- 何为企业画像
企业画像是一种标签体系方法，标签是某一种企业特征的符号表示，标签体系主要包括2种方式一是化整为零其方法就是每个标签都规定了我们观察、认识和描述企业的一个角度，二是化零为整，主要实现方法是企业画像是一个整体，各个维度不独立，标签之间有联系最终实现用标签的集合来实现企业画像。
整个企业画像（UserProfile）项目中，数据、业务及技术流程图如下所示
- 企业360°度画像
企业360°画像的报告范围涉及企业相关的工商信息、无形资产、经营状况、法院信息、环保信息、税务信息、金融监管信息、海关信息、食药监信息、上市公司信息、舆情数据，可以提供目标企业的信用记录信用报告，支持企业授信业务决策。
- “企业360°画像"的四个功能
1：授信额度判定分析
银行、证券、基金等金融机构在信用贷款前，辅助授信额度判定;
2：风险动态管理分析
银行、证券、基金等金融机构在信用贷款过程中，对于企业的风险变更，进行实时动态管理；
3：信贷风险监控分析
监控贷后企业经营、财务、还款能力以及行业情况等多方面信息；协助银行了解贷款企业的信贷风险程度；降低次级、可疑和损失等不良贷款的发生；
4：企业360°画像辅助信贷决策
根据信贷分析结果，为用户提供目标企业的信用记录和信用报告，为企业授信业务提供决策支持。
- 企业画像构建的相关技术
企业画像的方法进行总结归纳，发现用户画像的构建一般可以分为目标分析、体系构建、画像建立三步。画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，下如图所示。具体的画像构建方法学长会在后面的部分详细介绍。
按照数据流处理阶段划分企业画像建模的过程，分为三个层，每一层次，都需要打上不同的标签。
数据层：用户消费行为的标签。打上事实标签，作为数据客观的记录
算法层：透过行为算出的用户建模。打上模型标签，作为用户画像的分类
业务层：指的是获客、粘客、留客的手段。打上预测标签，作为业务关联的结果
- 标签体系
构建标签体系，目前主流的标签体系都是层次化的，首先标签分为几个大类，每个大类下进行逐层细分。在构建标签时，我们只需要构建最下层的标签，就能够映射到上面两级标签。上层标签都是抽象的标签集合，一般没有实用意义，只有统计意义。
- RFM模型
银行当然还有以下这些问题都是需要考虑的：
1.谁是我的最佳客户？
2.谁即将要成为流失客户？
3.谁将有潜力成为有价值的客户
4.哪些客户能够留存？
5.哪些客户会对你目前对活动有所反应？
那么最终的问题是如何对客户进行分群，即如何建立客户的价值模型呢？
1、什么是RFM模型
在传统企业和电商众多的客户细分模型中，RFM模型是被广泛提到和使用的。
RFM模型是衡量当前用户价值和客户潜在价值的重要工具和手段。
RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合，如图所示：
1.1 R值：最近一次消费（Recency）
消费指的是客户在店铺消费最近一次和上一次的时间间隔，理论上R值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。目前网购便利，顾客已经有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，因此CRM操盘手想要提高回购率和留存率，需要时刻警惕R值。
1、客户R值呈规律性的“波浪形”分布，时间越长，波浪越小；
2、最近一年内用户占比50%（真的很巧）；
数据分析：这个数据根据向行业内专业人员请教，已经是比较理想了的。说明每引入2个客户，就有一位用户在持续购买。说明店铺复购做的比较好。
1.2 F值：消费频率（Frequency）
消费频率是客户在固定时间内的购买次数（一般是1年）。但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，有些店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。
1、购买1次（新客户）占比为65.5%，产生重复购买（老客户）的占比为34.4%。
2、购买3次及以上（成熟客户）的占比为17%，购买5次及以上（忠实客户）的占比为6%;
数据分析：影响复购的核心因素是商品，因此复购不适合做跨类目比较。比如食品类目和美妆类目：食品是属于“半标品”，产品的标品化程度越高，客户背叛的难度就越小，越难形成忠实用户；但是相对美妆，食品又属于易耗品，消耗周期短，购买频率高，相对容易产生重复购买，因此跨类目复购并不具有可比性。
1.3 M值：消费金额（Monetary）
M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。大家熟知的“二八定律”（又名“帕雷托法则”）曾作出过这样的解释：公司80%的收入来自于20%的用户。
这个数据我在自己所从事的公司总都得到过验证！可能有些店铺不会那么精确，一般也会在30%客户贡献70%收入，或者40%贡献60%收入。
理论上M值和F值是一样的，都带有时间范围，指的是一段时间（通常是1年）内的消费金额，在工作中我认为对于一般店铺的类目而言，产品的价格带都是比较单一的，比如：同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M值对客户细分的作用相对较弱。
2、 基于RFM模型的实践应用
主要有两种方法来分析RFM模型的结果：用基于RFM模型的划分标准来进行客户细分，用基于RFM模型的客户评分来进行客户细分。
2.1 基于RFM模型进行客户细分
CRM实操时可以选择RFM模型中的1-3个指标进行客户细分，如下表所示。切记细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，而来可能会遗漏用户群或者对同个用户造成多次打扰。
2.2 通过RFM模型评分后输出目标用户
除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户。
RFM模型评分主要有三个部分：
1、确定RFM三个指标的分段和每个分段的分值；
2、计算每个客户RFM三个指标的得分；
3、计算每个客户的总得分，并且根据总得分筛选出优质的客户
- KMeans聚类算法
1、算法原理
在正式开始之前，我们可以先通过几个网址来感受一下KMeans的魅力。
首先是 http://shabal.in/visuals/kmeans/3.html，我们可以通过刷新页面多次，来观察不同的KMeans聚类过程。下图是我把四次不同的结果合并在一起的一个结果。
通过观察，我们可以得到初步结论：
中心点数量4， 起始位置不相同。
中心点可以移动
中心点最后不移动
2.在企业画像中的应用
根据RFM模型，就可以统计在某一段时间内，用户最近的消费间隔，消费次数和消费金额，再根据使用 k-means 算法对用户进行聚类分群。
