在互联网大数据时代，得用户者得天下。以庞大的用户数据为依托，构建出一整套完善的用户画像，借助其标签化、信息化、可视化的属性，是企业实现个性化推荐、精准营销强有力的前提基础。
目录
2.1什么是用户画像
2.1.1静态用户标签(2D用户画像)
2.1.2动态用户标签(3D用户画像)
2.1.3用户画像的目的
2.2如何构建用户画像
2.2.1准备阶段-数据的挖掘和搜集
2.2.2数据建模-给标签加权值
2.2.2.1定性和定量相结合的方法
2.2.2.2数据建模-给标签加上权重
2.1用户画像
2.1.1什么是用户画像
用户画像是真实用户的虚拟模型。为了寻找目标用户群体，挖掘用户的基本属性和行为属性等数据，经过不断的叠加和更新，抽象出完整的用户标签系统，组合并搭建出立体的多维属性用户标签模型。
核心：给用户打标签（我们把标签分成静态标签和动态标签，静态标签搭建出来的就是2D用户画像；而静态+动态标签搭建的为3D用户画像）。
2.1.2用户画像的目的
- 精准化营销：用户要什么就给什么。
- 优化用户体验。
- 分类统计：喜欢那些东西的人群多哪些比较少。
- 数据挖掘：通过关联规则。某些用户群体喜欢商品A的时候还喜欢商品B。
2.1.3用户标签
2.1.3.1静态用户标签(2D用户画像)
这种属性我们可以直接通过用户注册等直接获取到。
人口属性
- 自然属性：先天性的保持不变。eg：性别、地域、血型。
- 社会属性：后天性的相对稳定。eg：职业、婚姻。
心理现象
- 通过研究用户的心理现象，特别是需求、动机、价值观等来窥探用户注册、使用和购买产品的深层动机。
因为人口属性和心理现象相对来说都比较稳定，由此构成2D用户画像。
2.1.3.2动态用户标签(3D用户画像)
这种属性需要我们与开发人员商议，通过SDK买点完成。
网站行为属性：这些信息属于动态信息，他们在不同的时间和场景不断发生着变化。
- 用户在网站上的一些操作行为。eg：搜索、浏览、评论、点赞、收藏、加购物车、购买、使用优惠卷等
社交网络行为等
2.2如何构建用户画像
2.2.1如何获取数据？
对网站或者活动进行SDK埋点。用于追踪用户行为(搜索,浏览,点击,收藏,购买等)，在搜集的时候进行描述和修饰变成特定字段标签,并把实时数据传送给后台数据库。举个例子:
- 为了抓取用户行为轨迹和人口属性,在SDK埋点之前预先设定用户购物时的可能行为,包括首页、登录、搜索、浏览、价格对比、加购物车、收藏商品、提交订单、支付订单、使用优惠卷、查看订单详情、取消订单、商品评价。我们把这些行为用程序语言进行描述，嵌入网页或者商品页的相应位置，形成触点，网络行为数据(登录次数、访问时长，激活率以及服务内行为数据（浏览路径、网页停留时长(埋点定时发送问题)）访问深度等)。将数据反馈给客户端或者数据库，这就是我们要获得的用户基础数据。
但是通过埋点获取到的数据范围比较广，而且信息不够精确，无法做西化的分类。如：我们只知道该用户是男性但是不知道该用户是哪个年龄段的男性。这使得我们无法进行准确化营销，为此我们采用A/B test。
- A/B test就是把多个不同的产品活动或者奖品推送给同一个人，然后根据用户做出选择，获取到进一步的信息数据。eg：为了知道男性用户在哪一个年龄阶段，我们借助A/B test方法为该用户群体推送适合不同年龄段的商品和礼品，根据用户选择的商品推断用户的年龄阶段。
2.2.2跟踪用户行为
三大维度：
- 场景：用户访问的时间段以及设备。
- 媒体：某一时段下用户具体访问的媒体。eg：资讯类、视频类还是游戏类
- 路径：用户进入和离开媒体的路径。简单理解就是用户的站内行为还是站外行为，是搜索还是直接进入？（有助于自身优化流量，另一方面帮助广告主有效控制不同页面的投放频次。）
2.2.3动态数据和静态数据结合评估用户价值
不同的目的分类的依据也就不同。一般会使用动机和行为进行划分。
数据建模-给标签加权值
2.2.2.1定性和定量相结合的方法
- 定性：表现为对产品、行为和用户个体的性质分析概括出产品标签行为标签和用户标签。
- 定量：在定性的基础上给每个标签加上特定的权值，通过数学公式计算总的标签权值，从而形成完整的用户模型。
因此用户画像的数据建模是定性和定量的结合。
2.2.2.2数据建模-给标签加上权重
给用户的行为标签赋予权重，记住4w。who、when、where、what
- who：明确用户对象。用户id、手机号、邮箱、昵称等
- when：时间跨度（一天为单位指定行为发生的时间间隔）。时间长度（标识用户在某个页面停留的时间长短）越早发生权值越小，衰减因子。
- where：用户发生行为的接触点（内容+地址）。小米官网上的小米手机（权重加在网址上，买小米手机在小米官网上权重为1，在京东上买为0.8，在淘宝上买0.7）。
- what：用户的行为是什么。根据用户行为的深入程度添加权重。如：购买行为1，收藏行为0.8，浏览行为0.6.
当我们确定了单个标签的权重之后，就可以利用标签公式计算总的用户标签权重（总的标签权重=时间衰减因子*行为权重*网址权重）
由此得出单个用户的标签权重，打上“是否忠实”标签。
通过这种方式对多个用户进行数据建模为其打上标签，然后按照标签进行分类。eg:总权重达到0.9以上被认为是忠实用户，他们都购买某产品。这样的一来，企业和商家就能够根据相关信息进行更加精准的营销推广、个性化推荐。
