用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。那么，我们要怎么去应用这些用户画像呢？
一、用户画像是什么？
用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。每一个标签及标签权重即为用户的一个向量，一个用户可以理解为超维空间的多个向量（标签）的和。即通过数据方式来描述用户，最终将一个用户表达为计算机可识别的用户，以此为基础实现用户画像应用。
二、用户画像应用
当一个用户可以被计算机全面识别理解后，我们就可以用来做精准营销、个性化推荐等基础性工作，其作用总体包括：
精准营销：根据用户特征，针对特定群体，利用短信、邮件、AppPush、App弹窗、微信公众号、微信群等方式进行营销。
用户统计：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户画像群体的分布特征。
个性推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升转化率。
行业研究：通过用户画像分析可以了解行业动态，比如人群消费习惯、消费偏好分析、不同地域品类消费差异分析。
三、用户画像如何提供以上能力
用户画像有以上应用，到底是怎么应用的呢？我们一个一个解释一遍。
1. 精准营销
根据用户特征，针对特定群体，利用短信、邮件、AppPush、App弹窗、微信群、h5等方式进行营销。如果没有用户画像，也能完成 短信、邮件、App push、App弹窗的运营，但是不能保证资源有效利用。
为什么这么说呢？在平台用户量低的时候，我们很容易做运营，我们将运营内容全量推送，发现召回率、转化率并不会很低。这是因为初期我们的用户都很精准，所以召回率转化率不会很低。但随着用户基数的逐渐增加，这种运营效果越来越差转化率越来越低。
因为随着用户量的增加，推送的内容只能打动那一小撮人，为了提升转化效率，运营位资源的有效利用，我们需要借助用户画像的能力。
（1）分群运营
分群运营是此问题很好的解决方案，通过用户画像的标签筛选，筛选出不同的用户群，筛选出的用户群每个用户群都有一个唯一id。通过push或弹窗配置平台，输入用户群id实现精细化运营。
（2）自动化运营
我们让用户群的粒度无限小，最后会小到一个个体。我们针对每个个体去做push或者弹屏，运营效率还是太低了。基于用户画像的自动化运营就发挥了作用。我们一起看一下如何实现自动化运营。
粗略定向（城市：北京；属性：新用户）此类设置为满足业务需求，比如暑假低价课的广告弹屏只针对没有购买过长期班的用户。这是通过事实标签来实现。
精细定向：设置偏好标签及标签值来确定精细用户群。原理很简单，给一个策略设定好偏好标签及标签权重后，相当于在空间中绘制出一个用户向量，我们用真实用户向量与此向量进行空间向量的余弦相似计算，或欧几里得距离计算相似性，最相似的则优先显示。如果相同相似则按创建时间倒叙展示。这样设定权重好处：可以很好的避免不同业务部门App内流量的争抢。只有设置的标签才参与计算，不是全部标签进行相似计算。
设定push文案
push落地页
设定开始结束机制（时间控件）
举个例子：
背景：
暑期结束场景下的收心课；
针对没有报名暑假长期班的学员；
目标100w。
配置：
设置人群；没有购买2019暑期长期班的学员；
设置权重：数学：0.8，短期班：0.7，暑假：0.6，开学：0.5；
设置文案：亲爱的斑马家长你好，暑假愉快，学而思网校为您准备9.9元 10节暑假数学收心课；
设置落地页：www.banma.com；
时间设置：2019/08/23-2019/08/24。
图示：
2. 用户统计
根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布、走势等。
这里不做多阐述，参考神策。截图大家参考下，数据已脱敏。
北京的-完成加入购物车操作的用户数的趋势
3. 用户组成
4. 个性推荐
个性推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升转化率。
这里重点介绍一下推荐系统，其他与推荐逻辑大同小异。
推荐系统一般都分为召回和排序两个阶段。因为全量物品（Item）通常数量非常大，无法为一个用户（User）逐一计算每一个物品（Item）的评分，这时候就需要一个召回阶段，其实就是预先筛选一部分物品（Item），从而降低计算量。
海量 Item——召回（粗排）——候选集合——排序（精排）——排序列表——规则（多样化推荐）——推荐结果。用户画像除了用于最终匹配评分，还要用于在召回。
那用户画像是如何做召回？
我们先看一下用户画像的用户偏好表存储（用户画像有好多个表，文章画像构建部分会 具体讲解）：
当我们购买完成一个带有标签id1，标签id2，标签id3的课程后，一般在购买完成页会有交叉销售场景，我们通过用户偏好表的标签及权重，基于用户相似，或Item相似的协同过滤算法，召回一部分课程。这就是粗排的过程。简单理解就是找到用户喜欢的其他课程。
协同过滤：基于用户相似推荐：欧几里得距离公式 userid1 与 userid2 =√ [（标签id1-标签id1）^2+（标签id2-标签id2）^2+···（标签idn-标签idn）^2]
5. 行业研究
行业研究就很好理解了，我们经常听到马爸爸拿一些标签，说明这个地方人喜欢买什么？为什么喜欢买？那个地方人喜欢买什么？为什么喜欢？
最经典的就是每年的年终总结H5，这里不多赘述此内容。
四、用户画像的搭建
1. 标签管理系统搭建
（1）什么是标签管理系统？
我们说一下什么是标签管理系统：
一般来说，将能关联到具体用户数据的标签，称为叶子标签。对叶子标签进行分类汇总的标签，称为父标签。父标签和叶子标签共同构成标签体系，但两者是相对概念。
用户画像的本质就是使用不同的标签来描述表达用户，那这些标签是需要我们事先准备好的。每个用户都有成千上万的标签，我们维护这么大量级的标签，我们事先一定要构建健康的标签体系。
所以标签管理系统要支持对所有标签查询、修改、删除、新增等功能，主要包括两个模块：标签树和标签查询。
标签树：以树形结构呈现标签之间的层级和逻辑关系，并且可以对任意层级的标签名进行修改、新增和删除；
标签查询：对某一时间段内的标签进行查询，可以实现自定义查询及条件查询，并实现标签下的用户数的统计功能。
（2）标签管理系统功能列表
（3）标签管理系统页面
（4）标签体系构建
1）偏好标签
偏好标签简单理解就是用户对不同标签的喜爱程度，通过用户与标签的行为类型、行为权重、行为次数、时间衰减来计算。后续具体讲解如何进行计算，偏好标签是做推荐及策略方向最重要的标签。
2）标签梳理
该类标签梳理很简单，在我们数据仓库中有不同的内容表。
比如课程数据库表结构：上课地点、上课时间、老师、价格、大纲、评价……
比如教师表结构：教师名称、有无教师资格证、年龄、学校、性别、评价……
这里每一个字段就是一个偏好标签，当然字段值也是标签。因为用户与这些内容发生关系，间接是与这些标签放生关系。
偏好标签是固定的，不可编辑修改，数据来源于平台内全部内容的表字段及值。
3）事实标签
业务标签：来自业务的标签（在读、非在读、长期班、短期班、语文、数学、英语……）
规则标签：自定义的规则（低潜、中潜、高潜、核心）
4）标签梳理
用户基本信息，用户业务信息，工作人员定的规则，比如：低潜用户，中潜用户……
5）预测标签
这种标签是根据机器学习预测的标签，比如：流失预测，虎跃预测，转化预测等等。
6）标签梳理
很简单，就那么几个想预测啥就添加啥。标签之间具有层级的逻辑关系，1级是2级标签的父级，2级是1级标签的子级，以此类推。
偏好标签不可编辑，数据来源于不同内容的表字段。事实标签与预测标签当子级有内容则父级不可删除，但可编辑。只有下一级没有任何子级的情况下可以进行删除操作。
2. 标签权重计算
这里的每一个用户每一个标签下的值就是标签的权重，这节讲解的重点。
这个标签权重影响着对用户属性的归类，属性归类不准确，接下来给予画像对用户进行推荐，精细化运营也就无从谈起。
（1）基于TF-IDF算法计算
1）算法思想
用户标签权重，是由该标签对用户本身的重要性与该标签在业务上，对用户的重要性共同决定的。
标签本身对用户重要性是通过TF-IDF计算得到的，业务权重是通过用户对标签的行为来决定的，即：
用户标签权重 = 行为类型权重 * 行为次数 * 时间衰减* TF-IDF权重
2）简单理解
就是用户对一个标签，会有不同行为触达，不同的行为有不同的难度，比如：购买行为大于搜索行为，搜索行为大于浏览行为。所以不同行为就会有不同的权重，行为越难代表越喜欢，权重越高同理行为次数越多也代表越喜欢。
标签对这个用户来说越稀有代表越喜欢，喜欢程度会随着时间的增加而逐渐降低，通过这个公式计算标签权重。
3）行为类型权重
用户浏览、点击、搜索、收藏、分享、下单、购买等不同行为对用户而且有不同重要性，一般使用层次分析法定义一个基本行为权重。
4）行为次数
这里的行为次数表示每一种行为的次数。
5）时间衰减
时间衰减是指用户的行为会随着时间的流逝，用户偏好会不断减弱。在建立与时间衰减相关的函数时，我们可套用牛顿冷却定律数学模型。
牛顿冷却定律：
较热物体的温度F(t)是随着时间t的增长而呈现指数型衰减，其温度衰减公式为：F(t)=T×exp(-α×t)。
T：初始温度
α：衰减常数即冷却系数，是自己定义的数值，一般通过回归可计算得出
t：时间间隔
冷却系数如何计算呢？
冷却系数是自己定义的数值，一般通过回归可计算得出。例如：初始温度100摄氏度，1小时后的温度为85摄氏度，即 85=100×exp(-α×1)，求得α=0.16。
在这里我们用R语言来模拟一下这个冷却曲线：
wendu<-100*exp(-0.16*t) t<-c(1:100) plot(x)
t<-c(1:100)
plot(x)
6） TF-IDF
TF-IDF = TF*IDF
TF：
这里我们用 N（P，T）表示一个标签T被用于标签用户P的次数。
TF（P，T）表示这个标记次数在用户P所有标签标记次数中所占的比例。
TF（P，T）= N（P，T）/Σ N（P，Ti）
IDF：
如果一个标签出现的几率很小，同时被用户标记某个用户，这就使得该用户与该标签T之间的关系更加紧密。
IDF（P，T）=Σ Σ N（Pi，Ti）/ΣN（Pi，T）
7）计算方式
举例子：
用户“斑马”，对于标签“语文”的标签权重计算：假设我们之前定义 冷却系数α=0.16。
行为表：
2019-08-22
2019-08-23
2019-08-24
2019-08-22：语文=2*0.1+2*0.2+3*0.6+1*0.5+1*0.9=3.8
2010-08-23：语文=3.8 *exp（-α*1）+1*0.1+1*0.2+2*0.6+1*0.5+0=5.067718
2010-08-23：语文= 5.067718*exp（-α*1）= 4.318424
3. 标签存储
（1）事实标签
1）基础信息表
2）事实标签-在读信息表
3）事实标签-报名信息表
4）事实标签-规则信息表
