有关客户画像，客户标签和在OAC中的快速实现，请参照笔者之前的文章《Oracle大数据分析助力精准营销-系列1-客户画像》。本文重点关注在如何基于Oracle自治数据仓库云（ADW）和Oracle分析云（OAC）快速启动客户画像项目，让大家了解基于ADW的敏捷数据集市构建方法并且能够实际应用于分析项目中。
本文示例数据来自于一家餐饮企业（下文会简称餐饮企业），该餐饮企业经营了多家连锁餐厅，在全国拥有几十万会员，其中预付卡会员占比20%左右，从今年年初，该企业部分餐厅在传统京菜基础上增加了面向大众群体的精品菜，获得了一定的收益，该餐厅希望能够对预付卡中有价值客户进行分析，发现他们的共同特征，帮助进行未来的营销活动，同时能够通过机器学习，在其他类别的会员中，找到成为高价值的会员可能性比较大的群体，进行有针对性的营销，推动向预付费高端会员的转化。
闲话少叙，言归正传，客户基础数据，消费数据存储在ADW中，借助于ADW高性能分析能力，笔者快速从海量会员信息中提取了北京地区，近半年内通过门店注册发展而成的预付费的，近三个月活跃的会员，基于消费数据统计了消费额，客单价等，分析了客户消费习惯，口味，偏好等，快速建立了业务视图，定义了部分固化的客户标签，然后在OAC中建立了ADW的连接，通过访问ADW，创建了客户，门店，商圈等数据集。
基于ADW和OAC的敏捷数据集市构建方法，笔者快速基于客户数据，消费数据构建了客户洞察项目，实现了客户画像，进行了一些餐饮企业感兴趣的分析，下面通过截图进行一些说明。（有关在ADW和OAC的实现会在本文后部详细说明）。
通过上图摘要信息的客户标签展示，能够看出这批北京的客户主要来自于北京本地和华东区域（外地），年龄段是70后居多，客户价值以高价值和中上价值为主，消费频率一般和超高居多，学历以学士居多，会员中老会员居多，职业以个体和行政企事业单位居多，对于促销手段多数会员喜欢兑换菜品或礼品。
上图客户画像中能够看到更详细的标签信息，例如客单价分布，可以看到北京市客单价平均高于外地，来自于中南区域的客户客单价偏低，普通收入人员客单价高，看来该餐厅的大众精品菜得到了普通人员的青睐，低频率的人员数量少，但是客单价高，超近期会员的客单价会高于老会员。
本次分析在前期洞察中通过不断的尝试，发现星座标签具有一定的分析意义，因此又快速在ADW中提取了星座标签，结合星座标签，可以看到摩羯座的顾客数量远远高于其他星座，看起来餐厅重质量不奢华的定位吸引了喜欢的摩羯座人群，天蝎座的人均客单价低，天秤座人均客单价高，推出的精品菜符合天秤座追求品质的需求，让天秤座肯掏腰包，但可能不是特别适合天蝎座的口味，所以没有让天蝎座放弃骨子里喜欢节省的习惯。
餐饮企业更关注分析产生价值的高端客户，考虑到超高价值客户数量比较少，所以如上图，通过价值标签过滤，聚焦在高价值客户群体，则可以看到这部分客户和所有客户分布类似，但高价值客户女性占比会稍微提高一些，中南区域的会员这时候的客单价提升（看起来中南区域高端顾客更很喜欢菜品口味），老会员占比会略多。当然我们可以结合其他过滤条件对高价值客户聚焦，但限于篇幅不在这里赘述。
接下来我们看看如何从不同角度对高价值客户进行深入的分析。
针对上图的客户消费分析，可以结合各种标签看到变化，看到花费随着数量增多而增加，其中北京市，70后，普通收入者，摩羯座和实用型顾客推动了销售的增加，但是与生肖没有明显的相关性，各种生肖类型客户的销售额的波动很大，普遍增加。最近高价值顾客中70后和摩羯座在逐步增多。
通过上图相关性分析，我们聚焦高价值顾客，通过中间图例可以看到这部分顾客在促销方式，消费频率和会员年限中的分布，颜色越深客户数量越多，其中实用型老会员和中期会员居多，老会员消费习惯倾向于一般频率和低频率，中期会员倾向于一般频率，但是近期会员和超近期会员中超高频率比较多。
如上图，双击中间图上实用型，中期会员和一般频率的暗色区块，可以看到左右两张图也会高亮显示这部分客户的分布，从右图的职业，年龄，学历和性别分布图可以看出，这一类客户主要以男性为主，分布在大多学历和职业中，但外资，合资，党政机关干部中的男博士很少，而女博士也一个也没有，看起来博士在促销方式方面不喜欢实用型。整体看来，除了外资企业和民营的大专女性，其他女性还算喜欢。
除此之外如下图还有一些其他方面的分析，例如地域分析，能够看到来自全国各地高价值客户的各种特征，客户价值分析，能够看到高价值客户的聚类分布。客户流失分析，能够看到客户注册情况和流失情况等。
由于篇幅有限，分析结果的展示就到这里，读者如果有兴趣，欢迎联系Oracle云团队技术人员获得详细内容。
看了前面丰富的分析展示，很多人都会疑惑是不是需要资深技术人员通过复杂的操作才能完成这些，实际上笔者从处理数据到结果最终展现不到一天。下面笔者就概要介绍一下在ADW和OAC中如何简单，快速的实现。
1、ADW中的数据准备
ADW提供了卓越的性能，因此从原始数据表到可用数据集，可以通过直接建立视图的方式快速实现，视图字段可以使用中文名称，这样对业务人员有含义，业务人员可以直接使用，不需要在OAC中重复定义。客户消费行为和口味等数据，也是直接通过消费详细数据利用SQL计算获得。对于固定的客户标签，例如年龄标签，属性标签等，可以直接在定义视图时设置条件，也可以定义SQL函数，生成独立的客户标签数据视图，后期在OAC中自动建立连接。
这样做的好处在于：
直接建立中文名称和中文地段的视图简单快捷，省却了繁琐的ETL配置和大量的临时数据存储，通过SQL函数来提取客户标签，可以让DBA做更有意义的工作，快速向数据分析师进化。视图屏蔽了物理表的结构，即便是物理表发生了变化，也不会影响OAC中的分析，只需要修改视图定义即可。而且不会频繁生成临时数据，利用ADW强大查询能力，真正做到所见即真实。
2、在OAC中建立ADW连接，把建立好的视图加入到OAC中形成不同的数据集（有关在OAC中如何配置连接ADW和导入数据，请参照之前其他文章，文本不再重复）
3、在OAC中通过数据流定义标签规则，从数据集中提取客户标签，形成新的数据集。ADW中可以快速定义规则明确的标签，例如出生年代，星座等，但因为有些客户标签没有清晰的规则定义，例如价值标签，收入标签等，还需要通过探索进一步固化，这部分标签定义和数据提取在OAC中不需要编程，只是图形化配置即可实现，后期也可以随时调整标签定义规则。
4、建立分析项目，加入各个数据集。
在ADW中通过数据准备，已经将原始数据组合成一个个OAC可以直接引入的数据集，每个数据集包括业务人员理解的，可以直接使用的业务属性和维度，与标签数据集连接在一起，在OAC中构成可以联动的数据视图。OAC在数据集加入到项目中，会自动计算数据集字段名和类型，如果相同，会自动建立关联，例如在本文例子中，通过IDNO将客户有关信息关联起来。当然也可以后期手工添加匹配项进行配置。
如下图引入了客户基础数据，客户统计数据，客户标签，客户动态标签，门店，商圈数据集。
5、建立标签页，定义每个标签页的分析内容，通过拖曳和配置形成各种图形。ADW中快速加工，引入的数据集包含的已经是业务能够理解和识别的基本中文属性或度量，不需要在OAC中繁琐定义，可以直接拖曳的方式就可以形成各种图表，简化了业务分析操作。下图是拖曳形成网络分析图示例。
6、从各个角度，通过条件过滤，内置的趋势，聚类，异常等机器学习操作，以及自动关联，自动解释等预置功能进行进行数据洞察，可以定义过滤的维度，不需要预先定义过滤列表内容，OAC会自动查询可选择值的列表，可以通过列表选择来过滤数据，浏览数据之间相关性。
7、内置了机器学习功能，可以右键直接选择异常，趋势，预测等操作，自动展示结果。
总结
通过以上几个步骤，就可以在短期内快速提取客户标签，与详细数据结合，在OAC中实现客户的洞察，获得有价值的分析成果。ADW的技术优势支持了整个构建和分析的过程，包括：
简单：分钟级获得云中数据仓库/数据集市环境，数据导入自动加密和压缩，提供了集中的数据存储和处理平台。
高速：卓越的性能使基于视图实时查询数据获得最新和精准的结果成为可能，
弹性：海量数据分析遇到挑战时，在线即可扩展，性能基本上呈线性提升，保证了项目顺利进行和有价值结果实时输出。
如果您感兴趣，欢迎访问cloud.oracle.com网站申请免费的ADW和OAC云服务进行尝试。有关如何在OAC和ADW中通过机器学习来实现自定义的模型，预测新顾客成为高价值客户，以及已有客户流失的可能性，笔者会在下一篇文中继续介绍，敬请关注。
