因为该企业设计标签体系的目的是做用户运营，所以会从新客培育、活跃留存、交易提升、资金留存、沉没唤醒、流失预防、丧失召回、用户体验、大客户运营等维度来梳理企业的业务体系，但是如果企业的标签体系设计目的是做个性化推荐，设计思路将完全不同。所以，我们为每一个企业梳理标签体系前都要明确目标，根据目标来梳理一个基本的业务需求框架，再通过前期调研，如访谈、查资料等来补充框架上的信息。
2.由业务需求抽离出标签需求明确企业的业务需求后，我们再根据企业的业务需求梳理标签需求，并梳理出相应的标签策略，最后制定对应的标签，这些标签是企业最终的场景应用会使用到的标签。如上图，我们最终帮该证券客户的标签梳理成几大类。第一类是用户的基本信息。基本信息包括如用户识别、激活信息（引流或者拉新时的重要信息，如用户什么时候来、什么渠道来等）、风险特征（金融行业用的比较多）等信息。
第二类是用户的账户特征。因为证券企业的用户有多套资金帐户，但是不管用户操作的是哪个资金帐户，企业最终营销的都是用户本身，关于用户本身的特征和偏好才是最重要的信息，所以我们会对用户的帐户做一层设计。第三类是业务特征。之所以我们会划分交易、理财、资讯、服务四类，与企业的运营体系相关，他们是按照板块划分具体的运营的。
所以要建立真正代表用户在特定业务场景下的标签，我们会拆分业务层，业务层对应的标签就是表征业务本身的特点，如理财的标签与交易标签完全不一样，股票标签会涉及到个股偏好，但是理财产品实际上对特定产品偏好较弱，更看重产品类型。还有活跃特征和价值标签很好理解，我就不赘述了。下图是某证券客户标签画像系统实施的 demo 示例。
第二个银行的案例，是中原银行大数据架构师刘远东的一次分享。平台建设目标与思路中原银行已将大数据治理与应用建设上升到全行战略层面，并制定了以技术创新为导向，秉承自主可控、开放共享的理念，构建统一完整、便捷高效、智能安全的大数据技术体系，提供全流程、一站式、智能化的数据服务的目标。值得强调的是，中原银行一直以来的目标不是做一个系统，而是为了提供一种服务。
比如，当业务人员想知道流失了多少客户，就目前来说，很难提供给他 BI ，即使提供了数据，他也很难算出来，但通过场景化分析，制定出该场景下所需要的维度和指标，通过调取相关数据，很容易进行分析。因此，我们计划把一个场景做成服务，未来提供给业务团队使用。数据平台建设进展与规划这是中原银行大体的平台建设进展情况：2016 年已完成基础平台搭建和数据架构的设计；2017 年建立了一个数据整合平台，构建了数据服务引擎、OLAP 自助分析引擎和挖掘分析平台的基础搭建；2018 年计划做数据治理、实时计算服务、图计算服务、数据交换平台、机器学习平台等；2019 年，我们可能会从技术角度出发，做一些更加整合类的、更加完善类的、提升类的项目。
在很多情况下，虽然科技部门领头建立了技术体系，但并没有真正的业务落地，现在我们在尝试往实现业务跨越发展的方向转移。在 2018 年 6 月，中原银行特别成立了一个一级部——数据银行部，这是从信息技术部分离出来的一个部门。以前我们更多地专注于技术，但现在意识到用技术驱动业务，在营销和风控方面的成本和难度都非常高，且技术并不一定能驱动业务带来收益，从这一点上，我们决定尝试神策数据提供的这一套场景化的方法论和逻辑。
中原银行在过去几年做了一些技术驱动的改进。比如，面向全行的集中交付能力优化，包括固定报表和移动报表，自助查询模型等，特别是在过去几年银行业的自助查询比较流行，没有做的银行未来也一定要做，这是一个必经的阶段。数据分析需求理解：五种模式支持全行应用我认为银行业的数据分析需求可能有五种场景的数据交互模式（如上图）。
中原银行目前做了一个数据实验室，其实是一套数据湖的系统，就是把以前的仓库、集市这些平台迁到了一个新的计算架构上面，它的主要作用是为了做数据建模和探索性的分析，该平台完全独立于原来的 P2P 平台，且不像以前那样只做报表，也能做一些自助分析、数据建模，以便将来能支持更多建模师的使用。我们希望这种项目出来成果之后，能做成不同类的业务场景应用。
