1.什么是用户画像
用户画像一点也不神秘，它是根据用户在互联网留下的种种数据，主动或被动地收集，最后加工成一系列的标签。比如猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？
2.用户画像的应用
精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。
用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。
数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。
很多用户画像初衷是好的，但是沦为了形式主义。问题在于标签划分过多，策略执行有难度。
不要想当然的归纳一个齐全完备的体系，却忽略了画像的核心价值。用户画像首先得是商业目的下的用户标签集合。
猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。
不是我有了用户画像，便能驱动和提高业务。而是为了驱动和提高业务，才需要用户画像。
用户画像的标签一般通过两种形式获得，基于已有数据或者一定规则加工，流失标签和距今天数皆是。另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。
3.用户画像的架构
用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。
上图是随手画的的例子，画一个架构不难，难得是了解每个标签背后的业务逻辑和落地方式
上图列举了标签加工和计算的过程，很好理解。最上层的策略标签，是针对业务的落地，运营人员通过多个标签的组合形成一个用户群组，方便执行。
用户画像作为平台级的应用，很多运营策略及工具，都是在其基础上构建的。
基于营销和消费相关的标签，新客、老客、用户的流失和忠诚、用户的消费水平和频率等，都是构成CRM（客户关系管理）的基础，可能大家更习惯叫它用户/会员管理运营平台。
它的作用在于，将数据化的标签，转换成产品运营策略。不同的标签对应不同的用户群体，也对应不同的营销手段。CRM的结构中会包含各类触达用户的常用渠道比如短信、邮件、推送等。也包含CMS（内容管理系统），执行人员通过其快速配置活动页、活动通道、优惠券等，靠营销活动拉动数据。
老王的沙拉业务要是做大，那么运营平台就会以图中的结构搭建。老王在CRM中组合标签，新客老客流失客的数据借助BI监控，然后通过CMS系统配置红包啊优惠券啊等等，再通过短或Push触达。
4.如何建立用户画像
说白了主要是对两类客户的认知和判断：
现存客户 (Existing Customer)- 我的现存客户是怎么样，喜欢什么，什么消费习惯，哪些客户最值钱等等
潜在客户 (Prospect Customer)- 潜在用户又分：认知客户和竞品客户，我的潜在客户在哪，他们喜欢什么，通过什么渠道获取，获客成本是多少等等
定性与定量相结合的研究方法
定性的方法，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。
定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。
定性与定量必须结合在一起，但更重要的是以用户为中心，而不是以数据为中心。
5.营销人群的获得方法
一是自己通过SQL去设定规则然后提取人群并过模型；第二种就是基于已有行为数据给用户打上标签后，再用组合标签的形式圈定出一些人群，最后通过广告平台相应店铺或者商品就被推荐给了相应的人群。
说一下用标签和SQL去找人群的区别就是：由第二点也知道了，标签主要是对老客户和认知客户进行了打标签，对竞品客户却不能打标签。那么有一种情况就是：对于一个新的店铺如何去找到潜在的用户，去进行拉新和引流，这时竞品客户就显得很重要了，通常我们会人工去找一些与运营店铺风格、价位相似的店铺和竞品单品，然后通过SQL去找出部分竞品客户，因为对相似竞品感兴趣的客户很大可能对我们店铺同类型的商品也感兴趣。
6.如何建立用户画像
本质上看是两类问题：
对用户画像，打上标签。这是个聚类问题，将同一类用户通过算法聚合成一类。
对不同用户进行精准营销。这个问题是个预测问题，对用户行为建模，预测某一类用户会对什么更感兴趣。
先说第一类问题，聚类。这个成熟的算法很多，具体选择哪种就要看你的数据有什么了。既然叫做数据分析，那边必然是以你的数据为准基础的，看你的数据包含什么，如果能把用户映射到某一个空间里面，表示成向量（也就是高维空间的坐标），就可以kmeans，DBscan等等方法来进行聚类，如果只能给出两两用户的相似度，那么就是用基于层次聚类的算法。再重申一遍，关键是数据。
再就是对用户行为建模，同样因为不了解数据，就只能简单讲一讲普通的流程。精准营销这个问题可以规约为预测用户对什么商品感兴趣。这个建模流程简单来说应该包含下面几个过程：
a、选取特征，从历史数据中选择、构造出一些特征，假设这些特征和要预测的值之间的一个关系（这个关系也就是你的模型）。这一步是定性的过程。
b、确定模型中的未知系数，也就是定量的过程。
c、计算模型的置信度，根据测试集数据（从历史数据中选择一部分出来，分割方法很多，自行百度交叉验证）来判断预测准确性，如果符合要求，就可以用这个模型来预测用户喜欢什么，进行精准营销，如果准确性不满足要求，那么就再重复上述过程，构造更复杂的特征，或者收集更多数据，尝试其他模型。
7.四种划分用户并进行分析或测试的方法
精益数据分析的核心在于如何找到一个有意义的指标，然后通过试验改善它，直到令你满意；之后，转而解决下一个问题，或步入创业的下一个阶段。整个周期如图
8.强数据分析型创业公司所经历的生命周期
