用户画像
即用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽
象出用户的信息全貌。用户画像可看作企业应用大数据的根基，是定向广告投放与个性化推荐的前置条件，为数据驱动运营奠定了基础。
用户画像建模其实就是对用户'打标签'，对用户形为数据分析，基于用户的历史功能操作及相关点击，一般分为3种类型:统计类标签；规则类标签；机器学习挖掘类标签
1.统计类标签
这类标签是最为基础也最为常见的标签类型，例如，对于某个用户来说，其性别、年龄、城市、近7日活跃时长、近7日活跃天
数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费数据中统计得出。该类标签构成了用户画像的基础。
2.规则类标签
该类标签基于用户行为及确定的规则产生。例如，对平台上“消费活跃”用户这一口径的定义为“近30天交易次数≥2”。在实际开发
画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数
据人员共同协商确定；
3.机器学习挖掘类标签
该类标签通过机器学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断。例如，根据一个用户的行为习惯判断该用户是男
性还是女性、根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。
数据指标
建立的用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类。从建立的标签维度来看，可以将其分为用户属性类、用户行为类、用户消费类等。
1.用户属性维度
常见用户属性指标包括：用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购买状态等
2.用户行为维度
用户行为是另一种刻画用户的常见维度，通过用户行为可以挖掘其偏好和特征。常见用户行为维度指标包括：用户订单相关行为、下单/访问行为、用户近30天行为类型指标、用户高频活跃时间段、用户购买品类、点击偏好、营销敏感度等相关行为
3.用户消费维度
对于用户消费维度指标体系的建设，可从用户浏览、加购、下单、收藏、搜索商品对应的品类入手，品类越细越精确，给用户推荐
或营销商品的准确性越高。根据用户相关行为对应商品品类建设指标体系
4.社交属性维度
社交属性用于了解用户的家庭成员、社交关系、社交偏好、社交活跃程度等方面，通过这些信息可以更好地为用户提供个性化服务。
用户画像应用
用户画像产品化后就成为业务人员分析用户、触达用户的有效工具，本章从经营分析、精准营销、个性化推荐等方面介绍用户画像的应用场景。
1.经营分析
商品分析
用户分析
渠道分析
客服话术
人群特征分析
2.精准营销
短信营销
3.个性化推荐与服务
