羅振宇在《時間的朋友》演講裡舉了這樣的一個例子，當一個壞商家掌握了你的購買數據，他就可以根據你平常購買商品的偏好來決定是給你發正品還是發假貨，從而來提高利潤。當然這個做法是非常錯誤的，但從中我們可以感知到利用用戶畫像可以做到“精準營銷”， 很多人都在聊用戶畫像，聽起來很高大上那麼什麼是用戶畫像呢？
一、用戶畫像的含義和應用
用戶畫像（英文名稱User Profile），它是根據用戶人口學特徵（基本屬性）、網絡瀏覽內容（行為特徵）、網絡社交活動（社交屬性和興趣偏好）和消費行為（消費信息）等信息而抽象出的一個標籤化的用戶模型，也是真實用戶的虛擬代表，是建立在一系列真實數據之上的目標用戶模型。
用戶畫像（User Profile）與用戶角色（User Persona）區別
用戶角色（User Persona）：更多描繪抽象一個自然人的屬性
用戶畫像主要有4方面的應用
幫助產品的定位：用戶很多 用戶進行細分把握住核心用戶（二八定律：百分之80%GMV往往來源於20%的核心用戶）
幫助產品設計：用戶需求場景、場景梳理針對性的分類
幫助精準營銷：個性化推薦、策略推送、內容營銷、廣告系統
幫助活動評估：完善產品運營，提升服務質量，其實這也相當於市場調研、用戶調研；
二、如何構建用戶畫像（六步法）
第一步：建模
（1）獲取原始數據（用戶訪問的行為日誌、用戶基本屬性）得到用戶行為信息；
（2）數據預處理，挖掘出事實標籤，對用戶數據進行過濾、清晰、簡化表示；例如得到用戶登陸時間、名稱，事實標籤·
（3）分析用戶行為，構建用戶畫像的模型標籤，通過用戶行為分析，得到用戶訪問頁面的規律，構建用戶行為模型。
（4）通過模型進行預測，完善用戶畫像，預測用戶的操作行為。
模型類型：大多數是非結構和半結構數據，需要算法
你公司用戶畫像大概有哪些模型啊？你要知道用什麼來優化和完善用戶畫像體系
1、文本挖掘模型 （算法主要有：TF-IDF）處理與清晰數據，匹配標識用戶數據，提取事實數據信息；
2、分類/聚類模型（貝葉斯、KNN）：預測新用戶、分析有相同特徵的群體信息，用戶進行劃分
3、機器學習 挖掘出標籤（提取特徵）
4、相似度模型（EM、決策樹、迴歸）：（餘弦相似度、皮爾遜相似度）：作用就是輔助分類、聚類的作用；
5、推薦算法（APRIORL算法）：根據用戶訪問情況推薦出興趣標籤、完善用戶畫像的作用；
6、預測算法 迴歸（指數） 監督 ：用戶興趣程度、流失預測實現個性化服務
第二步：思考多維度刻畫用戶畫像
1、自然屬性：年齡、性別、郵箱、電話、職業等等（穩定）
2、興趣屬性：行為偏好，隨著時間變化而變化，對應的標籤也是變化（TF-IDF算法模型、BMBM25）
3、地理位置信息（LBS），用戶移動軌跡配置不同
4、IP：不同IP查出來不同的區域，不同數據；
5、隱含屬性：（例如：打開頻率，體現出用戶的活躍情況，對系統是否有粘性）
知識圖譜：基本分行業 藉助行業詞典的構建 需要行業業務專家
第三步：標籤
1、用戶需求和用戶場景不斷更新，所以標籤體系在不斷的完善
2、不同的用戶需求和業務場景思考，用戶 標籤系統不同，不同的業務標籤體系不同
3、標籤體系結構化（一級標籤、二級標籤、三級標籤、四級標籤、、、N級標籤）
自然屬性當作一級標籤 用戶信息就是二級標籤 賬號三級標籤 事實標籤
興趣屬性 瀏覽習慣當作一級標籤 修改 訪問頁面的路徑就是二級標籤 序列詳情頁
（每個用戶都不一樣） 模型標籤
地理位置 也是
事實標籤第四步：映射用戶畫像（標籤遵循MECE法則：相互獨立，完全窮盡）
數據--映射成標籤的過程
兩個核心：1、標籤化的映射主要靠算法2、標籤能否多維度刻畫
第五步：評估用戶畫像（怎麼評估好壞呢？）
1、用戶覆蓋率（覆蓋所有用戶，全用戶數據）
2、準確性
3、及時性
4、可解釋性（定量、定性）
5、可擴展性
第六步：數據可視化
三、用戶畫像的開發實施（生成用戶畫像實施文檔）
確定需求
開發跟進
開發團隊排期➡️維度表➡️標籤➡️Hadoop生態➡️ETL日常排查➡️界面、功能、標籤優化➡️畫像評估➡️迭代
後記：
這裡只寫了用戶畫像的構建流程，下次有時間與大家分享工作中畫像實施文檔
用戶畫像是一個複雜的系統，隨著產品逐漸成熟，會根據不同的業務場景設計不同的標籤，用戶對產品使用的時間本身的標籤也是隨著時間不斷進行變化的，用戶畫像也需要更齊全、更完善；（附上一張多維度視角用戶畫像）
閱讀更多 運營之術 的文章
