一、大数据+AI引擎+数据模型的威力
在某个大型项目中，利用大数据技术收集项目相关的用户、事件信息，归集其他相关行业部门的主题数据、行业数据，再结合政府大数据平台、社会服务商的第三方数据，打造数据底座；在底座上，利用AI技术，开展机器学习、规则碰撞、挖掘分析等，实现灵活方便充分的智能分析，与预先由业务规则研究部门研究出来的各类业务模型配合，可以实现目标客户、目标人群、目标时间自动发掘；并且自动给出最有效的营销策略，帮助前线的营销人员有的放矢地去发掘客户和市场，另外还通过各类特征数据，帮助企业实现内部管控，避免道德越界和内部违规事件.
二、数据模型
上面的工作中，大数据难在对接数据，AI引擎实际就是个投资问题，最核心也是最有特色，就是各类用户业务模型的建立。前面两项实际还是个信息化技术问题；后面这个说实话，得业务老手出马，而且建设好的模型绝对是内部利器，不宜公开。
以下内容来自：https://time.geekbang.org/column/article/75056
（1）用户标签
“用户画像”可以从 4 个维度来进行标签划分：
- 用户标签：它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性。
- 业务标签：业务习惯、意向、是否对促销敏感。这些统计分析用户的业务习惯。
- 行为标签：时间段、频次、时长、访问路径。这些是通过分析用户行为，来得到他们使用 App 的习惯。
- 内容分析：对用户平时浏览的内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如，金融、娱乐、教育、体育、时尚、科技等。
（2）业务操作
可以说，用户画像是现实世界中的用户的数学建模，我们正是将海量数据进行标签化，来得到精准的用户画像，从而为企业更精准地解决问题。有了用户画像，就可以开展操作：获客、粘客和留客。
- 获客：如何进行拉新，通过更精准的营销获取客户。
- 粘客：个性化推荐，搜索排序，场景运营等。
- 留客：流失率预测，分析关键节点降低流失率。
（3）数据处理流程
如果按照数据流处理的阶段来划分用户画像建模的过程，可以分为数据层、算法层和业务层。不同的层需要打上不同的标签。
- 数据层指的是用户消费行为里的标签。可以打上“事实标签”，作为数据客观的记录。
- 算法层指的是透过这些行为算出的用户建模。可以打上“模型标签”，作为用户画像的分类标识。
- 业务层指的是获客、粘客、留客的手段。可以打上“预测标签”，作为业务关联的结果。
这个标签化的流程，就是通过数据层的“事实标签”，在算法层进行计算，打上“模型标签”的分类结果，最后指导业务层，得出“预测标签”。
