客戶畫像即客戶資訊標籤化，完美地抽象出乙個客戶的資訊全貌，可以看作企業應用大資料的根基。
每個行業每個企業都在提自己的客戶畫像，因為打造出了客戶畫像，一定意義上代表理解了客戶的需求，從而可以在市場上佔盡優勢。
客戶畫像應是每個搞資料的人追求的核心的東西，筆者也如此，世上最難的事，莫過於懂人自己吧，而客戶畫像卻要把人的特徵用資料標籤的形式表達出來。
當前大多企業的客戶畫像的打造都難言成功，真正讓客戶畫像發揮出價值的，卻往往是網際網路企業，為什麼? 這裡筆者就來談談自己的理解。
資料的廣度和深度決定了客戶畫像的潛力。
客戶畫像涉及人的數位化描述，也就網際網路、雲計算及大資料時代的到來，才讓人類有了大規模採集資料的可能，以網際網路公司為代表的客戶畫像應該是應用最為廣泛的一類，但即使這樣，在人的各類行為中，這些資料也僅佔到極小極小部分，在工業、醫療、化學、心理、基因等更多領域，我們基於資料來刻畫客戶也剛剛起步。
同時，從橫向的角度看，各類行業的資料短期內不可能有完全整合的機會，從縱向的角度看，每個垂直行業的資料在採集、建模等層面也僅僅是蜻蜓點水，資料的極度稀缺讓360度客戶畫像這種提法沒有現實意義。
任何企業只能說在打造乙個屬於我這個行業這個場景的畫像，企業擁有的資料廣度和深度決定了你客戶畫像的潛力，動輒360度畫像是瘋狂的想法。
現實的客戶畫像要以業務為導向。
客戶標籤建設會涉及到雞生蛋和蛋生雞的問題，先建標籤還是先拿需求一直是bi糾結的事情，任何標籤都要針對行業某個具體應用場景，憑空去構造乙個標籤體系，或者做了幾次調研就認為掌握了需求，那也是自欺欺人，標籤建設不可能畢其功於一役，但這個在很多傳統企業卻很常見。
很多時候總是糾結於標籤沒人用，一天到晚搞推廣，其實是在啟動專案的時候就埋下了禍根，即使建設的標籤符合了業務方向，但往往很難有實用性，業務的複雜性和多變性超過了大多數建設人員的想象。
舉個例子，比如很多運營商曾經基於上網資料做了一套上網偏好標籤，但對外變現的時候，發現全然不是這麼回事，大多合作的企業都希望自己做或者定製做，為什麼?
因為你想象的標籤too ******,too naïve，對於垂直行業不熟悉，導致了標籤完全沒有商業價值，比如自己打造的所謂的酒類標籤，廣告公司根本不需要，它需要某xx品牌的酒標籤，客戶的細節要求已經遠遠超過這些做標籤的想象。
很多調研都會問業務人員需要怎樣的標籤，業務人員往往說我需要判斷司機，我需要判斷商務人士等等，但到底業務場景如何，有些也說不出來，反正可能未來需要吧，要避免這種情況。
無論是服務於企業內，還是服務外部，必須先有業務場景，才能有標籤的打造，這是需要堅持的原則，當然有一種標籤是例外，就是原子屬性，比如收入、職業啥的，這是一種客戶的客觀描述，更多是作為組裝的要素。
對於網際網路企業來說，應用的驅動力本身非常強，而對於剛剛+網際網路的傳統企業來講，標籤更像是發出嫩芽還無人照顧的小草，初期非常容易陷入建設標籤的深淵而不可自拔。
客戶畫像建設少提體系化。
我們習慣於構造乙個客戶畫像的分類藍圖，希望對於客戶的刻畫方方面面都能顧及到，比如基本屬性、短期偏好、長期偏好、位置屬性等等。
我們在構造這個藍圖的時候，也非常糾結，到底對於客戶描述應該分多少類呢，因此，東抄乙個，西想乙個，似乎從來沒有滿意的分類體系，對於這一點，大家都很糾結。
10個分類，100個分類，1000個分類?
判斷客戶畫像的分類就好比要去追根溯源的**人類的本質應該分成多少類別那麼難，筆者倒覺得沒必要糾結於所謂的客戶畫像分類管理，沒有哪個企業能說自己的分類體系是最好的，只能說適合的就行。
比如運營商有個客戶畫像的類別是通話屬性，但是，大多數公司，根本沒必要，而運營商之所以設定了這個類別，僅是因為這個方面的標籤太多了，不搞個類別感覺頭重腳輕了而已。
同樣，也不要迷信網際網路公司的分類體系，其最大的目的也就是讓廣告客戶能方便找到這些標籤。
比如，我們就可以自己搞幾套，一套按資料類別分，一套面向外部客戶，一套面向內部客戶，要走出屬於自己的路。
還有就是糾結客戶標籤的數量的，有些公司，說客戶標籤有幾百個，有些說上千個，這個時候，一些網際網路公司跳出來，說我有上百上千萬個。
沒必要糾結這個，因為大家的行業背景不同，比較往往失去了意義：
一是統計的維度不同，比如某些企業將某個客戶是否喜歡體育作為乙個標籤，而有些企業則將某個客戶是否喜歡羽毛球作為乙個標籤，由此類推，因此，單純比較數量沒有什麼意義，大家並不在乙個維度。
二是企業的性質不同，某些企業沒有那麼多的客戶或業務，沒必要那麼多的標籤，比如**個性化推薦估計標籤數量要海量吧，但運營商商品有限，標籤肯定有量級的差別。
對於有完美主義的建設規劃人員來講，我們有時的確有點強迫症，但真的沒必要。
標籤運營是永恆的主題。
前一段時間聽到一線的關於某些標籤效果的反饋，更是振聾發聵，很多以前很好的標籤，無論當初構建的時候是如何轟轟烈烈，效果是如何的好，但一年以後，很多打回原形。
為什麼?
打天下易，守天下難，只管建不管埋似乎成了標籤甚至是bi領域的通病，我們沒有領會it領域運維的精髓，系統執行的是否良好是it最關心的事情，但標籤執行效果是否良好卻很難成為bi領域核心工作，大家都忙於建設，忙於出數，卻鮮有人關心標籤運維的根本意義。
傳統企業在標籤運營上的人員投入比例，有沒有1:20?跟it專業相比，估計是幾何級的差距吧，甚至可以問，除了專案和開發，有沒有標籤運營人員?
到底該是誰來為標籤效果的好壞負責?業務人員，建模人員，開發人員，運維人員?在傳統企業，這是值得思考的問題。
也許，在精細化管理還遠未成為企業的核心競爭力的時候，啟動標籤建設本是個錯誤，在熱情冷卻後，似乎每個標籤的命運在建設的時候就已經決定了。
但還是要往前看，標籤作為精益化運營的乙個載體，未來的價值是毋容置疑的，既然做了投資，就需要持續的去運營，標籤的效果也是隨著一次次的迭代好起來的。
標籤如果找合作夥伴做，就要有長期合作的打算，不要搞什麼專案，如果合作夥伴總是打一槍換乙個地方，盡量不要採用吧，一般it專案的上線是終點，但對於標籤卻是新的起點。
未來是bat的，並不是聳人聽聞。
標籤團隊的建設任重而道遠。
標籤建設和運營是非常專業的事情，很多專做標籤的公司，聘用的都是在某個行業有深度背景的專業建模人員，因為即使你有所有的資料，沒有行業的業務理解，也很難創造價值。
但無論是資料建模師，亦或資料科學家，傳統企業這類人才卻非常稀缺，我們更多的是報表取數或者經營分析師。
以前總是對於網際網路公司動輒上百的資料建模師團隊感到驚訝，想著為什麼要這麼多人，有必要嗎?
但當大資料業務逐步起來的時候，當資料量從以前的t逐步到p,並快速躍公升上雙的時候，就釋然了，標籤運營這個事情，沒有任何捷徑可走，如果要有所建樹，付出的代價並不比重建乙個企業it團隊少。
人工智慧、因果的追求也許是客戶畫像的終極方案。
為什麼同樣的關聯交叉推薦，有些人樂於接受，而有些人則會覺得被**了隱私而大罵一通，原因很簡單，你採集到的資料無法表徵更多型別的人而已，再深一層次，即使再多的表徵資料也僅是表徵，我們也許需要直達核心，即知道因果。
很多大資料書在提大資料時代要關注關聯關係，而不要執著於因果關係，這句話有點現實意義，網際網路企業依靠關聯關係的確創造了很多應用，但諸如關聯推薦的演算法再不錯，在可見的未來，如果對於人的研究沒有大的突破，要實現此類推薦的跨越式提公升很難。
那麼，最好的推薦是什麼?
通過無時不刻的連線，商家需要知道你是什麼樣的人，處於什麼樣的境況，在這種境況下會有什麼樣的需求，這時對於你的推薦的準度是無與倫比的，甚至，你也許不再需要主動購物了，你要什麼商店自動分發給你。
人工智慧、深度學習大家現在也聽多了，從客戶畫像的角度看，它的現實意義是如此巨大。
為什麼招聘這麼難？
不知道什麼時候開始，招聘就變得這麼難了，我也是一直在思考。就先說一些經歷吧，去年的時候，招聘介面自動化測試工程師，面試了很多人，總是沒有滿意的，我朋友說，是不是我這邊方式不對，導致 招聘不到人，後來和領導聊天，也談到這個話題，領導說，他問我什麼要求，我說了基礎python語言，單元測試框架，序列號與...
高考改革為什麼就這麼難？
百年大計 教育為本。高考在即，讓人不免有許多感想。十年寒窗，就看這兩天的考試，不免為全國學生和中國教育感到悲哀。孔子是教育先驅，他老人家早就提出因材施教，得到後人的普遍認同。可現在為什麼要乙個模子選人才呢？一方面強調素質教育，另一方面應試教育依舊。大家都知道高考的不足，為什麼多年來卻始終無法改變？素...
需求，需求分析為什麼這麼難？
做需求分析已經兩年多了，從乙個啥都不懂的大學畢業生到現在在公司的相關專案中擔任主力需求人員，其中感觸頗多。我想肯定有很多人跟我一樣，面對選擇時，經常會迷失方向，不知道自己該做什麼，能做什麼，會做什麼？剛剛進公司不到三月，有幸逢上了一次公司改革的機會，進入了需求部門，作為需求組的一員，但是我什麼都不懂...