用户画像：通过算法聚合成一类实现用户信息标签化。
构建用户画像
① 用户画像信息：基本属性，购买能力，行为特征，兴趣爱好，心理特征，社交网络
② 行为建模：文本挖掘，自然语言处理，机器学习，预测算法，聚类算法
③ 数据收集：网络日志数据，用户行为数据，网站交易数据
作用：了解用户的行为习惯，个性化营销及精准广告
静态数据来源：
—来源于用户填的个人信息，及算法模型预测的数据
动态信息数据：
--用户行为产生的数据：注册，浏览，点击，购买，签收，评价，退货等
—比较重要的行为：购买商品，浏览商品，放入购物车，关注商品等
根据行为可以得出标签：
潮妈族，纠结商品，最大消费，退货数量，败家指数，品牌偏好，用户活跃度等
确定标签与根据算法猜测的标签
—确定的标签：比如用户购买了或者收藏了某个商品等
—猜测的标签：比如用户的性别，是男性的概率0.8，另外还有很多模型：孕妇模型，潜在汽车用户模型，用户价值模型
比如：用户活跃度（活跃，沉睡，流失，未购买）
用户分群：电脑达人，数码潮人，家庭用户，网购达人，奶爸奶妈，单身贵族，闪购用户，时尚男女等
在电商这个场景下，我们构建用户标签体系主要根据用户在历史时间内的网购行为记录，从网购时间点、内容深度剖析，针对用户的基础属性、社交行为、互动行为、消费行为、偏好习惯、财富属性、信用属性和地理属性等八大维度构建用户标签体系，以期综合描绘平台消费者的行为特征。
几例：
第一类是人口属性，这一类标签比较稳定，一旦建立很长一段时间基本不用更新，标签体系也比较固定；
第二类是兴趣属性，这类标签随时间变化很快，标签有很强的时效性，标签体系也不固定；
第三类是地理属性，这一类标签的时效性跨度很大，如GPS轨迹标签需要做到实时更新，而常住地标签一般可以几个月不用更新，挖掘的方法和前面两类也大有不同。
又一分类：
标签类别 | 标签内容 |
人口标签 | 性别、年龄、地域、教育水平、出生日期、职业、星座 |
兴趣特征 | 兴趣爱好、使用APP/网站、浏览/收藏内容、互动内容、品牌偏好、产品偏好 |
社会特征 | 婚姻状况、家庭情况、社交/信息渠道偏好 |
消费特征 | 收入状况、购买力水平、已购商品、购买渠道偏好、最后购买时间、购买频次 |
不同的业务场景和范围，要根据具体情况进行标签的大类化分；这样才能更好的进行标签体系的规划和管理。
