一、 深度好文 | 让你真正品尝到“用户画像”的甜头
这篇文章主要讲解了几点：用户画像的益处；创建用户画像的方法；如何丰富用户画像；把握用户画像的颗粒度。
-
用户画像的益处
用户画像可以使产品的服务对象更加聚焦。其次，用户画像可以在一定程度上避免产品设计人员草率的代表用户。用户画像还可以提高决策效率。 -
创建用户画像的方法
用户画像从流程上可以分为三个步骤：获取和研究用户信息、细分用户群、建立和丰富用户画像。并给出了三种主要的创建方法：定性用户画像、经定量验证的定性用户画像、定量用户画像。作者使用表格的形式展现出了这三种方法的步骤及优缺点。 -
丰富用户画像
在这一部分，作者举了一个洋淘项目的例子，在前期获取了大量枯燥且凌乱的基础数据后，为了让用户画像在产品设计中发挥作用，就需要细致分析数据，并赋予用户画像更多的元素，打磨出了两类主要用户（海淘的主力用户和资深用户）画像。 -
把握用户画像的颗粒度
作者提出颗粒度的概念，就是我们的用户画像应该细化到哪种程度。掌握好颗粒度的“度”非常重要。
从这篇文章所列举的几个例子中，我掌握了能够丰富用户画像的元素，接触到了颗粒度这个新概念。同时在定性和定量的方法中，我觉得定性来说是经过访谈等方式进行了解和分析，而定量是先定假说然后定量收集细分数据来验证细分用户。
三、【每天一个数据分析师】案例：电信用户分群精准画像的7个步骤
本文是通过一个实际的电信用户分群案例来介绍用户画像的步骤，分群构建用户画像的目的是为了分析宽带客户资源以进行精确电话营销。
-
数据理解
分别获取客户属性信息数据、产品信息、通信行为信息、价值信息和宽带宽表数据。 -
确认分析对象
从客户群中筛选出使用e8套餐并没有c网手机的宽带客户。 -
变量筛选
将宽带宽表中的字段进行筛选，获得需要的主要字段，并且将具有明显关联关系的字段进行合并。不确定是否有关系性的的字段可以用SPSS检验统计量结果进行相关性判断。最终确定主要输入变量。 -
决策树模型建立
选择CHAID节点对应的目标变量和预测变量设置，输出结果显示为树状结构，每个末端叶子代表一个细分用户群体。 -
模型调优
对决策树结果进行优化，将规模小的群众群体根据各自特征进行修剪合并。如果认为决策树的某个子节点对应的决策树规则不符合业务逻辑，则可选择该决策树节点下的样本再建立一个子模型，从新选择新的变量。 -
模型结果解释
根据几个主要判断分群的原则，将筛选出的宽带客户主要分成4类客户群，在进一步根据每个客户群的消费行为去推测用户的业务需求，使用主要字段来描述用户特征，从而形成用户画像。
一、 用户画像实例：创建可信的微博用户画像
这是一篇对微博用户头像构建经历的流程的介绍，从前期的资料搜集到后面的数据挖掘，再到调研分析，最后形成角色构建。
-
资料搜集和数据挖掘
在画像之前需要知道产品的用户特征和用户使用产品的行为等因素，从而从总体上掌握对用户需求需求。这里作者的一个观点让我赞同，就是创建用户画像不是抽离出典型进行单独标签化的过程，而是要融合边缘环境的相关信息来进行讨论，使用户画像更上一个档次。
通过提取后台数据了解用户上网环境的关键指标，这就是用户的使用环境。然后随机提取大量的用户个人属性信息的关键因素，使用SPSS聚类分析区别最明显的因素，得出最为典型的5类用户及所占比例。 -
定量调研分析
通过问卷调查了解微博用户的使用场景、用户关注的内容、整体满意程度以及个人的人口学统计特征等信息，细化用户画像，降低用户画像的颗粒度。 -
用户访谈与角色建构
前期是一个搭建骨架的步骤，这一步目标用户的比例和使用特征数据，进行深度访谈，重点挖掘其生活情境与使用场景。围绕用户的行为特征，通过添加环境、人际关系、操作熟练程度、使用意向、人口统计学属性等细节对用户进行描述，形成用户画像的框架。
这篇文章细化了用户画像的构建步骤，通过案例详细解说了如何根据用户的个人属性数据来搭建用户画像的骨架以及之后如何来丰富用户画像的形象。从而使用户画像同时有了数据支持和具象化的丰富。
一、 1号店架构师王富平：一号店用户画像系统实践
这篇文章详细讲了在一个一号店在社区经营中是如何构建和运用用户画像的。文章主要讲解了以下几方面：
用户标签画像
一号店的用户标签大概包括基本信息、工作身份和偏好等等。在这个画像构建中作者提到了遇到的两个问题：数量过大和需要记忆和存储用户画像，并且要达到毫秒级的更新。
对此他们不断优化用户画像算法模型；使用storm等实时技术；使用HBase的离线和在线分离等等方法形成了第一版初始画像。用户画像模型优化
用户画像模型优化主要包含偏好优化和购买周期优化。
1.偏好优化。偏好优化就是根据用户对栏目或者产品的权重来处理数据以及调整用户画像模型。
2购买周期优化。不同的物品有不同的购买周期，根据用户行为和购买周期对用户进行实时推荐。
一号店的用户画像系统主要分为离线和在线两个部分，离线部分构建基本用户画像，在线部分对用户模型进行优化和建立借口。在用户模型优化中还提到了数据流优化、存储格式优化和数据库优化。文章给我了一些启示：在思考案例时要提炼出该项目方法论；用户画像的基础是数据，要通过观察和研究数据，对数据有一定的敏感度，产生新的用户画像数据。
