当前，基于大数据与标签化思路的消费者画像分析，成为B2C企业深入认知目标消费者特性的重要工具，并在电商、DSP广告等互联网企业发挥作用。越来越多的传统B2C行业，也开始重视其价值。同时，更多的数据资源方(如运营商等)也希望凭借其大数据资源上的消费者画像服务，获得更多的衍生收入。

　　消费者画像，本质作为消费者研究的一种量化形式，核心问题仍然是消费者的洞察。而HCR作为市场研究公司，在消费者研究方面有着长期的模型积累和经验丰富的研究人员。如今，HCR借助自身研究优势，同时吸取其他系统优点，建立推出真正具有全景、深入洞察能力的消费者画像模型。

　　HCR消费者画像模型体系由两大部分组成：标签体系与相应的分析模型。首先我们来介绍一下标签体系。

　　1 消费者标签体系 ( 如何定义用户 )

　　已经完成的标签体系中，设计用户标签近200个(根据业务/.研究深入在不断扩展中)，共分为5大类，如下图(限于篇幅图中仅列举部分标签)

　　数据来源 : 大数据平台部@HCR

　　HCR用户标签体系所具有的全景刻画能力，主要表现在：

　　l 提供对消费者更全面的刻画维度。当前众多标签体系(以电商和在线广告为代表)基本是面向精准营销和个性化推荐为目的，虽然也号称全景，但实际标签集中于购买兴趣/爱好和消费倾向这些与后续营收相关的用户特性。而这只是HCR用户标签的一个子集(第四大类)。仔细研究HCR的标签体系你会发现，除了兴趣爱好外，HCR的基本属性、社会/生活属性与行为习惯的相关标签类，真正从消费者实际日常生活的更多基本角度(如健康/车辆使用/住房/移动通信/居住/日常交通等等)全面立体地描述消费者的特性。

　　l 标签的刻画粒度也更加细化。比如年龄段，常规的多采用70后/80后/90后这样的划分原则，而HCR除此之外还能提供更多描述粒度，如中学生/高中生(甚至高三学生)/大学生… 这对发现和细分目标用户更有价值。

　　而HCR用户标签的深入洞察能力，则主要表现在：

　　l 更加丰富的标签体系带来更多洞察可能，但这还不够，HCR首创引入了心理学属性标签(第五大类 共30多个)，融合了消费者研究的思想，以生活方式/个性/价值观等深层标识，来揭示消费者的内在特性，使得我们能够深入探查消费者的本性，也使得画像结果有更泛化的应用价值。

　　l 更深入的算法模型。基于标签体系上的分析算法模型，在标注精度和广度上都有了更大进步(见后面详细介绍)

　　l 标签的标注结果，加入程度指标来细化，这样更准确地区分消费者对某种特性的贴近程度(如爱好游戏可分为轻度、中度和重度三种程度)。这对于更准确地理解消费者大有帮助。

　　2标签分析方法(如何打标签)

　　与标签体系一样，HCR的标签分析模型也具有独特而有效的的分析方法。

　　l 主要通过行为类数据为分析依据

　　在标签分析中，主要借助行为类大数据(而非直接的属性数据)来推演得到相应结果(如不是基于客户身份证信息推导其性别标签)。 这样的方法，难度大，需要对行为理解更深入，但可以避免涉及大量用户敏感信息，同时也更具有更好的适用性。

　　HCR认为，用户的行为数据(当前主要为线上行为)主要由下几种行为场景模式组成(这里浏览包含网页与视频)。当市面上大多数标签研究聚焦于搜索/浏览和购物行为数据时，我们选择了手机App使用行为这个独特的突破口。

　　数据来源 : 大数据平台部@HCR

　　l 分析方法的三驾马车

　　HCR消费者画像分析团队由HCR资深消费者研究员与大数据平台部挖掘算法人员组成。双方配合探索研发兼具研究与技术分析优点的可计算模型。

　　n 行为规则库抽象用户行为模式： 因为消费者的日常行为会反映其个人特性(标签)，因此通过行为模式的推理就能为消费者打上相应标签。相比其他方案，HCR通过研究员团队，，把消费者行为推理思路进行抽象，得到可以用于自动分析的方法规则，记录到规则知识库。该规则知识库是对消费者研究的经验浓缩，覆盖大量常规行为场景，并具有相当的洞察深度(如可以推演出生活方式等深层次标签)，这是当前基于纯技术驱动的分析方法所无法做到的。

　　n 规则推演引擎自动分析常规标签标注：基于分析规则库，挖掘算法人员研发了智能推演算法与自动处理程序，可快速计算消费者相关行为的统计/分布特性，并结合规则库自动计算得到消费者的标签(以概率值形式代表可能性)。自动推演引擎解决了符合规则特征的海量用户的标签快速推演，模式具有独创性，相关算法正申请专利中。

　　n 机器学习算法给更多消费者打标签。实际分析中，很多标签所对应的行为特点是隐性的，无法被发现和规则抽象。此时，挖掘算法人员进一步通过机器学习算法(有监督学习加推荐计算)，通过已标注标签的消费者的行为特性，来推导大量未标注/新用户的特性标签，。这种机器学习的模式通过已分析消费者的结果，极大扩展了标签可标注的用户范围。

　　3 移动互联网用户标签分析应用

　　在初步建立相关分析模型后，我们对移动互联网用户的App使用行为大数据进行了标签分析的初步试验。目标数据来自HCR HiMobile业务的数百万移动互联网匿名用户的长期(2个月连续)App使用行为，共300多亿记录)，得到了良好的效果。下图是其中某匿名用户分析得到的实际画像结果，非常具有代表性。

　　数据来源 : 大数据平台部@HCR

　　从图里可以看出，该匿名属性用户的特性通过行为已被画像结果有效勾勒出来(所有标签通过可信度概率标示，右侧灰色内容为分析得到的心理学属性标签)。无论目标描述的特性范围和深度，都比其他系统有较大的优势。

　　4 HCR消费者画像的未来

　　在大数据产业链中，HCR的定位是数据洞察者。而消费者画像分析作为典型的研究洞察服务，将逐步成为HCR的核心竞争力，在未来得到不断地加强和广泛应用。主要的应用模式包括：

　　l 作为HCR所有消费者研究业务的基础分析功能，帮助研究员在研究业务中洞察消费者的群体/个体特性。

　　l 为具有消费者画像能力的企业(如电商)，提供更多角度的用户画像分析结果，作为其自身用户画像的有效补充，从而大大增加其产品推荐的精度与适用性。

　　l 为具有用户行为大数据但缺乏用户画像能力的大量B2C企业(尤其移动互联网企业)，以标准化API的方式，提供快速的标签化分析服务，帮助企业轻松获得用户标签化分析能力，从而将分析结果轻松应用于后续的业务服务中

　　在后续的研究工作中，HCR的消费者画像团队将继续完善现有行为规则库和算法模型。并针对更多行为数据空间(如搜索和浏览)，扩展标签的分析能力，力求使HCR消费者画像分析成为最具竞争力的消费者洞察服务。