构建的。

Mirror管理中心

Mirror管理中心可以对标签、任务、用户以及通知进行管理，分别实现了以下四种功能：

标签管理：执行、取消或查看标签，新建标签，导入标签，导出、删除标签。
任务管理：对标签任务进行操作，查看标签任务的状态详情。
用户管理：添加、编辑、删除用户。
系统通知：对系统内部消息通知的查看和操作。

Mirror标签体系说明

标签是用于描绘用户特征的符号，是对用户信息的抽象。标签是用户画像的前提，构建用户标签体系是启动用户画像的基础，因此需要建立起可靠的标签体系。

Mirror标签体系主要由基础标签和知识标签构成，标签的提取过程如下图。

基础数据

Mirror通过多种渠道获取丰富的用户行为数据。数据来源是多样的，如移动终端行为数据、客户交易数据、公共数据等。

基础标签

接着通过基础数据构建基础标签。基础标签是表达人的基本属性、行为倾向、兴趣偏好等某一个维度的数据标识。形象表达为用户画像，例如：投资偏好、消费偏好等。Mirror的证券业和银行模板中，包括如下基础标签。

证券业基础标签：人口属性、终端属性、位置属性、兴趣偏好、消费偏好和金融特征等。

银行基础标签：基础属性、订购行为、卡消费行为、信用行为、存贷信息、渠道信息、客户信息等。

知识标签

知识标签是由基础标签通过模型分析出的更具有归纳性的标签，是满足客户需求的、可交易的表达用户特征集合的数据。例如，通过基础标签中地理属性、行为、存贷信息等项，我们能够得到如“深圳高收入激进型的股票投资着”的知识标签类型。

证券知识标签：包括客户等级、客户偏好、信用特征、流失特征、终生价值和营销需求等。

银行知识标签：包括客户等级、客户偏好、交易特征、信用特征、流失特征、终生价值和营销需求等。

Mirror标签处理流程

Mirror标签的设计和开发流程如下图所示：

第一步：业务人员提出业务需求，设计或添加标签（比如添加自然人属性），从标准输入表或者其他标签的结果表获取标签数据。
第二步：从实际业务的角度出发，确定每个标签的计算逻辑（比如年龄的划分逻辑）。
第三步：业务人员设计需求表，对于每个标签，设计一级标签、二级标签、标签值、标签依赖的数据表、标签计算逻辑等。
第四步：开发人员在标签表中构建新的标签信息（如id，pro_name，first_label等）。
第五步：用SQL、Java或者其他语言进行标签逻辑的开发。
第六步：开发人员上传SQL脚本或者jar包。
第七步：在页面上进行标签信息的配置。

结语

Mirror作为专业的金融用户画像管理平台，通过提高数据的质量，将数据挖掘技术有效落地，从粗糙的数据中提炼出精细化的信息，帮助金融企业从海量数据中找到高价值的用户信息，从而通过正确的渠道找到正确的用户，增强营销效率，提高业务收益。

http://www.aibbt.com/a/18817.html