基于大数据的用户画像构建
什么是用户画像，根据用户社会属性、生活习惯和消费行为等信息抽象出一个具有标签性的人物模型。
用户画像的作用
罗振宇在《时间的朋友》跨年演讲举了一个栗子：当一个坏商家掌握了你的购买数据，他就可以根据你平常购买商品的偏好来决定是给你发正品还是假货以提高利润。且不说是否存在这种情况，但这也说明了利用用户画像可以做到“精准销售”，当然，这是极其错误的用法。
其作用大体不离以下几个方面：
精准营销，分析产品潜在用户，针对特定群体利用短信邮件网络等方式进行营销；
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，利用关联规划计算，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（个人认为这是发展趋势，未来消费主流）；
业务经营分析以及竞争分析，影响企业发展战略。
构建流程
数据收集
数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。
1.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；
2.服务内行为数据：浏览路径、页面停留时长、访问深度、唯一页面浏览次数等；
3.用户内容偏好数据：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；
4.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；
当然，收集到的数据不会是100%准确的，都具有不确定性，这就需要在后台阶段中建模来再判断，比如某用户在性别一栏填的“男”，但通过其他偏好可判断其性别为“女”的概率为80%。
还值得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。
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。
这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个 Y=kX+b 的算法，X代表已知信息，Y 是用户偏好，通过不断的精确 k 和 b 来精确Y。
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）；
用户忠诚度模型（通过判断+聚类算法判断用户的忠诚度）；
身高体型模型（根据用户购买服装鞋帽用品等判断）；
文艺青年模型（根据用户发言、评论行为判断用户是否是文艺青年）；
用户价值模型（判断用户对网站的价值，对提高用户留存率非常有用，电商一般使用RFM实现，还有消费能力、违约概率、流失概率等等诸多模型）；
用户画像基本成型
该阶段可以说是二阶段的一个深入，要把用户的基本属性（年龄、性别、地域）、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致的标签化。
为什么说基本成型？因为用户画像永远无法100%地描述一个人，只能做到不断的去逼近一个人，因此，用户画像既应根据变化的基础数据不断修正，又要根据已知数据来抽象出新的标签使用户画像越来越立体。
关于“标签话”，一般采用多级标签、多级分类，比如第一级标签是基本信息（年龄、性别
地域），第二级是 消费习惯 和 用户行为；第一级分类有人口属性，人口属性又有基本信息、地理位置等二级分类，地理位置又分工作地址和家庭地址三级分类。
数据可视化分析
这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体分析的，比如可以根据用户价值细分出核心用户 评估某一群体的潜在价值空间，以做出针对性的运营。
