数据中台如何定义？
企业数据化与数据中台的关系是什么？
数据中台如何支撑企业战略转型？
袋鼠云近两年来，先后为国内数十家大型龙头企业提供数据中台咨询与实施落地服务，积累了大量的实战经验，同时也在为客户服务的过程中，不断完善和升华自身的数据中台理论体系和实践方法论。希望通过后续文章的分享，与诸位读者交流，共同加快企业全面数据化进程。
本专栏每周更新1-2篇，敬请期待~
某知名鞋服企业基于画像体系的产品设计
新零售时代来临，逐步升级的消费需求推动行业整体业务与技术形态不断变化，品牌商面临愈加复杂、瞬息万变的市场环境。对于某知名运动型鞋服企业来说，每季度都要设计大量新品来满足日新月异的市场需求。
然而，运动类鞋服的消费主角——90后、00后们对产品有更加个性化的需求，传统的产品设计方法已经开始不能满足他们的需求。品牌商需要借助大数据的能力，对客户画像和产品卖点画像进行洞察分析，了解客群与产品卖点之间的联系，为新产品的设计提供重要的参考支撑。
要建立客群与产品卖点之间的联系，要分成4个步骤来走：
（1）事实标签：原始数据表中字段经过清洗标准化，原始数据包括结构化的业务流转数据和非结构化的特征记录数据（如顾客基本属性等）；
（2）模型标签：原始数据通过分析模型加工，例如购买量、平均贡献率等标签；
（3）预测标签：原始数据经过算法模型计算后的高级标签，例如偏好、指数等。
第二步，通过用户标签的人群圈选功能，按照商品维度圈选出商品对应的人群，建立人群特征与商品的关联性。
用户的标签维度包括自然特征、兴趣特征、社会特征、消费特征。从数据特点上看，又可分为基本属性和衍生标签，基本属性包括年龄、性别、地域、收入等客观事实数据，衍生标签属于基本属性为依据，通过模型规则生成的附加判断数据。
使用消费商品类别维度作为客户人群的划分依据，能得出与商品关联的人群，通过对群体中个人标签统计分析，可以看到人群的特征分布。人群分布特征尤其像地区特征、年龄特征、性别特征等对于产品目标客群的判断非常有价值。
通过消费者不同维度的洞察，了解购买不同商品的消费者人群的特征，构建起商品中类或小类与购买人群的特征的初步联系，让产品设计团队可以了解商品的中类或者小类的消费群体的特征，比较产品设计的目标人群是否与最终人群一致，不断去优化设计来迎合消费者的需求和为新的消费人群做创新设计。
第三步，是分析商品卖点特征画像来寻找产品真正被消费者喜欢的卖点。
商品的数据维度包括商品定位和商品属性。商品属性即商品的功能、颜色、能耗、价格等事实数据，商品定位即商品的风格和定位人群，需要和用户标签进行匹配。
商品的卖点特征分析是通过对好卖商品的特征进行汇总分析，得出不同特征在所有中台商品中的占比。好卖商品的定义是通过商品的销售贡献率来决定，超过其所属类别的平均贡献率即为认为是好卖商品，其特征也可以作为好卖的商品特征标签来进行分析。
卖点分析根据产品在各地区的销量，拆解产品特征、产品元素等产品属性，分析产品有哪些好卖的点或不足的点，给产品设计提出参考意见，提升产品竞争力。
通过对不同类别商品消费群体的特征分析，了解商品消费人群的不同特征和偏好性倾向，再通过商品的好卖特征进行分析，了解商品中哪些元素是容易被消费者偏好，最终通过第2步和第3步构建起消费者人群特征与商品好卖特征之间关联，最终构成一个消费群体与对应商品好卖标签的对应蓝图。
产品设计团队能借助这个蓝图，按照目标人群的设定，去寻找可能被这些人群喜好的商品特征元素，更好的设计出符合目标人群的产品体系。借助大数据的能力，把这家鞋服企业的设计能力从凭经验转变到通过数据支持来实现产品设计的高度科学性能力。
当前鞋服行业面临激烈的竞争和需求的快速变化，需要借助大数据标签体系提高产品设计能力来满足发展的需求，同时企业最终目标需通过数据标签体系的长期积累，形成设计知识库，为企业设计能力长期的发展提供重要的数据资产。
