2. 客户画像基础：定义、作用与数据来源
做智能投顾，第一步不是写代码，而是搞清楚你的用户是谁。
我刚开始带团队做这个项目时，产品经理扔过来一堆需求：「我们要给用户打标签，要精准营销，要千人千面。」我问了一句：「那你们现在有什么数据？」全场沉默了。
嗯，这就是典型的「先射箭再画靶子」。今天我们就来聊聊客户画像这件事，说白了就是——用数据给用户画一张像，然后让机器认识他。
2.1 客户画像的定义
客户画像（Customer Profile），不是一张照片，而是一组结构化的标签集合。它描述的是：
- 这个人是谁（年龄、职业、收入）
- 他有什么偏好（风险偏好、投资风格）
- 他做过什么（历史交易、浏览行为）
- 他未来可能做什么（流失概率、购买倾向）
我个人的习惯是，把画像理解成「用户的数据影子」。你想想看，现实中的用户可能一天变一个想法，但他的数据影子是相对稳定的。我们做智能投顾，本质上就是在跟这个影子打交道。
2.2 客户画像的作用
为什么要花力气做画像？三个字：降本增效。
我在项目中遇到过这样一个场景：某银行推一款高风险基金产品，群发了10万条短信，结果转化率不到0.1%。后来我们做了画像分析，发现真正有高风险承受能力的用户只有3000人。定向推送后，转化率直接飙到8%。
画像的具体作用，我归纳为四点：
- 精准营销：找到对的人，推对的品。别给退休大爷推比特币。
- 风险控制：识别不适合某类产品的用户，避免合规风险。
- 产品设计：根据用户画像调整投顾策略，比如年轻人多配成长型基金。
- 用户体验：千人千面的界面展示，让用户觉得「这个APP懂我」。
2.3 画像数据来源
数据从哪里来？这是最实际的问题。我把它分成三类：
2.3.1 问卷数据
最传统的方式。开户时填的风险测评问卷，就是典型的画像数据来源。
但这里有个坑——用户填的不一定是真实的。我记得有一次，一个用户填的问卷显示「极度保守」，但交易记录全是高杠杆期货。后来一查，他填问卷时根本没认真看，随便勾的。
所以我的建议是：问卷数据只能作为参考，不能作为唯一依据。
2.3.2 交易数据
这是最真实的数据。用户真金白银的操作，骗不了人。
交易数据包括：
- 持仓品种（股票、基金、债券、现金）
- 交易频率（每天操作还是半年不动）
- 单笔金额（小额定投还是大额梭哈）
- 盈亏情况（赚钱了是落袋为安还是继续持有）
我个人的经验是，交易数据是画像的「硬核」部分。你想想看，一个用户嘴上说「我是价值投资」，结果天天追涨杀跌——那他的真实画像就是「短线投机者」。
2.3.3 行为数据
这是容易被忽视的数据源。用户在产品内的所有操作，都是线索。
比如：
- 浏览了哪些产品页面
- 看了多久的投教视频
- 是否点击了「风险提示」弹窗
- 在哪个页面停留时间最长
这些数据看似零碎，但组合起来能揭示用户的真实意图。我曾经通过行为数据发现，某类用户特别喜欢看「基金定投」相关的文章，但从不点击「一次性买入」的按钮。后来我们针对这类用户推出了「智能定投」功能，转化率提升了30%。
2.4 画像标签体系设计原则
有了数据，怎么变成标签？这里我分享几个原则，都是踩坑踩出来的。
2.4.1 原则一：MECE原则
Mutually Exclusive, Collectively Exhaustive——相互独立，完全穷尽。
说白了，就是标签之间不能有重叠，同时要覆盖所有可能的情况。
举个例子：风险偏好标签，你不能同时有「保守」和「稳健」两个标签，因为用户可能分不清区别。我建议用「保守型」「平衡型」「进取型」三个标签，清晰且互斥。
2.4.2 原则二：可量化原则
每个标签必须有明确的定义和计算逻辑。
比如「高净值用户」这个标签，不能模糊地说「有钱人」。要定义清楚：金融资产大于等于100万，且近3个月日均余额不低于50万。
我曾经接手过一个项目，标签定义全是「大概」「可能」「差不多」——结果模型上线后，标签冲突率高达40%。后来全部重写，用SQL把每个标签的逻辑写死，才解决问题。
2.4.3 原则三：时效性原则
标签是有保质期的。
用户的收入会变，风险偏好会变，持仓也会变。所以标签必须带时间戳。
我建议：
- 静态标签（性别、出生年份）—— 一次生成，永久有效
- 动态标签（风险偏好、活跃度）—— 每天更新
- 实时标签（当前持仓、今日浏览）—— 实时计算
2.4.4 原则四：业务可解释原则
标签不是给机器看的，是给人看的。
运营人员要能理解每个标签的含义，否则他们不会用。我见过最离谱的标签叫「用户价值LTV预测值_3.0版本」——运营看了直接懵圈。
我的习惯是，标签命名要通俗易懂。比如「高活跃用户」比「DAU_Top10%_用户」好得多。
2.5 知识体系总览
下面这张图，是我梳理的客户画像知识体系。你可以把它当作本章的「地图」：
2.6 小结
这一章我们聊了客户画像的基础。说白了，就是三件事：
- 定义：画像不是玄学，是结构化的标签集合
- 数据：问卷、交易、行为，三类数据各有优劣，要组合使用
- 标签设计：MECE、可量化、有时效、可解释——四个原则缺一不可
下一章，我们会深入实战，聊聊怎么用Python从零搭建一个画像标签系统。到时候我会把踩过的坑、写过的代码，都摊开来给你看。