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。比如可以做分类统计：喜欢理财的人群中，男、女比例是多少？喜欢购物的用户有多少？
也可以做数据挖掘工作：利用关联规则计算，喜欢理财的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢购物的人地区分布情况是怎么样的？
大数据处理，离不开计算机的运算，标签提供了一种方便的方式，使计算机可以程序化地处理与人有关的信息，甚至可以通过算法、模型来“理解”人。电脑一旦具备了这一能力，无论搜索引擎、推荐引擎、广告投放等各方面的应用，都会进一步提高精确度，提高信息获取效率。
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：性别标签”男、女”、地域标签“北京”，等等。标签呈现出两个重要特征：一是语义化，即人能很方便地理解每个标签的含义。这也使得用户画像模型具备实际意义，能够较好地满足业务需求。如：判断用户偏好。二是短文本，每个标签通常只表示一种含义，标签本身无需再做过多的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。
我们制定的标签规则，必须要确保所做的标签具备两个基本特性：人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，向我们展示了一种用于描述用户信息的朴素而简洁的方法。
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。
关于用户相关数据的分类，这里介绍一种重要的分类思想：封闭性的分类方式。
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、商业属性等方面的数据。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，更多的是数据运营清洗工作，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——
用户不断变化行为的讯息，如果存在神，每个人的行为就会在瞬间被神那看不见的眼睛监视。一般而言，一个用户打开网页，买杯饮料，就像该用户在晚上溜狗，白天偷拿一次钱，打哈欠等等，都是在神的眼皮底下的用户行为。在互联网上，甚至在电商上，用户的行为都会有很多的聚焦。
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（分析方法类同，只是数据获取途径、用户识别方式有些差异）。
网络中，用户行为可以被看作是动态信息的唯一数据源。本文重点研究了如何从用户行为数据中建立数据模型，分析用户标签的方法。
目标分析
这个用户画像的目的是通过分析用户的行为，最终确定每个用户的标签，以及标签的权重。比如：女，网购，自拍。
标签，表征了内容，用户对该内容有需求、兴趣、偏好等等。
权重，表征了指数，偏好指数、用户的兴趣，也可能表征用户的需求度，可以简单地理解为可信度、概率。
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。
四、总结：
注意：本文章不涉及具体的算法，更多的是阐述分析性思路。
打窝大师
