大数据时代，客户购买行为给企业的产品和服务来了一系列的改变和重塑。其中，最大的变化在于，客户的一切行为在企业面前是可以量化和追溯的。企业内部保存了大量的原始数据和业务数据，这些都是服务客户的真实历程。随着大数据技术的广泛应用，企业的关注点日益聚焦在如何通过精细化运营，实现精准营销。首当其冲的就是需要建立客户画像。

客户画像，即客户信息标签化，通过收集客户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对客户需求或者产品特征进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出客户的信息全貌。

客户画像是企业大数据的根基，是业务增长的前置条件，为数据驱动运营奠定了基础。由此看来，如何从海量数据中挖掘出有价值的客户信息越来越重要。

尤其是B端产品，讲究强关系，业务人员普遍认为只有和客户搞好关系，多请客户吃吃饭，多送点礼照样能搞定客户，还要什么大数据啊。这主要是因为很多企业把大数据做的和报表没什么区别，让一线人员感受不到数据在完成绩效工作的过程中的帮助和价值。最常见的就是一线人员把客户信息以表格的形式提交给管理层以后，管理层在大会上展示的数据都是从一线人员的表格里搬运过来的。更有甚者，又把数据从表格里搬到了平台，清一色的多表合并式报表。究其原因，其实是“数据是静止的，没有在推进工作过程中为他们加持”。

客户画像可以帮助大数据“走出”数据仓库，针对用户进行个性化推荐、精准营销、个性化服务等多样化服务，是大数据落地应用的一个重要方向。

对客户画像建模其实就是对客户“打标签”，一般分为3种标签类型：

统计类标签：这是最基础也最常见的标签类型，例如，对于某个客户来说，其性别、年龄、所在企业、所在项目、岗位职责、项目职位、加入项目时间、加入企业时间、原先所在企业、原负责项目、在项目中的职位、近一个月沟通次数/沟通主题/反馈问题等字段可以统计得出。该类标签构成了客户画像的基础；

规则类标签：该类标签基于客户行为及确定的规则产生。例如，对重要客户这一口径的定义为“近半年内交易次数≥3 or 机会转介绍≥2”。而在实际开发客户画像的过程中，由于一线人员对业务更为熟悉，而数据产品经理对需求和数据的结构、分布、特征更为熟悉，因此规则类标签的规则由业务团队和数据产品经理共同协商确定；

挖掘类标签：该类标签用于对客户的某些属性或某些行为进行预测判断，通常由机器学习挖掘产生，例如，根据一个客户的服务反馈习惯判断该客户的关注点、根据一个客户在评审会上的观点判断其对竞品的偏好程度。该类标签需要通过算法挖掘产生。

在实际的工作中，统计类和规则类的标签在产品中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断客户关注点、 对竞争对手的偏好、大客户流失意向等。相对于统计类和规则类，机器学习标签开发周期较长，开发成本较高，但对指导业务有巨大的价值。如果能将对业务的指导作为服务于业务团队的支持，协助其高效、快速的达成绩效，那基于大数据的客户画像系统才能真正发挥其应有的价值。

其实，这三类标签是不冲突的，可以作为信息化、数据化、智能化的迭代进阶，在同一个数据仓库中实现。从不同系统中获取标签数据，经过ETL的数据处理，在Hive中按业务部门的使用需求和企业的经营指标要求进行加工，用BI报表进行展示、多维透视分析和向第三方提供数据服务，如面向营销和销售团队的目标客户推荐等。

客户画像的核心价值体现在：

• 对产品的价值：帮助我们了解客户需求，迭代产品，确定产品功能设计，有助不断迭代调整产品；

• 对市场的价值：有助于调整营销内容、营销策略和渠道选择；

• 对销售的价值：有助于调整销售团队结构和销售打法，帮助销售进行客户筛选，找到有效客户，提高转化率，确定业务方向，合理配置团队，完成业绩指标。