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而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而来的高度精炼的特征标识。
- 用户画像要建立在真实的数据之上
- 当有多个用户画像的时候,需要考虑用户画像的优先级
- 用户画像是处在不断修正中的
用户画像的作用
- 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；
- 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；
- 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；
- 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；
- 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）。
- 业务经营分析以及竞争分析，影响企业发展战略
用户画像构建流程
1、基础数据收集
静态信息数据
- 人口属性：性别、年龄、地域、职业、学历、月收入、婚姻状况等
- 商业属性：消费等级、消费周期等
动态信息数据
- 网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等
- 服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等
- 用户内容便好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等
- 用户交易数据（交易类服务）：贡献率、客单价、连带率、回头率、流失率等
2、行为建模
该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。在这个阶段，需要用到很多模型来给用户贴标签。
- 用户汽车模型: 根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车
- 用户活跃度模型: 通过判断＋聚类算法判断用户的活跃度
- 身高体型模型: 根据用户购买服装鞋帽等用品判断
- 用户价值模型: 判断用户对于网站的价值，对于提高用户留存率非常有用（电商网站一般使用RFM 实现）
- 促销敏感度模型: 根据订单中优惠券与代金券占比，定义客户对促销信息的敏感度
3、构建画像
- 基本属性
- 购买能力
- 行为特征
- 社交网络
- 心理特征
- 兴趣爱好
用户画像构建的技术
todo
用户画像资料汇总
- User Profiling Trends, Techniques and Applications
- Learning User Profiles from Tagging Data and Leveraging them for Personal(ized) Information Access
- Harvesting Multiple Sources for User Profile Learning: a Big Data Study
- 慕课网：电商大数据应用之用户画像