在产品推广中，将产品精准推送至目标用户是首要目标，而这就需要构建产品的用户画像。那么，怎样构建一套完备的用户画像体系呢？
当我们有过一次网购经历后，再次登录该网站时，会看到各种同类型替代商品或互补商品的推荐；成为某个品牌的注册会员后，在特殊日子（如会员日、生日），经常会收到品牌商发来的通知或祝福短信、邮件。这些都是常见的精准化营销手段。
在互联网大数据时代，用户是企业的关键，得用户者得天下。依托庞大的用户数据构建一整套完善的用户画像，借助其标签化、信息化、可视化特性，是企业实现个性化推荐和精准营销的有力前提。
由此可见，深入理解用户画像的含义并掌握其搭建方法至关重要。
关于 “用户画像是什么”，交互设计之父 Alan Cooper 最早给出了明确定义：Persona（用户画像）是真实用户的虚拟代表，是基于一系列真实数据构建的目标用户模型。
这里要强调重点：真实、数据、虚拟。如果把真实用户和虚拟模型看作是隔江相望的两个点，那么数据就是连接二者的桥梁。
企业针对目标用户群，挖掘每个用户的人口属性、行为属性、社交网络、心理特征、兴趣爱好等数据，通过不断叠加和更新，抽象出完整的信息标签，组合搭建出一个立体的用户虚拟模型，即用户画像。
给用户 “打标签” 是用户画像的核心环节。所谓 “标签”，是一系列经过浓缩、带有特定含义的词语，用于描述真实用户的属性特征，方便企业进行数据统计分析。
不同受众群体、不同企业、不同目的下，给用户打的标签侧重点不同，需要具体情况具体分析。不过，有些标签在所有情况下都适用，需要我们理解和掌握。我将常见标签分为两大类：相对静止的用户标签和处于变化中的用户标签。相应地，由静态标签搭建的画像为 2D 用户画像，由静态标签与动态标签共同构建的则是 3D 用户画像。
人口属性标签是用户最基础的信息要素，通常可自成标签，无需企业过多建模，它构成了用户画像的基本框架。
人口属性涵盖人的自然属性和社会属性特征，包括姓名、性别、年龄、身高、体重、职业、地域、受教育程度、婚姻、星座、血型等。自然属性是先天形成的，如性别、地域、血型等，一旦形成便保持稳定；社会属性是后天形成的，相对稳定，如职业、婚姻。
心理现象包括心理和个性两大类别，也有先天性和后天性之分。对于企业而言，研究用户的心理现象，特别是需求、动机、价值观这三个方面，能够洞察用户注册、使用、购买产品的深层动机，了解用户对产品功能和服务的需求，认清目标用户的价值观标签和群体类型。
网站行为属性主要涉及用户在网站内外的操作行为，常见的有搜索、浏览、注册、评论、点赞、收藏、打分、加入购物车、购买、使用优惠券等。这些行为在不同时间和场景下不断变化，属于动态信息。企业通过捕捉用户的行为数据（如浏览次数、是否深度评论），可以对用户进行活跃程度分类，区分活跃用户和不活跃用户。
社交网络行为是指在虚拟社交软件平台（如微博、微信、论坛、社群、贴吧、twitter、Instagram）上的一系列用户行为，包括基本访问行为（搜索、注册、登陆等）、社交行为（邀请 / 添加 / 取关好友、加入群、新建群等）、信息发布行为（添加、发布、删除、留言、分享、收藏等）。
给用户打上不同的行为标签，能获取大量网络行为数据、网站行为数据、用户内容偏好数据和用户交易数据。这些数据与静态标签一起构成完整的立体用户画像，即 3D 用户画像。
企业在开发和营销过程中必须解决用户需求问题，明确 “用户是谁 —— 用户需要 / 喜欢什么 —— 哪些渠道可以接触到用户 —— 哪些是企业的种子用户”。可以说，企业对用户认知的渴望催生了用户画像，因为更了解用户才能更好地服务用户。用户画像作为真实用户的缩影，能为企业带来诸多益处。
在传统生产模式下，企业遵循 “生产什么就卖什么给用户” 的原则，这种闭门造车的产品开发模式常导致产品不受用户欢迎。如今，“用户需要什么企业就生产什么” 成为主流，企业将用户真实需求置于首位。
在以用户需求为导向的产品研发中，企业通过分析、处理和组合大量目标用户数据，初步构建用户画像，统计用户喜好和功能需求，从而设计制造更符合核心需求的新产品，为用户提供更优质的体验和服务。
精准化营销针对性极强，是企业与用户之间的点对点交互，既能提高营销效率，又能节约企业成本。
以商家做活动为例，如果商家放弃自有用户资源而选择外部渠道，也就是舍弃自家精准的种子用户，选择对品牌一无所知的活动对象，那么获取新用户的成本可能会超出预算数倍。这就是不精准营销导致的资源浪费。前面提到的网购商品推荐和品牌商的节日定时营销，都是精准营销的成功案例。
要实现精准营销，数据不可或缺。基于数据构建用户画像，利用标签让系统智能分组，获取不同类型的目标用户群，针对每个群体策划并推送针对性营销方案。
借助用户画像的信息标签，可以计算出诸如 “喜欢某类东西的人有多少”“25 - 30 岁年龄段的女性用户占比多少” 等信息。
在用户画像数据基础上，通过关联规则计算，可以由 A 联想到 B。沃尔玛 “啤酒和尿布” 的故事就是用户画像关联规则分析的典型案例。
认识到用户画像的价值后，我们来看看如何搭建用户画像。
对网站、活动页面进行 SDK 埋点。具体做法是预先设定好要获取的 “事件”，让程序员使用 Java、Python、PHP、Ruby 等语言在前 / 后端模块开发，将 “事件” 嵌入相应页面，用于追踪和记录用户行为，并将实时数据传送到后台数据库或客户端。这里的 “事件” 是指用户在产品、网站页面上的一系列行为，由数据收集方（如产品经理、运营人员）描述成特定的字段标签。
以 “网站购物” 为例，为抓取用户人口属性和行为轨迹，在做 SDK 埋点前，先预设用户购物时可能的行为，如访问首页、注册登录、搜索商品、浏览商品、价格对比、加入购物车、收藏商品、提交订单、支付订单、使用优惠券、查看订单详情、取消订单、商品评价等。
将这些行为用程序语言描述后，嵌入网页或商品页相应位置形成触点，当用户点击时，就会产生网络行为数据（如登陆次数、访问时长、激活率、外部触点、社交数据）和服务内行为数据（如浏览路径、页面停留时间、访问深度、唯一页面浏览次数等）。这些数据反馈到服务器后，存放在后台或客户端，成为我们所需的用户基础数据。
然而，多数情况下，通过埋点获取的基础数据范围广，用户信息不够精确，无法进行更细化分类。例如，只知道用户是男性，却不清楚其年龄范围。这时，可以利用 A/B test 来获取更详细、有区分度的数据。
A/B test 是将两个或多个不同产品 / 活动 / 奖品等推送给同一 / 批人，然后根据用户选择获取进一步信息数据。例如，为确定男性用户年龄层，可借助 A/B test，在奖品页面进行 SDK 埋点后，分别准备适合 20 - 30 岁和 30 - 40 岁两个年龄段的礼品，若用户选择前者，就能得出这是一位 20 - 30 岁男性用户的结论。这就是数据获取方法，有了用户数据后，下一步就是数据分析处理 —— 数据建模。
定性化研究方法用于确定事物性质，是描述性的；定量化研究方法用于确定对象的数量特征、数量关系和数量变化，是可量化的。
在用户画像中，定性方法表现为对产品、行为、用户个体的性质和特征进行概括，形成产品标签、行为标签、用户标签。定量方法则是在定性基础上，给每个标签赋予特定权重，最后通过数学公式计算出总标签权重，从而形成完整用户模型。所以，用户画像的数据建模是定性与定量的结合。
给用户行为标签赋予权重。用户行为可以用 4W 表示：WHO（谁）、WHEN（什么时候）、WHERE（在哪里）、WHAT（做了什么），具体分析如下：
WHO（谁）：用于定义用户，明确研究对象，主要用于用户分类和划分用户群体。网络上的用户识别信息包括但不限于用户注册的 ID、昵称、手机号、邮箱、身份证、微信微博号等。
WHEN（时间）：这里的时间包括时间跨度和时间长度两个方面。“时间跨度” 以天为单位计算，指某行为发生到现在的间隔时长；“时间长度” 用于标识用户在某一页面的停留时间。越早发生的行为标签权重越小，越近期权重越大，这就是 “时间衰减因子”。
WHERE（在哪里）：指用户行为发生的接触点，包括内容和网址。内容是用户作用的对象标签，如小米手机；网址是行为发生的具体地点，如小米官方网站。权重加在网址标签上，例如购买小米手机，在小米官网购买权重计为 1，在京东购买计为 0.8，在淘宝购买计为 0.7。
WHAT（做了什么）：指用户的行为，根据行为深入程度添加权重。例如，购买行为权重计为 1，收藏行为计为 0.85，仅浏览行为计为 0.7。
当单个标签权重确定后，可利用标签权重公式计算总用户标签权重：标签权重 = 时间衰减因子 × 行为权重 × 网址权重。
例如，A 用户今天在小米官网购买了小米手机，B 用户七天前在京东浏览了小米手机。通过这种方式可得出单个用户的标签权重，打上 “是否忠诚” 的标签。通过对多个用户进行数据建模，能更广泛地覆盖目标用户群，为他们打上标签，然后按标签分类：总权重达到 0.9 以上的可归为忠实用户，他们都购买了该产品…… 这样企业和商家就能依据相关信息开展更精准的营销推广和个性化推荐。