什么是用户肖像？

具体来说，用户肖像是依照用户社会特性、饮食习惯和消费行为等信息而抽象化出的两个条码化用户模型。构筑用户肖像的核心工作即是给用户贴“条码”，而条码是透过对用户信息分析而来的高度研磨的特征标记。

比方说，如果你经常买回一些玩具玩具，所以电商网站即可依照玩具买回的情况替你打上条码“有小孩”，即使还能推论出你小孩大概的年龄，贴上“有5-10岁的小孩”这种更为具体的条码，而这些所有给你贴的条码统在一次，就成了你的用户肖像，因此，也能说用户肖像就是推论两个人是什么样的人。

去除“条码化”，用户肖像还具备的特点是“低交叠率”，当三组肖像除了权重较细的条码外其余条码几乎一致，那就能将两者合并，淡化低权重条码的差异。

用户肖像的促进作用

Junagadh在《时间的朋友》演说里举了这种两个范例：当两个坏店家掌握了你的买回数据，他就能依照你平时买回商品的偏爱来决定是给你发假药还是假药以提高利润。且不说是否存在这情况，但这也说明了借助用户肖像能做到“精确销售”，总之，这是极其错误的用语。

其促进作用大体上不离以下几个方面： 精确互联网营销，分析产品潜在性用户，针对特定群体展开互联网营销； 用户统计，比如说中国大学买回书刊数目 TOP10，全国各城市小鬼指数； 数据挖掘，构筑智能推荐系统。借助关连规则计算喜欢葡萄酒的人通常喜欢什么运动品牌； 展开效果评估，完善产品运营，提升服务质量。其实这也相当于市场考察、用户考察； 对服务或产品展开私人订制，即个人化的服务一般而言即使该位用户（个人认为这是目前的发展趋势，未来的消费非主流）。比如说，某公司想推出这款面向全国5－10岁儿童的玩具，透过用户肖像展开分析，发现形象＝“喜羊羊”、价格区间＝“中低”的偏爱比重最大，所以就给新产品提供类非常客观有效的理论依据。 业务经营分析以及竞争分析，影响企业发展战略。

构筑流程

数据搜集

数据搜集大致分为互联网行为数据、服务内行为数据、用户内容偏爱数据、用户交易数据这五类。 互联网行为数据：活跃数目、网页下载量、出访时数、转化成率、内部接触点、社交数据等 服务内行为数据：下载方向、网页逗留时间、出访深度、唯一网页下载单次等 用户内容便好数据：下载／珍藏内容、评论内容、互动内容、生活形态偏爱、品牌偏爱等 用户交易数据（交易类服务）：贡献率、客单价、Ferrette率、安全系数、流动率等总之，搜集到的数据不会是100%准确的，都具备不估值合理，这就需要在后面的阶段中可视化来再推论，比如说某用户在异性恋附注填的男，但透过其行为偏爱可推论其异性恋为“女”的概率为80%。

还得一提的是，存储用户行为数据时最好同时存储发生该行为的情景，以便更好地展开数据分析。

行为可视化

该阶段是处理搜集到的数据，注重大概率事件，透过数学算法模型尽可能地排除用户的偶然行为，展开行为可视化，抽象化出用户的条码。

这时也要用到机器学习预测用户的行为偏爱。好比两个 y＝kx＋b 的算法，X 代表已知信息（即用户条码），Y 是用户偏爱，透过不断的精确 k 和 b 来精确 Y。

在这个阶段，需要用到很多模型给用户贴条码。

用户汽车模型依照用户对“汽车”话题的关注或买回相关产品的情况来推论用户是否有车、是否准备买车 用户忠诚度模型透过推论＋聚类算法推论用户的忠诚度 身高体型模型依照用户买回服装鞋帽等用品推论 文艺青年模型依照用户发言、评论等行为推论用户是否为文艺青年 用户价值模型

推论用户对于网站的价值，对于提高用户留存率非常有用（电商网站一般使用RFM 实现）

还有消费能力、违约概率、流失概率等等诸多模型。

用户肖像基本成型

该阶段能说是第各二阶段的深入，把用户的基本特性（年龄、异性恋、地域）、买回能力、行为特征、兴趣爱好、心理特征和社交互联网等大致地条码化。

为什么说是基本成型？因为用户肖像永远也无法100％地描述两个人，只能做到不断地去逼近。因此，用户肖像既应依照变化的基础数据不断修正，又要依照已知数据来抽象化出新的条码使用户肖像越来越立体。

一般采用多级条码、多级分类展开“条码化”，比如说第一级条码是基本信息（姓名、异性恋），第二级是消费习惯、用户行为；第一级分类有人口特性，人口特性又有基本信息、地理位置等二级分类，地理位置又分工作地址和家庭地址的三级分类。

数据可视化分析

在此步骤中，开始借助前面产生的用户肖像。一般是分析特定群体，比如说能依照用户价值来细分出核心用户、评估某一群体的潜在性价值空间，以作出针对性的运营等。如图：