什么是用户画像
用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签，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。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户。
因此，用户画像绝对不会把一个真实的人的所有概念抽出来形成一个独立的样本。它只是抽出一些主要特性，形成一个和那个“真实的人”相似度极高的一个群体。这样说起来有点晦涩，可能有点不好理解。
举个例子来说，比如，大师兄，男，30岁，研究生学历，平时喜欢在微信读书阅读电子书。每周7天都会玩手机，平均每天4个小时以上，最近在京东网站上搜索了一本尼葛洛庞帝的数字化生存（想要了解互联网的本质，强烈推荐这本书）......
那么上面的信息抽象出来的是什么？中年男子，高学历，爱学习，手机重度用户，最近想买一本书。按照第一个模板，只能对应到一个样本。按照第二个抽象出来的模板，符合匹配的人在国内没有个百万也有几十万吧。
用户画像有哪些应用场景
构建用户画像，经常碰到常见的错误想法就是觉得画像维度的数据越多越好，画像数据越丰富越好，费了很大的力气进行画像后，却发现只剩下了用户画像，和业务相差甚远，没有办法直接支持业务运营，投入精力巨大但是回报微小，可以说得不偿失。
因此，构建用户画像时，必须从业务场景出发，采用MVP原则，以解决实际的业务问题为目的，小步试错，迭代快跑。比如说，进行用户画像要么是获取新用户，要么是提升用户体验，要么是挽回流失用户，要么支持个性化推荐等有明确的业务目标 。那么，所有行业涉及到的用户画像归纳起来到底有哪些主要的业务应用场景呢？
精准广告推送
最简单理解的，就是精准广告推送。根据用户特征，分析产品的潜在用户和用户的潜在需求，针对特定群体，利用广告、PUSH推送、短信、邮件等多种触达用户的方式进行精准营销。
比如，张三在天猫上开了个苹果手机旗舰店，有iPhone XS商品出售，但是比官方指导价贵了1000块（官方还未出售）。同时他又想以高价卖出，于是在天猫平台上精准找到"想买iPhone XS"的这个人群，好了，假如现在李四和王老五都符合精准人群标准，于是开始精准投送。
对于李四这种生活比较富裕的，又很喜欢玩苹果新机的，精准推送了一条广告，老衲在天猫的推送栏就会看到一条"iPhone XS已到货“的广告，李四点进去，咬了咬牙，加价1000块买了一台，于是张三的目的达到了。
对于王老五，家里有2个孩子，家庭负担也比较重，但又很想给老婆购买个iPhone XS，当他看到推送栏里显示"iPhone XS已到货“的广告，王老五点进去一看，觉得太贵，可能因为钱不够，买不起。然后支付宝借呗就会给王老五投送“点击借款，15分钟到账”的贷款广告，如果王老五贷了款，再重新投放"iPhone XS已到货“的广告。这时不但张三达到了目的，支付宝借呗也找到了优秀的放贷目标。
用户特征分析
根据用户的属性、行为特征对用户进行标签分类后，统计不同特征下的用户数量、用户画像分布比例等维度；洞察不同用户画像群体的分布特征差异。
在这方面的应用场景，QuestMobile公众号上的报告经常会有各种人群特征分析。比如，QuestMobile研究院近期对新中产人群有深入的研究，他们定义，25-40岁之间的，身处于一二三线城市，在移动互联网中的消费能力和意愿均处于中高水平的这部分人群，为新中产人群。
针对这个人群，他们有哪些分布特征？研究结论表明，现阶段新中产以80后为主，他们作为社会的中坚力量，工作生活已进入稳定器；接近7成的拥有房产，12.8%用户拥有私家车。
个性化推荐
以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
比如说，新闻的个性化推荐，就是基于对用户的基本信息和用户历史行为数据进行分析，构建相应的用户画像，建立用户的偏好模型，得到用户的特征库，同时融合新闻的内容，标题，领域，热度，时间等特征，预测该用户对相应新闻的行为，并得到用户点击该新闻的概率。得到某一用户对众多新闻的点击概率后，使用Softmax归一化方法对其进行处理，获得用户点击概率较高的新闻，并推荐给用户。
另外，美图旗下的美拍APP个性化推荐重有三个应用场景，美拍直播，实时的在线个性化排序业务；美拍热门，典型的Feed流产品，用户可在热门Feed流中不断翻页滚动，探索和消费自己可能感兴趣的内容；播放详情页下的”猜你喜欢“模块，用于推荐相似视频。这些个性化的推荐基础就是了解用户的兴趣偏好，从而理解用户，进行精准推荐。其用户画像主要包含基础用户特征（时长、分辨率、视频类型、拍摄类型、特效类型、音乐曲目等）、视觉特征（人物性别、身材、发型、颜值等），文本特征（封面文字、描述关键词、评论情感极性等），交互特征（点赞数、点赞率、评论数、评论率、分享数、分享率等）。
提升用户体验
产品经理或者产品运营人员，需要常常对产品进行用户画像，从而更好的对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。
产品按需设计，就是一个用户画像服务产品典型的应用场景。它是改变原有的先设计、再销售的传统模式，在研发新产品前，先基于产品期望定位，在内部数据分析平台中提取用户画像数据分析该用户群体的偏好，有针对性的设计产品，从而改变原先新产品高失败率的窘境，增强销售表现。
比如，想要研发一款智能手表，面向28-35岁的年轻男性，通过在企业内部数据中进行分析，发现材质=“金属”、风格=“硬朗”、颜色=“黑色”/"深灰色"、价格区间=“中等”的偏好比重最大，那么就给新产品的设计提供了非常客观有效的决策依据。
大数据风控
这个方向在电商、金融、初创公司应用的场景很多，如何避免或者降低羊毛党、黄牛、欺诈对业务的风险和用户损失，保障正常用户和公司的利益，是这些个行业永恒的话题。
比如说，可以利用用户画像对个人及企业级信用评分进而做到欺诈识别，现在芝麻信用就是个很好的例子，利用它做用户征信可以有效提升用户体验，降低企业成本与风险，通过芝麻信用可以实现共享单车免押金，酒店免押金预订后付费等活动。
总的来说，用户画像是精细化运营、数据化运营的需求产物，大数据的本质是消除不确定性，结合大数据可以更加精准的分析了解用户特征/用户行为，以便更好更多地服务于大多数用户。
从用户角度而言，用户画像可以应用于用户的整个服务生命周期：用户拉新、提升用户体验、个性化推荐及交叉推荐以便提高用户转化率、用户挽留、用户激励等等。
从产品角度而言，用户画像可以应用于产品的整个生命周期：包括优惠券发放、反欺诈、动态调价、用户与服务产品及商家的智能匹配、PUSH消息推送等等。
用户画像需要用到哪些数据
一般来说，根据具体的业务内容，会有不同的数据，不同的业务目标，也会使用不同的数据。在互联网领域，用户画像数据可以包括以下内容：
（1）人口属性：包括性别、年龄、家庭状况、婚姻、职业等基本信息
（2）兴趣特征：浏览内容、收藏内容、阅读资讯、购买物品偏好等信息
（3）消费特征：与消费商品或者服务相关的特征等信息
（4）位置特征：用户所处城市、所处居住区域、用户移动轨迹等信息
（5）设备属性：使用的终端特征，如手机品牌、机型、分辨率等信息
（6）行为数据：访问时间、浏览路径等用户在网站的行为日志数据
（7）社交数据：用户社交行为等相关数据
以某综合电商平台为例，其画像数据主要维度如下所示。用户画像数据来源广泛，这些数据是全方位了解用户的基础。
未完待续。。。。
发表评论 取消回复