面包君
用户画像我们主要是这6个维度。
这里面会大概有600多个标签，有原始数据、也有通过模型预测的。
比如你是多大、性别这些都是知道，但是你什么时候生孩子、什么时候结婚都是预测的。
用户画像做什么用？个性化，精准化营销！
方式有两种 ，一种是传统的BI的方式，描述用户画像的群体特征，比如我们的用户是理财小白，我们就要去想这些屌丝有什么习惯，给他们什么产品合适。
第二种方式就是机器学习，通过大数据训练的方式来做自动化的个性化营销。通过这些600多个特征的不同组合，训练出AUC大于0.7以上的model，再实测。
举个例子，就是我们在天猫logo做的“千人千面”。
每个广告推荐都是通过分析用户的历史行为，推断出用户最喜爱的品牌；当他来到网站时，在资源位上自动展现他喜爱的品牌logo。
基本思路：
要实现这个目标，需具备以下3个条件：
1） 建立一个logo库：存放品牌ID/所属类目/logo图片/跳转链接等必要信息；
2） 有一套业务逻辑&数据模型算法，分析计算出每个人可能最想看到的品牌；
3） 有一套产品支持：利用推荐引擎产品和前端开发实现对应资源位的个性化展现；
我们会每天喝着茶，思考着人生，看看这些不同model跑出来的效果。
资源位个性化推荐的方式，优点是能明显提升资源位的整体使用效率。但实际使用时需要注意以下几点：
1） 由于方法仅适用于投放素材相对固定的资源位；
2） 可供推荐的素材“库”要达到一定规模，算法才能体现出效果，否则会因为“人和内容匹配度不高”而无法达到个性化效果，如“库”仅20-30个素材，人工经验挑选可能效果更好；
3） 利用判断用户偏好来进行推荐的方式，其效果也与资源位所在页面的“用户识别程度”有关，“对用户身份识别度高”&“识别到的用户有较多历史行为”的页面效果更好，反之，如流量来源主要是外投的页面or新用户注册完成页面，则效果不明显。
而围绕用户画像的传统BI的做法，是建立数据监控体系，有个类似会员健康度的东东。
差不多是这些，欢迎补充。