用户画像分析怎么做

1. 用户画像分析怎么做

用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。
可以运用营销自动化微信用户标签库来给用户打标签，“标签“就是带有特定含义用于描述真实的用户自身带有的属性特征。“标签”相较于其他用户画像基础要素来说，标签可以是动态的，通过动态的社交活动行为，例如：搜索、浏览、评论、点赞等构建出3D的用户画像。
通过对折叠屏手机用户的标签数据分析，可以得知用户的购物偏好特征和生活属性，从而品牌可以更针对性地展示不同用户想看的内容，还有为以用户需求为导向的产品研发，提供数据支持。

用户画像基本要素
1、地域
即用户所在的地理位置，不同城市的生活消费形态也是不同的。普遍一二线城市的居民平均收入要比三四线城市的居民平均收入要高一些。
2、性别
性别也是对消费需求影响较大的因素之一。参考该要素来宣传产品或服务，能够大大提高品牌的营销效率。
3、年龄
即用户的社会角色，每个年龄段的用户社会角色也不同，感兴趣的商品特性也不同。
4、受教育程度
受教育程度不同的用户对营销内容的要求也会不同，对于生活的态度和关注的事情也不同。
5、行业特征
了解用户所在行业，对产品或服务的关注点不同。

2. 用户画像分析怎么做

首先，是找到目标用户。以Tik Tok为例。在Tik Tok刚刚开始上线之后，分析我们的用户是谁是非常重要的，比如什么年龄，性别，地域教育等等。这样可以快速帮助产品找到当前的主流用户群体是否是产品的初始定位。如果完全不同，那就是产品的设计出了问题，偏离了方向。
上线一段时间后，我们可以把用户分成不同的活跃程度。比如都玩Tik Tok，有的天天玩有的偶尔玩，有的能刷很久，有的刷完就走了。频率和时长成了此时用户最大的特征差异。那么，不同频率和时长的用户在年龄、性别、地域上有什么区别呢？这些是对特征的进一步认识。
一段时间后，部分用户会保留和流失用户，需要分析保留用户和流失用户在行为特征上是否有特殊差异。
https://iknow-pic.cdn.bcebos.com/f703738da977391294357ff1ea198618367ae20b?x-bce-process=image%2Fresize%2Cm_lfit%2Cw_600%2Ch_800%2Climit_1%2Fquality%2Cq_85%2Fformat%2Cf_auto

3. 用户画像

什么是用户画像?用户画像-百度百科用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

用户画像的起源用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
用户画像的优点用户画像可以使产品的服务对象更加聚焦，更加的专注。在行业里，我们经常看到这样一种现象：做一个产品，期望目标用户能涵盖所有人，男人女人、老人小孩、专家小白、文青屌丝...... 通常这样的产品会走向消亡，因为每一个产品都是为特定目标群的共同标准而服务的，当目标群的基数越大，这个标准就越低。换言之， 如果这个产品是适合每一个人的，那么其实它是为最低的标准服务的，这样的产品要么毫无特色，要么过于简陋。
用户画像还可以提高决策效率。在产品设计流程中，各个环节的参与者非常多，分歧总是不可避免，决策效率无疑影响着项目的进度。而用户画像是来自于对目标用户的研究，当所有参与产品的人都基于一致的用户进行讨论和决策，就很容易约束各方能保持在同一个大方向上，提高决策的效率。

4. 怎么样去进行用户画像分析

用户画像，是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。那么怎么样去进行用户画像分析？
  
  1、 静态属性
 
 静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础，最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。依据不同的产品，记性不同信息的权重划分。如果是社交产品，静态属性比较高的是性别性别、收入等。
 
  2、 动态属性
 
 动态属性指用户在再互联网环境下的上网行为。信息时代用户出行、工作、休假、娱乐等都离不开互联网。那么在互联网环境下用户会发生哪些上网行为呢？动态属性能更好的记录用户日常的上网偏好。
 
  3、 消费属性
 
 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理。这个动态属性是随着用户的收入等变量而变化的。在进行产品设计时对用户是倾向于功能价值还是倾向于感情价值，有更好的把握。
 
  4、 心理属性
 
 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动。进行用户心理属性得划分更好的依据用户的心理行为进行产品的设计和产品运营。
 
 关于怎么样去进行用户画像分析的相关内容就介绍到这里了。

5. 用户画像

目录：
  
 一、概念
  
 二、目的
  
 三、用法和具体应用场景
  
 四、如何构建
  
 
  
  
 用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析得来的高度精炼的特征标识。
  
 User Persona和User Profile似乎都可以译成用户画像，本文讨论的是User Persona，区分如下：
  
 产品经理通过调研（问卷、访谈等）找出用户（目标、行为、观点上）的共性与差异，将其区分为不同类型，每种类型中抽取出典型特征。赋予名字、照片、人口统计学要素、场景描述，构建出人物原型。它让产品经理做设计时抛开个人喜好——“为具体的用户做设计，要远远优于为脑中虚构的人物做设计。”
  
 Alan Cooper（交互设计之父）最早提出Persona的概念：“Personas are a concrete representation of target users.”  Persona是目标用户的具体表示，是建立在真实数据上的目标用户模型。Persona是为产品设计服务的，关注焦点在用户行为、动机、态度上。
  
 Profile的标签是每个用户独有的，是利用已获得的数据，勾勒用户偏好的数据分析方法。猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。这些数据为运营人员实现精准营销、个性化推荐、获取、挽留客户提供了依据。对电商、金融行业、内容类产品（知乎、豆瓣、微博、短视频等）尤为重要。
  
 在知乎上有一个与此相关的帖子 User Persona 和 User Profile 
  
 1.精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；
  
 2.用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数；
  
 3.数据挖掘，构建智能推荐系统，利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析，喜欢红酒的人年龄段分布情况；
  
 4.进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务；
  
 5.对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。
  
 6.业务经营分析以及竞争分析，影响企业发展战略
  
 
  
  
 用户画像在阶段和目标不同的时候承担的使命也不尽相同，咱们分别针对三个阶段来说说用户画像的意义：
  
 1.初创期：产品还未定型
  
 这个阶段往往指的是公司刚刚创立，产品还未成形，需要通过用户画像来定义产品模式与功能的阶段，这个阶段你需要做大量偏宏观的调研，明确你的产品切入的是哪一个细分市场，这个细分市场中的人群又有哪些特点，他们喜欢什么，不喜欢什么，平均消费水平怎么样，每天的时间分配是怎么样等等等等。
  
 在这个阶段，你做用户画像的意义在于为你的产品定义一个市场，并且你能够清楚地知道这个市场能不能做，能不能以你现有的产品构思去做，做的过程中会不会出现一些与基本逻辑相违背的问题。如果分析之后可以做，那就立马作出产品原型，小步快跑、试错迭代；如若不行，赶紧换个方向、换个思路。
  
  所以，这个阶段的用户画像意义在于业务经营分析以及竞争分析，影响企业发展战略战略。 
  
 2.成长期：产品运营中
  
 在这个阶段你公司产品已经被市场认可，各项数据处于一个上升期。这个时候用户画像所承担的责任就又变了。在这个阶段，你需要通过产品后台所反馈的数据（显性、隐形等，后文会介绍）进行整理，得出一个详细的用户画像，这里不像在初创期那样做泛调查，抓宏观。而是需要改变策略，从细节抓起，从每一次和用户的交互中寻找用户的真实需求。比如，你是做微信运营的，昨天的阅读量和前天相比是多了还是少了？转发数和收藏数都是什么变化？用户留言是增加还是减少？后台反馈怎么样？通过这些对比，你大致就会得出结论，并指导优化往后的工作。如果是产品运营那涉及的数据就更多了，访问数据、打开频率、登录次数、活跃时间等等，结合起来分析，用户的需求会更加明确。
    
  所以，这个阶段的用户画像意义在于精准营销，使产品的服务对象更加聚焦，更加的专注，能更好地满足用户的需求，优化运营手段，并提升公司的经营效益。 
  
 3.成熟期：寻求突破口
  
 这个阶段，产品已经很成熟了，公司也已经有了稳定的运作模式，市场地位趋于稳定，日常工作也大多以维护为主。这个时候，用户画像用来干嘛？寻找新的增长点和突破口。
  
 当产品转型时，老用户会有什么样的反应？离开还是成为新的核心用户？新产品预计会有多少用户导入？结合老用户需求，新产品有哪些功能不能被遗弃？
  
 这都是你要考虑的问题，这个阶段的用户画像建议将初创期的泛调查与成长期累积的用户画像结合起来做，这样对于新产品才有一个更好的保障。
  
 
  
  
 用户画像不是拍脑袋想出来的，是建立在系统的调研分析，数据统计基础之上得出的科学结论。
  
 用户画像一般会存在多个，要考虑用户画像的优先级，不能为超过三个以上的用户设计产品，容易产生需求冲突，要分清楚哪些是核心用户，哪些是打酱油用户。
  
 同时，用户画像不是一确定就一成不变的，而是根据实际情况不断修正。
  
 显性画像：即用户群体的可视化的特征描述，如目标用户的年龄、性别、职业、地域、兴趣爱好等特征；
  
 隐性画像：用户内在的深层次的特征描述。包含了用户的产品使用目的、用户偏好、用户需求、产品的使用场景等。
                                          
 一般分为三个步骤：基础数据采集、分析建模、结果呈现
  
  1）基础数据采集 
  
 数据不说谎，是构建用户画像的核心依据，建立在客观数据基础上的用户画像才是有说服力的。
  
 在基础数据采集方面，可以通过列举法，先列举出构建用户画像所需要的基础数据。
  
 具体的思路如下：
                                          
 当然上面列举的数据纬度相对比较多，在构建用户画像过程中会根据需求进行相关的数据筛选。
  
 在基础资料和数据收集环节我们会通过一手资料和二手资料获取相应的基础数据。
                                            
 关于通过问卷调查和访谈的形式做用户画像调研：
  
 A.问卷调研
                                          
 问卷调查第一要考虑样本的数量，其次内容的设计，要考虑研究的目的，毕竟这是一项有目的的研究实践，另外，通过问卷获取的信息，不一定是非常确定的，存在很多变量因素，数据可以作为参考，要以质疑的眼光看待。
  
 B.用户访谈
  
 访谈之前要列好访谈提纲，围绕用户的角度，他的想法，他的行为等角度，具体步骤如下：
                                          
 在分析访谈结果时，采取关键词提炼法，针对每个用户对每个问题的回答，进行关键词提炼，将共性词汇总，具体思路如下：
                                          
  2）分析建模 
  
 当我们对用户画像所需要的资料和基础数据收集完毕后，需要对这些资料进行分析和加工，提炼关键要素，构建可视化模型。
  
 案例：
  
 有一个网络来源资料，关于95后的用户群体的研究。
  
 通过搜索你可以获取到以下资料（ 基础数据采集 ）：
  
 企额智库《透视95后：新生代社交行为》
  
 QQ空间独家大数据《“95后”新生代社交网络喜好报告》
  
 百度《00后用户移动互联网行为洞察》
  
 中国大数据产业观察《2015年95后生活形态调研报告》
  
 接着，对这些报告进行分析和关键词提炼，概括出整个95后群体标签（ 分析建模 ），具体如下：
                                          
  3）画像呈现 
  
 画像呈现即从显性画像、隐性画像、场景和需求等方面，给用户打标签。
  
 案例：
                                          
 这一步也要将收集到的信息进行整理和分析并归类，创建出用户角色框架（更全面地反映出用户的状态），然后根据产品侧重点提取出来，进行用户评估分级，并结合用户规模、用户价值和使用频率来划分，确定主要用户、次要用户和潜在用户。
                                          
 构建用户画像的目的，是为了充分了解用户，为产品设计和运营提供有有价值的参考，为运营战略服务。

6. 用户画像数据建模方法_用户画像分析

近些年，互联网进入了“ 大数据 时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚 焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。伴随着对人的了解逐步深入，一个概念悄然而生： 用户画像 （UserProfile），完美地抽象出一 个用户的信息全貌，可以看作企业应用大数据的根基。
  
  一、什么是用户画像？ 
  
 男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。
  
 这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。
  
 如果用一幅图来展现，即：
                                          
  二、为什么需要用户画像 
  
 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？
  
 也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？
  
 大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。
  
  三、如何构建用户画像 
  
 一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每 个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多 文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
  
 人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
  
  3.1 数据源分析 
  
 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
  
 对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类， 高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。
  
 这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
  
 本文将用户数据划分为静态信息数据、动态信息数据两大类。
                                          
  静态信息数据 
  
 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
  
  动态信息数据 
  
 用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户 傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡 客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。
  
 本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
  
 在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
  
  3.2 目标分析 
  
 用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 0.8、李宁 0.6。
  
 标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
  
 权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
  
  3.3 数据建模方法 
  
 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
  
  什么用户 ：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
                                          
 以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。
  
  什么时间 ：时间包括两个重要信息，时间戳+时间长度。时间 戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即 可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
  
  什么地点 ：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机 上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
  
  内容 ：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
  
 注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车 上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿 泉水的需求程度不同。即，愿意支付的价值不同。
  
 标签 权重
  
 矿泉水 1 // 超市
  
 矿泉水 3 // 火车
  
 矿泉水 5 // 景区
  
 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
  
 所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
  
  什么事 ：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
  
 不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1
  
 红酒 1 // 浏览红酒
  
 红酒 5 // 购买红酒
  
 综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
  
 用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
  
 标签权重=衰减因子×行为权重×网址子权重
  
 如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
  
 标签：红酒，长城
  
 时间：因为是昨天的行为，假设衰减因子为：r=0.95
  
 行为类型：浏览行为记为权重1
  
 地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
  
 假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
  
 则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户A：红酒 0.665、长城 0.665。
  
 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
  
  四、总结 ：
  
 本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
  
 核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
  
 比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。
  
 最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
  
 比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。
  
 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。

7. 浅谈用户画像

用户画像分两类，一给人看，二给机器看，如下图所示：
                                          
 从产品角度而言，精确的用户画像是产品定位的基础以及后续产品优化的方向。在此我大致分为三类：
  
  01 
  
 目标明晰群体：例如百度搜索---搜索内容；高德地图---使用导航；锤子便签---记录事件。我们会发现服务于明确目标用户群体的产品会更偏向于工具类，当然绝不以偏概全。
  
  02 
  
 内容消费群体：例如腾讯视频---看视频；今日头条--看新闻；知乎---看内容；这类APP都偏向内容输出方向。用户在空闲时刻就可以利用这类产品浏览内容，学习知识。
  
  03 
  
 走马观花群体：例如小红书和礼物说，它们和京东最大不同就是没有提供精准搜索。因为服务群体不一样，小红书和礼物说的用户群体是女性，其目的就是为了提供一个随意逛街的场景，并不是购买。
  
 淘宝和微博是一个综合体，他们有一个共同的特征是他们都有头羊，微博的大V用户就是头羊；淘宝的店主就是头羊。有了头羊就有羊群，就有用户群。
  
 从智能推荐而言，目前用户画像大多都只是对用户行为数据的统计和匹配工作。数据来源大致分为两类。一是人口统计学，包括姓名、年龄、地域、教育等基本资料信息；二是用户历史行为数据统计。机器算法大致分为结构化文本提取和标签选择，后续会详细介绍。
  
 
  
  如何构建用户画像？ 
  
 
                                          
 以上是最简单的一个流程框架，实际运用中远比这复杂。数据对于推荐而言非常必要，如何获取数据，智能匹配仍然是需要长期实践的过程。
  
  01 
  
 如何收集数据：最简单的方法是用户主动提供，举个最常见的产品---QQ，它在发布动态时用户可主动添加标签。这样的产品还很多，尤其是UGC创作平台。但更多的是在技术层面上实现对用户行为数据的精确收集。
  
  02 
  
 如何保证数据的准确性：前期很重要的一点是产品规划，必须明确产品路径上的所有数据埋点，另外要预留风险方案；其次只能依靠技术手段实现数据保障。
  
  03 
  
 如何精确匹配数据：对于机器而言，用户画像实质上就是用户信息向量化表示。大致分为几个要素，以民宿来举例说明：
  
     1）、向量的维度：地理位置、价格、舒适度；
  
     2）、向量的量化：对维度赋予分值，若三个维度都是1-5分；
  
     3）、效果评估：对应民宿的订购率和入住率，还有好评度。
  
 每个用户都会有自己的量化分，拿一些场景举例，若我第二天要赶飞机，那么地理位置对我很重要，相应分值提高；如果我现在经济条件不充裕，那么相应价格分值会提高。
  
 所以不同场景会有不同量化分，结合场景进行个性化推荐是最终目标。
  
  以上为几点思考，多多交流！

8. 用户画像概述

用户画像就是使用产品的用户形象，通过描述用户与产品有关联的相关属性特征，例如外貌特征、工作职业、使用习惯、行为偏好、等的用户信息。建立用户画像也就是给用户在这些用户信息打上“标签”。
  
 例如：
  
 用户A、男、20-30岁、短发、籍贯江西、常住地址上海、160-170cm、70-80kg、未婚、白领职员、地铁出行、早出晚归、周日单休、使用电脑上班、坐着上班、
  
 用户B、女、20-30岁、长发、籍贯湖南、常住地址深圳、150-160cm、40-50kg、未婚、辅导班教师、地铁出行、早出晚归、周一周二双休、不用电脑上班、站着上班、
  
 这时对用户画像有一个大致的理解了，那么为什么建设这种用户画像呢？
  
 在互联网进入大数据时代，企业在经营中产生了海量的数据，此时需要将大量的原始数据中的挖掘出有用的数据，可以利用这些数据进行分析和评估，发现经营中的一些问题，减少经营中浪费，更加精准地营销客户，是定向广告投放与个性化推荐的前置条件，为数据驱动运营奠定了基础。
  
 并且还可以通过用户画像的挖掘，甄别出高风险的用户，帮助企业风险控制。
  
 还可以划分不同的用户群体，进行更加精准的需求分析与挖掘。
  
 根据不同企业的业务，定义业务上需要关注的标签，例如：用户的性别、年龄、收入情况、消费档次等等，都可以指导业务帮助决策。
  
 定义标签有三种方式：
  
 1、统计标签
  
 所有可以统计的数据量，例如：下单数，7天内登录次数，停留时长；
  
 根据业务场景，达到一定的数量可以定义对应的规则，
  
 例如：
  
 下单数超过了100单，就定义为“忠实用户”，给他打上标签，对他进行推荐、营销。
  
 7天内登录次数超过了70次，定义为“活跃用户”。
  
 
  
  
 2、规则标签
  
 基于一定用户行为、数量对比，再结合业务确定一下个规则，达到这个规则就打上这种标签。
  
 例如：
  
 一个用户点击“女妆类”、“女妆类”、“女鞋”、“女性内衣”的商品次数一共超过30次，同时收藏数超过了10，那么就定义该用户为“女性”。
  
 
  
  
 3、挖掘标签
  
 根据某些属性或某些行为进行预判
  
 例如：连续三年的1月份，前三周都会有大量的订单需求，那么暂且判定，第四年也会出现这种情况。
  
 
  
  
 接下来会学习和研究用户画像的标签开发流程，标签存在的数据结构，如何落地等等方面。