“投其所好，必有迴響”。透過系統的蒐集、分析使用者的各種資訊，然後預測使用者的行為，是智慧客服系統必不可少的一個功能。而建立使用者畫像，就是其中一個有效的手段。
1.使用者畫像
使用者畫像（或稱為使用者角色），是一種勾畫目標使用者、聯絡使用者訴求與設計方向的有效工具，在實際操作過程中往往會以最為淺顯和貼近生活的話語將使用者的屬性、行為與期待的資料轉化聯結起來。
使用者畫像作為實際使用者的虛擬代表，虛擬使用者角色並非脫離產品和市場之外構建出來的，形成的虛擬使用者角色能夠代表產品的主要受眾和目標群體。
使用者畫像最初是在電子商務領域得到應用的，在大資料背景下，使用者留存在網路中的各種資訊，被系統（或人為）抽象成標籤，然後利用這些標籤將使用者形象具體化，以達到為使用者提供針對性服務的目的。
2.信貸類金融機構使用者畫像
信貸類金融機構的使用者畫像，因服務客群的不同和每個機構的產品結構及風控策略等不同，大體可分為七個部分：使用者屬性、購物特徵、客戶分群、客戶價值、客戶喜好、潛在使用者、風險使用者。
使用者屬性。使用者屬性分為使用者基本屬性、高階屬性以及客戶地址等資訊。使用者基本屬性包含（不限於）：使用者登入別名、使用者級別、性別（整合隨機森林和）、使用者年齡（最大熵模型（多分類））、使用者收入、使用者婚姻狀況（貝葉斯演算法）、學歷（聚類演算法）、職業、使用者註冊省份、使用者註冊城市、使用者註冊時間等。
購物特徵。購物特徵分為購物資訊、購物時間和時間段量。其中“購物資訊”包含：常用支付方式、常用的下單途徑、最後一次下單途徑、當年首次購物情況、去年首次購物情況等。
客戶價值。客戶價值主要圍繞RFM分組、RFM標準化、使用者價值分組、使用者價值標準得分、使用者忠誠度、平臺影響力、社交關係影響力等預測客戶潛在價值，並提供針對性服務。
- RFM：最近一次消費（Recency），消費頻率（Frequency）、消費金額Monetary。
3.使用者畫像不僅僅只是標籤
一個使用者畫像少則數十個標籤（關鍵詞）、多則上萬個標籤組成，而對於系統而言，使用者畫像除了標籤之外，還要用到整合隨機森林、最大熵模型、貝葉斯演算法、聚類演算法、RFM模型等對使用者的特徵、偏好、行為進行描述。
好的使用者畫像除了抽象使用者屬性、行為標籤（關鍵詞）和模型演算法之外，還會引用心理學、行為學、社會學等多領域學科來分析使用者特徵和行為，並預測使用者意圖。當模型或演算法的資料量級不多時，對抽象出來的虛擬使用者行為預測可能比較隨意，但是當有足夠量級的資料去做對應模型訓練和演算法迭代時，其使用者行為預測和使用者意圖識別準確率會大大提高，並能有效的體現群體特徵和預測行為分佈。這就是為什麼有時候，透過人工智慧技術刻畫出的使用者畫像，或許會比現實中的自己更熟知、瞭解自己。
如果覺得寫的不錯，就請關注下@貝貝前前 喔，thanks。
