用户画像构建及应用场景
用户画像技术及其应用分析
用户画像技术及其应用分析用户画像技术是一种通过对用户各方面信息进行分析和处理，得出用户基本特征、行为习惯、兴趣爱好等个性化信息的技术。
通过分析用户画像，企业可以更加清晰地了解用户需求，提高用户服务质量和满意度，实现商业价值最大化。
本文将从用户画像技术的基本原理、应用场景和发展趋势三个方面进行分析。
一、用户画像技术的基本原理用户画像技术的基本原理是通过收集用户的各种信息，包括个人信息、社会属性、行为习惯、消费偏好、社交网络等，进行数据分析和挖掘，用数学模型或算法进行数据建模，最终构建出用户画像。
用户画像是企业根据用户数据绘制而成的用户形象的具体化展现，反映出用户的行为习惯、消费行为、兴趣爱好以及其他相关信息，便于企业更准确地了解用户，并设计和优化产品和服务。
用户画像技术需要实现的核心功能包括数据收集、数据分析、数据挖掘和用户画像构建。
其中，数据收集是获取用户的各种信息，数据分析是对收集到的数据进行数据清洗、统计和分析；数据挖掘是根据数据挖掘算法结合评价指标，从大量数据中挖掘用户的隐藏信息；用户画像构建是根据已筛选好的信息，将其结合到一起，形成一个完整的用户画像。
用户画像技术可以应用到很多领域，尤其是以数字营销为主要手段的企业、每天需要处理大量用户数据的APP和电商平台。
下面介绍几个具体的应用场景：1. 精准营销：企业通过分析用户画像中的用户需求、兴趣爱好，精准投放广告，增加用户的转化率和购买意愿。
2. 用户画像推荐：通过对用户画像的挖掘和分析，推荐用户感兴趣的产品，提升用户体验。
3. 用户画像分析：对用户画像中的数据进行深度挖掘，分析用户喜好、消费水平、购买意愿等，为企业提供战略决策和产品研发方向。
4. 舆情监控：通过对用户和公众媒体的舆情监控，了解用户的评论和反馈等信息，为企业的营销决策提供数据支持。
随着大数据产业的不断发展和技术的不断提升，用户画像技术也得到了越来越广泛的应用，未来用户画像技术将呈现以下几个发展趋势：1. 用户画像精度越来越高：随着数据收集的逐步完善和挖掘算法的不断更新，用户画像技术的精度将越来越高，更能够满足企业对个性化服务的需求。
用户画像(参考版)课件
根据数据来源，用户画像可以分为定量画像和定性画像；根据使用目的，用户画像可以分为基础画像、运营画像 和商业画像；根据用户规模，用户画像可以分为个体画像和群体画像。不同类型的用户画像具有不同的特点和用 途，应根据实际需求选择合适的类型进行构建和应用。
02
用户画像的构建方法
数领域的合作将进一步推动用户画像的发展和应用。
THANK YOU
用户画像可视化
通过数据可视化工具，将用户画像进 行可视化展示，以便于更直观地了解 和分析用户群体。
根据模板，为每个用户群体创建具体 的画像实例，以便于理解和应用。
03
用户画像的应用场景
产品设计
用户需求洞察
通过用户画像，产品设计者可以 更深入地了解目标用户的需求、 偏好和痛点，从而设计出更符合
用户期望的产品。
用户需求分析
他们需要的是方便、快捷、安全的购物体验，同时希望得 到个性化的推荐和优惠。
案例二：某社交平台的用户画像
用户画像描述
该社交平台的主要用户是年轻人，特别是大学生和年轻白领，他 们追求新鲜、刺激和个性化，乐于分享自己的生活和想法。
用户行为特征
这些用户通常在白天和晚上使用社交平台，他们喜欢通过关注和互 动来建立自己的社交圈，并经常发表状态和评论。
果和转化率。
品牌定位
基于用户画像的特征，明确品牌 的目标受众和定位，塑造独特的
品牌形象。
用户服务
个性化服务
根据用户画像提供个性化的服务，满足不同用户 的特定需求，提高用户满意度。
用户关系管理
通过用户画像建立用户关系管理系统，更好地了 解用户需求和行为，提高用户留存率。
用户反馈分析
利用用户画像分析用户反馈信息，识别出用户的 痛点和期望，优化产品和服务。
智能家居行业用户画像及其应用研究
智能家居行业用户画像及其应用研究1. 引言1.1 智能家居行业用户画像及其应用研究智能家居行业用户画像是指通过数据分析和挖掘用户行为数据、偏好、需求等信息，为智能家居企业刻画出不同用户群体的综合概况和特征。
用户画像的意义在于帮助企业更好地了解用户，精准地定位目标受众，从而提升产品和服务的质量，增加用户满意度和忠诚度。
智能家居行业是指利用先进的信息技术和网络通信技术实现家居设备和系统的自动化、智能化管理与控制，为人们提供更加便捷、舒适、安全的居住环境。
目前，智能家居行业正处于快速发展阶段，各类智能设备、智能家居系统不断涌现，市场潜力巨大。
智能家居行业用户画像的构建方法主要包括数据收集、数据清洗、数据挖掘和分析、用户分类和标签等步骤。
通过对用户行为数据和偏好的深入挖掘，可以描绘出不同用户群体的用户画像，为企业提供精准的用户洞察和市场引导。
智能家居行业用户画像的应用场景包括产品设计优化、推广营销策略制定、定制个性化服务等方面。
通过精准的用户画像，企业可以更好地满足用户需求，提升品牌形象和市场竞争力。
智能家居行业用户画像研究对于企业发展具有重要意义，可以帮助企业更好地了解用户需求和市场动态，提升产品和服务的质量和竞争力。
展望未来，随着智能家居行业的持续发展和智能技术的不断创新，智能家居行业用户画像的研究和应用将更加广泛和深入。
2. 正文2.1 用户画像的定义和意义用户画像是指通过对用户个人信息、行为偏好、消费习惯等数据进行分析和整合，从而描绘出一个具体用户的完整形象。
用户画像主要包括用户的基本信息、兴趣爱好、购买行为、生活习惯等方面的信息，通过这些信息可以帮助企业更好地了解用户的需求和行为，提供个性化的产品和服务。
用户画像在智能家居行业中具有重要意义。
通过建立用户画像，企业可以更准确地定位目标用户群体，了解用户的需求和偏好，从而优化产品设计和营销策略。
借助用户画像可以实现个性化推荐和定制化服务，提高用户体验和满意度。
客户关系管理系统中的用户画像建模与分析
客户关系管理系统中的用户画像建模与分析1. 引言在当今数字化时代，客户关系管理系统 (CRM) 已经成为企业不可或缺的工具。
通过CRM系统，企业能够更好地了解和管理其客户，并将这些信息转化为商业价值。
而用户画像作为CRM系统的核心组成部分，对于企业有效进行市场定位、精准推销以及个性化服务提供具有重要的作用。
2. 用户画像的定义用户画像是指通过对用户的行为、兴趣、需求等信息进行综合分析和建模，以得到用户的精准描述。
通过细致的用户画像，企业能够准确预测用户行为、优化产品设计以及提供个性化的营销和服务策略。
用户画像构建的关键包括用户基本信息、消费行为、互动偏好以及社交网络等方面。
3. 用户画像建模用户画像建模过程主要包括数据收集、数据清洗、特征提取和模型训练等步骤。
(1) 数据收集在CRM系统中，用户信息通常包括基本信息、交易记录、历史行为、客户反馈等。
企业需要搭建合理的数据收集机制，确保数据来源准确可靠，并确保合规性与隐私保护。
(2) 数据清洗数据清洗是数据处理流程中至关重要的一环。
通过清洗数据，删除重复、缺失或不一致的数据，并进行数据整合，以确保所得到的用户画像能够准确表达用户的特征。
(3) 特征提取特征提取是构建用户画像的重要环节。
企业需要根据自身业务需求和分析目标，从用户数据中提取出具有辨识度和预测能力的特征。
这些特征包括但不限于年龄、性别、地理位置、消费频率、偏好产品类别等。
(4) 模型训练通过选择适当的机器学习或深度学习算法，对提取的特征进行模型训练。
训练得到的模型将可以对新的用户数据进行预测和分类，从而为企业提供更准确的用户画像分析结果。
4. 用户画像分析用户画像分析主要通过对用户画像的数值化和可视化处理，从而实现对用户特征和行为的分析理解。
(1) 用户分类将用户按照相似的特征或行为进行分类，可以帮助企业更好地识别其核心客户群体，并制定针对不同分类的营销策略。
例如，将用户按照年龄划分，可以制定不同年龄层次的产品推广方案。
用户画像模板
用户画像模板【用户画像模板】一、用户画像的概念和重要性用户画像是一种将用户群体进行分类与整理，从而形成用户特征描述的方法。
它通过收集用户的个人信息、行为数据、偏好习惯等多方面的数据，进行细致的分析与整合，从而帮助企业更好地理解用户需求、提升产品或服务的个性化程度。
用户画像对于企业发展具有重要意义，可以实现精准营销、提升用户体验和产品创新等方面的优势。
二、用户画像的构建要素1. 个人信息：包括用户的姓名、性别、年龄、职业、地域等基本信息，有助于企业进行人口统计学分析。
2. 行为数据：记录用户在产品或服务中的各种行为，如点击、浏览、购买等，进而分析用户兴趣爱好和消费喜好。
3. 社交关系：追踪用户在社交媒体平台上的互动、关注对象等信息，了解用户的社交圈子和社交特征。
4. 心理特征：通过用户在产品或服务中的反馈、关注点等数据，分析用户的需求、态度和情感特征，为情感营销提供基础。
三、用户画像的应用场景1. 精准营销：通过用户画像，企业可以进行定向广告投放、个性化推荐等方式进行精准营销，提高投资回报率。
2. 用户服务：用户画像可以帮助企业了解用户的特点与需求，针对性地进行产品服务的改进与优化，提升用户满意度。
3. 用户洞察：通过用户画像，企业可以深入分析用户行为与偏好，发现用户的潜在需求和问题，为产品创新和改进提供依据。
四、用户画像的建立和更新1. 数据采集：企业需要通过各种渠道收集用户的个人信息、行为数据等，如使用问卷调研、数据分析工具等。
2. 数据整合：将收集到的用户数据进行整合和清洗，消除冗余和错误，确保数据的准确性和完整性。
3. 用户分析：通过数据分析工具，对用户数据进行深入分析，发现用户群体的共性和个性特征。
4. 用户画像更新：用户画像是一个动态的过程，企业需要不断更新和完善用户画像，跟踪用户的变化和需求。
五、用户画像的价值和意义用户画像可以帮助企业更好地了解用户的需求与特点，提供个性化的产品或服务，从而增加用户粘性和忠诚度。
来了！用户画像的超详细真实案例
来了！用户画像的超详细真实案例用户画像是很多人挂在嘴边的东西，可每次遇到问题的时候，似乎除了列一个“性别、年龄”的百分比，就戛然而止了，很难真正诊断问题，发挥作用。
今天看一个具体例子，如何拿用户画像诊断问题，话不多说，直接上场景。
问题场景：某互联网公司采用传统电话销售推广告业务，最近新入职销售的三个月离职率极高，高到领导无法忍受，要求看看销售的用户画像，分析下问题来自哪里？问：这个画像该怎么看……一、常见错误有多少同学，看到题目里“用户画像”四个字，就开始扒拉销售的数据的。
什么性别、年龄、学历、工作年限、跟进线索数、成交数、业绩……一堆指标往PPT上贴。
因为销售是内部员工，找工作时都录入了简历，简历里又有丰富的字段可以用。
于是这个“用户画像”ppt，很有可能码地老长，老长了……问题是：这么干能解释问题吗？显然不能呀！二、破局思路问题是很明显的：这样只是在罗列数据，没有触及“销售离职”问题本身。
抛开数据不看，为啥销售离职？原因可能是多方面的：● 公司就是很垃圾啊，业内口碑很差● hr从源头就招错了人，滥竽充数●销售管理不佳，员工体验太差●本身业绩不好做，销售挣不到钱●销售能挣到钱，但是做得太辛苦而且，这些因素可能是相互叠加的。
比如因为广告很难卖，导致管理上倾向于人海战术，逼着员工加班硬怼；强行怼员工降低了工作体验，增加了员工心里负担，形成恶性循环。
所以，站在分析清楚问题的角度，就不能“拿着锤子找钉子”，因为领导说了用户画像，我就得用户画像everything。
先理清分析逻辑，再看用户画像能解决啥问题。
三、构建分析逻辑首先，离职人员很有可能都会骂一句：“这破公司真烂！”所以类似“公司真烂”这种原因，是最容易优先排除掉的。
一个真烂的公司，从数据上看，它就真的是从头烂到尾（如下图）。
其次，管理不佳，也是相对容易排除的。
只要不是公司整体都很烂，那么一定是部分销售团队管理很差，部分很好，那么站在团队角度看离职率，能轻易发现问题（如下图）。
用户画像的构建与实践
用户画像的构建与实践随着互联网产业的迅速发展，用户信息的大量积累和精细化分析已经成为企业提升产品服务和市场竞争力的有力手段。
而用户画像的构建，则是这一分析过程的关键环节。
一、用户画像的定义及背景用户画像指的是对用户在多个维度上的人物化描述，包括人口学特征、偏好行为、消费情况、用户需求等信息，目的是获取用户的深层信息并对其特征进行分类、聚类、分析和挖掘。
用户画像的构建，基于用户数据的汇总整理及特征提取技术，是一个技术性和数据驱动的过程。
在构建用户画像时，企业需收集全面、准确的用户数据，进行精细化分析和处理，得出有效的用户画像，为后续的销售、营销、推广等业务活动提供决策参考。
同时，用户画像也是企业对用户行为、需求等情况的深度洞察和理解，可以有效提升产品和服务的用户体验和满意度，满足用户的真实需求。
二、用户画像的构建步骤1. 数据收集用户画像的构建基于大量的数据收集和整合，为获取全面、多元的用户信息打下基础。
数据的来源可以包括企业内部的用户行为数据、用户属性数据，以及外部的第三方数据等，具体包括：（1）用户的基本属性信息，如姓名、性别、年龄、所在地区、职业等；（2）用户的行为数据，如浏览历史、交易记录、搜索关键词、点击行为等；（3）用户的社交行为，如社交圈子、社交互动、社交意愿等；（4）用户的兴趣偏好，如饮食、旅游、娱乐、运动、读书等；（5）用户的需求和需求痛点，如购买习惯、服务评价、留言建议等。
2. 数据整合及预处理用户数据通常是多个来源的，且数据的格式和存储方式也比较多样化，因此需要对数据进行整合、清洗和处理。
具体可采取以下方式：（1）去除采集错误数据或缺失数据；（2）对数据进行筛选、筛重、去噪处理；（3）对数据进行标准化、统一格式，以方便分析处理。
3. 数据架构与建模用户画像通常采取分层、分维度的架构或模型，以用户需求、属性等特征为维度进行切分分类，并进行数据表达和挖掘。
常见的架构或模型包括：（1）人口学特征维度，如性别、年龄、职业等；（2）行为偏好维度，如浏览、搜索、购买等；（3）兴趣偏好维度，如电影、音乐、阅读等；（4）需求痛点维度，如投诉、建议、反馈等。
用户画像和用户标签的使用和搭建方法
一、用户画像和用户标签的概念用户画像和用户标签是数字营销中非常重要的概念。
①用户画像是一个基于用户数据和行为的综合描述，可以帮助营销人员更好地了解用户。
②用户标签是一种用于描述用户特征和行为的识别标志，可以用于更好地区分和分类用户。
使用这些概念，营销人员可以更好地理解用户需求，并提供更加个性化的产品和服务。
1、什么是用户画像用户画像是一个基于用户数据和行为的综合描述。
这包括用户的年龄、性别、教育程度、职业、兴趣爱好、购买历史等信息。
通过这些数据，营销人员可以更好地理解用户的需求和购买行为，并提供更加精准的产品和服务。
用户画像可以通过各种方式收集，包括调查问卷、社交媒体、网站分析和第三方数据。
然后，这些数据可以被整理、分析和建模，以生成一个用户画像。
2、什么是用户标签用户标签是一种用于描述用户特征和行为的识别标志。
这些标签可以用于区分和分类用户，以便更好地为他们提供个性化的服务和产品。
例如，标签可以描述用户的兴趣爱好、购买历史、地理位置和行为习惯等。
用户标签通常通过跟踪用户的行为和数据来生成。
这些标签可以帮助企业更好地理解用户的需求和行为，并为他们提供更好的体验。
3、二者的区别用户画像和用户标签的区别主要在于以下几点：①数据来源：用户画像需要分析大量的用户数据，包括用户的个人信息、行为数据等多方面的信息。
而用户标签只需要对用户的某些行为或属性进行分类得出。
②描述维度：用户画像可以描述用户的多个方面，如年龄、性别、教育程度、职业、收入等。
而用户标签通常只描述用户的某一个或几个方面，如兴趣、行为习惯等。
③应用场景：用户画像通常在市场营销等领域被广泛应用，而用户标签则在电商推荐、社交网络等领域更加常见。
综上所述，用户画像和用户标签虽然都是用于描述用户特征和行为的概念，但它们在数据来源、描述维度和应用场景等方面存在着明显的区别。
二、搭建用户画像和用户标签体系的流程和方法如果你想要更好地了解你的用户并为他们提供更好的服务，那么搭建用户画像和用户标签体系是非常重要的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用户画像系统构建及用户场景
01画像系统构建
02
画像场景应用
目录
画像系统构建
01
画像系统逻辑架构02
用户画像标签
03自主分析挖掘系统
04智能评估系统
Ø画像系统几个方面
画像系统
验证
内容目标
方式
组织
描述、认识、了解、理解
业务导向、算法辅助
结构化、非结构化
常识、共识、知识
依据：事实分析检验：A/B test
数据源
数据采集画像标签
接口应用业务系统基金产品画像
基金用户画像
数据清洗
属性研究
产品标签
数据清洗
分析建模
用户标签
产品数据集成用户数据集成
数据仓库
营销类应用分析类应用服务类应用精准运营机器人投顾人工客服
智能评估系统
自主分析挖掘系统
业务输入
评估优化
标签建模
结果输出
Ø画像系统主体上由画像标签、自主分析挖掘系统、评估系统、数据采集、接口应用构成
事实层
人口属性
功能使用
资产信息产品信息交易行为
营销接触
最近一段时间（近一周/一个月/三个月…）
l 浏览了什么产品？浏览了多少次？什么时候浏览?…l 买了什么产品？多少金额？买了多少次？…
l 账户金额多少?盈亏情况如何？资产如何配置？…历史/最近：
l 首次/最近浏览的产品？…l 首次/最近购买的产品？…
概念层
理念层用户净值
清洗、结构化、统计建模
业务规则+打分模型
营销+机器学习建模
用户信任度
活跃度
产品偏好行为偏好风险偏好l 行为：用户的生活作息？活跃程度如何？…
l 产品：用户喜欢什么产品类型？偏好什么风险等级？…l 交易：用户交易风格？持仓偏好？…l 资产：用户的净值等级？投资能力如何？…l 营销：用户对营销产品的信任度程度如何？………
潜在预测购买预测流失预测…
l 拉新+促活+首购+价值提升+流失挽留
点击预测属性层投资目标
心理状态
投资理念逻辑抽象
数据仓库
数据仓库
数据来源
知识标签
超越大盘能力
基金基本信息基金公司及基金经理
财务信息
基金风险
...
抗跌能力稳定能力收益能力
选股能力
择时能力
信息整合、清洗、结构化建模
基金研究建模
事实标签
说明
Ø实现功能：
业务标签自主定义/生成
Ø实现逻辑：
l业务人员根据挖掘特征，结合业务经验，自定义标签规则l系统自动对业务规则进行封装，生成业务规则标签
提交请求
画像特征分析
获取画像特征
画像特征处理
显著特征输出
种子用户规则
获取种子用户
离线匹配
人群特征相似计算
人群扩散
结果输出
人群特征
扩散人群
画像标签
业务评估优化
Ø实现功能：
利用机器学习挖掘人群特征，生成相似人群标签
说明
Ø实现逻辑：
l 业务人员输入种子用户和业务经验
l 系统自动分析种子用户群体特征，并寻找相似特征人群
l 业务审核模型特征，修正模型结果
建模标签
智能评估系统
用户画像标签系统分析平台
评估指标库
发起评估需求
获取push用户
获取push用户组
获取push用户标签
获取push评估指标
评估报表
报表查看
交互
Ø智能评估系统采用OLAP，支持不同用户组、不同用户标签、不同评估指标的效果评估，并支持不同业务个性化评估定制
画像系统标签管理
01标签管理功能
03
标签能力引擎
04
用户标签查询
02标签管理系统
目录结构计算引擎
生命周期
标签应用
l策略匹配
l数据推送
l应用效果反馈l标签编辑
l标签测试
l标签评估
l标签优化l标签规则引擎
l标签执行引擎
l标签推送引擎
l标签类型：用户标签、产品标签l标签层级：事实/概念/理念/属性l标签安全：敏感/不敏感
l标签创建：统一/指标创建
l 标签检索/信息查询l 标签新增/删除l 自定义标签管理l 标签版本控制
说明
Ø标签管理系统：实现标签的集约管理
标签能力引擎
l 标签校验规则：数据异常校验l 基础标签生成规则：聚合、分
组、排序规则配置
l 业务标签生成规则：选择一个
或多个基础标签，基于筛选条件+连接条件组合
标签规则引擎标签执行引擎标签推送引擎
l 规则解析：解析所有标签规则，生成不同的任务处理流程
l 调度执行：
1）实时处理2）离线处理
l 数据发送：通过OpenApi，将标
签数据发送各个业务系统
l 名单发送：通过标签过滤，筛选
用户名单，将数据写入相应位置
用户标签查询
Ø用户标签可视化查询
**
画像场景应用
01
画像精准营销
02
个性化推荐
03基金画像助力机器人投顾
04画像系统辅助人工客服
精准营销业务流程
l 客户洞察：基于画像标签，分析用户需求和痛点l 营销策划：基于用户需求和痛点，匹配营销策略
l 营销执行：精准营销名单筛选，一键推送、多波次执行l 营销评估：营销效果评估、策略优化、标签优化
画像标签
用户洞察营销策划营销推送营销监控评估
画像标签
l 用户基本信息l 用户资产信息l 用户交易行为l
……
用户分布洞察：
用户差异洞察：
推送内容
推送方式
推送频次
监控报表
开始时间
活动ID
广告名用户组用户标签展示人数打开人数打开率**
**
老用户
**
**
**
**
20%
老用户
**
**
**
2017/9/12
162
****
潜在用户
新用户
**
****
潜在对照
新用户
**
2017/9/11
162
****
潜在用户
****
潜在对照
新用户
**
**
**
老用户
**
**
**
新用户
**
**
**
老用户******推送名单筛选一键推送
闭环优化过程
精准营销用户洞察系统
Ø用户洞察：基于用户标签和分析用户群，对不同分析维度进行用户对比分析、结构分析
精准营销推送系统
精准营销用户群定义一键推送
分群标签选择
评估标签选择
画像精准营销案例_用户兴趣推送
产品类型偏好风险
等级
偏好
最近
购买
产品
投资金
额最大
产品
…
近一周
搜索
基金
近一周
加自选
基金最近关
注产品
洞察长期
偏好
短期
偏好
精准营销推送
运营
反馈
通过用户画像标签迭代应用，精准营销人
群的点击率是盲投的2-3倍
个性化推荐系统
•内容覆盖：泛财经领域，覆盖个股、贵金属、期货、房产、基金等各个领域
•推荐内核：投资逻辑+个性化兴趣捕捉
•推荐目标：用户值得看+用户喜欢看
•推荐流程：召回算法粗筛选(数万篇资讯海选出数十篇)——排序算法精匹配(数十篇中再挑出TOP10进行展示)
•基金资讯：基金要闻、基金评论、基金软文、基金研究等
•目的：立足用户投资预期，推荐优质投资信息，
促使购买相应投资产品
基金画像助力机器人投顾（1/2）机器人投顾——大数据选基
重仓行业/概念选基
财务指标选基
风险收益能力选基
基金经理选基
基金公司选基
多维交叉选基
......
基金画像助力机器人投顾（2/2）机器人投顾——智能诊基
诊基类支持：
个基诊断
新发基金诊断
alpha、beta等指标类诊断
基金经理风格分析
基金公司诊断
多维度诊断
......
工作平台——个基基本信息
工作平台——基金诊断与分析
工作平台——个基投资配置
工作平台——基金比较
工作平台——市场相关资讯
工作平台——推荐资产配置。