用户画像
一、简介
1、1 概念
用户画像（User Profile），这个称呼可能会因人而异，所以在与其他人讨论时此方面也不必太过纠结。
用户画像通俗来讲就是给用户打标签，用一个个的标签来完成对一个人的描述。有了解过Python的盆友应该对**“词云”**二字并不陌生。此处就像将用户的行为标签制作成一个人型的词云。
1、2 定位与应用
1）定位
说到用户画像就不得不提数据仓库了，因为要做画像就需要大量的数据支持，而这些数据直接从业务数据中抽取出来不太现实，所以从已经处理好的数据仓库中抽取数据进行对用户进行打标签是十分合适的，从这个角度讲，数据仓库可以说是地基，而画像可以看成是其"一种"上层建筑。
于此同时，用户画像做为一种数据服务，也可以作为其他业务的地基，在其上的还有其他的上次建筑，诸如"推荐系统"，"风控系统"等。
2）应用
说完了定位我们再来聊一聊画像都应用在什么地方，或者说能为决策者提供什么样的支撑。可以做什么主要看画像可以为我们提供什么，首先画像可以帮助我们更好的了解我们的用户的一般性质，比如活跃用户的年龄段，优质用户的年龄段及其相关的消费动向和喜好，可以帮助我们进行较为准确的用户推荐与营销。还可以通过分析用户之间的互动来帮助我们寻找潜在的价值用户的操作，及开展新业务的数据支撑，在当进流量为王的商业模式中是十分重要的。1、3 用户标签
1）标签分级
在前面我们已经提到画像的本质其实就是用户标签化，在这我们就来聊一聊如何为用户打标签更能省时省力的帮助我们完成这项看似复杂的工作。
在此我们以常见的电商场景为例，如果我们想要知道一个消费者的属性，比如男，上海及90后段…这些就是我们实际想要知道的属性（值标签）在此我们称之为四级标签，在其上还有定义属性的字段如性别、地区及年龄段这些就是属性的描述（三级标签）。性别、年龄段等可以 作为三级标签的属性，比如描述为用户的自然特征（二级标签）。在这这之上的一级标签就可以定义为人口属性或者用户属性等名称。具体说完再从总体上往下串一下，分层一般分为标签分类、标签、标签值。
人口属性，自然特征就属于标签分类，也就是将它看成一个根向下进行延伸。
性别，年龄段等就属于标签。
而具体的男，上海就属于标签的签值。
2）标签分类
前边我们刚刚聊完标签是如何分级的，接下来我们就再来一起聊聊标签的分类。
统计类：统计类标签是最常见的一类标签，就是就是统计客观真实发生的事实（最近登录时间，月消费等），与数据仓库中的事实表的概念有些类似，也是比较好理解的。
规则类：规则类标签往往需要根据不同企业内部的业务特征而定。
挖掘类：挖掘类标签一般起着预测的作用，但是开发周期长。
