编辑导语：如今在这个大数据时代，“用户画像”这个词常常呈现，它跟精准营销挂钩，可以按照一小我私家的乐趣、地理位置等举办准确的推送，到达精采的营销结果；本文作者分享了关于用户画像筹划的流程和要领，我们一起来看一下。

互联网行业飞速的成长，发动行业业务量激增，同时陪伴数据量的增加，互联网各行各业逐步形成头部企业，2/8原则下长尾企业也越来越多；因此，在大数据量和剧烈竞争下，如何更好的对产物举办营销，如何制订价值计策，越来越重要。

那么，如何拟定精确的营销和价值，就需要我们针对差异人群，差异个另外特点举办风雅化推荐，所要本章先容了如何举办用户画像。

文章布局：

一、什么是用户画像

用户画像就是对用户凭据必然的法则举办统计，分别，从而可以或许指导用户推荐，客户分层运营，到达营销结果。

昨天：手机APP大发作是跟着手机硬件的成长而成长起来的，成长前期大量APP为抢占市场纷纷上线；用户画像只是为了指导产物设计，主要用于产物设计前夕的用户访谈、用户调研的前期事情，并且一般包围的人群较量狭隘，精准度差，产物司理设计产物全靠感受。

本日：行业竞争越来越大，行业发生的数据量也越来越大，各大公司开始 *** 本身的数据客栈；那么如何应用数据客栈中的数据，如何举办风雅化运营，用户画像越来越受到重视。

来日诰日：跟着大数据技能的成熟应用，用户画像标签将越来越多，今朝互联网行业中较量乐成的标签系统是 *** 的千人千面，技能创新必将敦促用户画像的精准度。

二、用户画像常用场景

用户画像轮廓可应用于一下三个场景：

产物设计：开拓前期的产物定位设计；

产物营销：指导运营对特定用户举办推送勾当信息，推广信息，本性化推荐等。

产物决定：阐明用户画像统计对产物的成长近况和成长趋势举办预测，实时调解产物成长蹊径。

凭据用户标签的出产 *** 可分为：

统计标签：现有的可以直接从数据中提取出来的标签；包罗用户自然属性，用户行为统计等信息。

法则标签：自界说法则举办标签建模；按照业务流程提取需要统计的标签。

算法模子标签：按照呆板进修等算法举办用户行为预测分类；具有不确定性、开拓周期长、本钱高，因此系统中此类标签数量较少。

三、用户画像系统搭建流程 1. 数据收罗

对用户数据举办收罗，数据预处理惩罚，数据挖掘和过滤等手段得出期望的数据集。

用户数据一般分为埋点数据和业务数据：

埋点数据：按照用户的行为特征举办埋点，将获得的数据举办处理惩罚存储；

业务数据：用户的姓名、年数、地理位置等自然属性，同时包罗用户购置、用户评价、用户评论等隐形数据。

详细收罗要领可以利用如下算法模子：

文本挖掘模子（TF-IDF）：处理惩罚文本范例，提取数据信息。

TF是词频，IDF是逆向文件频率，TF-IDF是词频和逆向文件频率的乘积。

Nij就是词i在j文章中呈现的次数，分母就是文章的总词数。

D就是语料库中文件总数，下面分母就是词i呈现的文档数，然后取对数。

该算法可以直接挪用python库Sklearn举办实现，可是该算法较量单一，不思量词条在文章中的位置，不能精确描写词的重要水平，一般需要团结其他其他算法可能增加权重改造。

聚类算法：聚类算法较多，如ANN神经 *** 和贝叶斯等，聚类主要是针对冷启动用户、用户分群营销等目标；详细算法相对巨大，今朝算法应用多利用python的各类库如Sklearn，包罗一些框架tensorflow、caffe等。

相似度模子：一般利用相似度模子举办帮助用户分群，常用的有逻辑回归、线性回归、余弦相似度、皮尔森相似度等。

详细说下余弦相似度：

实例：