随着我国电子商务的高速发展，愈来愈多的人注意到数据信息对于电商市场的推进做用。基于数据分析的精准营销方式，能够最大限度的挖掘并留住潜在客户，数据统计与分析为电商市场带来的突破不可估量。在DT时代，一切皆可“量化”，看似普通的小小数字背后，蕴藏着无限商机，也正在被愈来愈多的企业所洞悉。算法

        数据已无处不在。信息化建设促进了数据爆发，全社会的信息化程度愈来愈高，愈来愈多的业务须要计算机应用，用户不这些应用交互产生大量数据 ；可穿戴设备的发展产生了大量数据，可穿戴设备甚至可植入设备将愈来愈多的出如今现实生活中 ；信息网络的高速发展，为大数据提供了实施空间，无处不在的网络将人和设备链接在一块儿，认识人，与人沟通的方法将发生本质性的变化 。如何从大数据中挖掘商机？创建用户画像和精准化分析是关键。浏览器

 在产品研发和营销过程当中，肯定目标用户是首要任务。不一样类型的用户每每有不一样甚至相冲突的需求，企业不可能作出一个知足全部用户的产品和营销。所以，经过大数据创建用户画像是必不可少的。微信

一、什么是用户画像？网络

万以上，爱漂亮食，团购达人，喜欢红酒配香烟。这样一串描述即为用户画像的典型案例。若是用一句话来描述，即：用户信息标签化。建立用户画像，这将有助于理解现实生活中的目标受众。企业建立的人物角色画像，具体到针对他们的目标和需求，并解决他们的问题，同时，这将帮助企业更加直观的转化客户。架构

        用户画像的核心工做是为用户打标签，打标签的重要目的之一是为了让人可以理解而且计算机可以处理，如，能够作分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？也能够作数据挖掘工做：利用关联规则计算，喜欢红酒的人一般喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布状况？ 

 二、如何构建用户画像？网站

1. 基础数据收集，大体分为行为数据、内容偏好数据、交易数据，如浏览量、访问时长、偏好、回头率等等。
2. 对收集到的数据进行行为建模，抽象出用户的标签。
3. 最后是把用户的基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络大体的标签化。

岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每一个标签含义。这也使得用户画像模型具有实际意义。可以较好的知足业务需求。如，判断用户偏好。短文本，每一个标签一般只表示一种含义，标签自己无需再作过多文本分析等预处理工做，这为利用机器提取标准化信息提供了便利。人制定标签规则，并可以经过标签快速读出其中的信息，机器方便作标签提取、聚合分析。因此，用户画像，即：用户标签，向咱们展现了一种朴素、简洁的方法用于描述用户信息。

  在构建用户画像过程当中，注重提取数据的多元性而不是单一性，譬如针对不一样类型的客户提取不一样的数据，又或者针对线上线下的客户分析其中差别。总而言之，保证数据的丰富性、多样性、科学性，是创建精准用户画像的前提。orm

        构建用户画像是为了还原用户信息，所以数据来源于：全部用户相关的数据。对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期，全部的子分类将构成了类目空间的所有集合。这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。没必要担忧架构上对每一层分类没有考虑完整，形成维度遗漏留下扩展性隐患。另外，不一样的分类方式根据应用场景， 业务需求的不一样，也许各有道理，按需划分便可。本文将用户数据划分为静态信息数据、动态信息数据两大类。

用户画像的目标是经过分析用户行为，最终为每一个用户打上标签，以及该标签的权重。如，红酒 0.八、李宁 0.6。
标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，几率。

如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，能够详细描述为：什么用户，在什么时间，什么地点，作了什么事。

什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

（精度到秒）， .083612（精度到微秒），一般采用精度到秒的时间戳便可。由于微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
连接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。能够是 PC 上某电商网站的页面 url，也能够是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。内容：每一个 url 网址（页面/屏幕）中的内容。能够是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每一个互联网接触点，其中网址决定了权重；内容决定了标签。        注：接触点能够是网址，也能够是某个产品的特定功能界面。如，一样一瓶矿泉水，超市卖 1 元，火车上卖 3 元，景区卖 5 元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不一样体现出了权重差别。这里的权重能够理解为用户对于矿泉水的需求程度不一样。即，愿意支付的价值不一样。 相似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜爱度也是有差别的。这里的关注点是不一样的网址，存在权重差别，权重模型的构建，须要根据各自的业务需求构建。因此，网址自己表征了用户的标签偏好权重。网址对应的内容体现了标签信息。        什么事：用户行为类型，对于电商有以下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。不一样的行为类型，对于接触点的内容产生的标签信息，具备不一样的权重。如，购买权重计为 5，浏览计为 1 。
接触点（网址+内容），某用户由于在什么时间、地点、作了什么事。因此会打上**标签。        用户标签的权重可能随时间的增长而衰减，所以定义时间为衰减因子 r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：标签权重=衰减因子×行为权重×网址子权重如：用户 A，昨天在品尚红酒网浏览一瓶价值 238 元的长城干红葡萄酒信息。标签：红酒，长城时间：昨天，假设衰减因子为： r=0.95行为类型：浏览，记为权重 1地点：品尚红酒单品页，网址子权重记为 0.9（相比京东红酒单品页的 0.7）假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而再也不综合商城选购。则用户偏好标签是：红酒，权重是 0.95*0.7 * 1=0.665，即，用户 A：红酒0.66五、长城 0.665。 上述模型权重值的选取只是举例参考，具体的权重值须要根据业务需求二次建模，这里强调的是如何从总体思考，去构建用户画像模型，进而可以逐步细化模型。        当用户画像基本成型后，接下来就能够对其进行形象化、精准化的分析。此时通常是针对群体的分析，如能够根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以此做出针对性的产品结构、经营策略、客户引导的调整。