鲁达 传统的大数据领域中有用户画像技术，技术发展相对也比较成熟。
在互联网的业务实践中，用户画像技术也取得了很好的应用成效。比如电商网站通过用户画像进行商品的精准营销等等。再比如现在大火的抖音APP，通过分析用户的行为数据，进一步推荐用户感兴趣的视频，进一步增强用户的粘性。
在金融和电信领域，用户画像技术也是已经取得了比较好的成效，比如银行通过用户画像定位目标人群，进行理财产品的精准营销。电信运营商，通过人员的用户画像技术，对目标客户进行分析，进一步进行各种套餐的推荐和应用。
那大数据分析中的应用画像能否在传统的MIS系统中进行应用和拓展呢？我认为还是很有必要的。下面进行具体的分析。
基本概念解释
首先来看一下业界对用户画像技术的一些基本定义、场景描述、操作流程。
1. 什么是用户画像技术
用户画像是建立在一系列真实数据之上的目标群体的用户模型，即根据用户的属性及行为特征，抽象出相应的标签，拟合而成的虚拟的形象，主要包含基本属性、社会属性、行为属性及心理属性。需要注意的是，用户画像是将一类有共同特征的用户聚类分析后得出的，因而并非针对某个具像的特定个人。
2、为什么要构建用户画像？
无论是设计产品还是日常运营，了解目标用户真实的情况，找到他们行为的特点与动机，并将其按一定逻辑进行分类与分层，是每一个APP团队工作的基础，也决定了他们能否精准抓住受众，以差异化服务致胜。
3、用户画像应用在哪些方面？
（1）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，辅助以关怀、挽回、激励等策略。这样就避免了全量投放造成的浪费，而且可以针对某次活动的拉新用户进行分析，评估活动效果，看是否和预期相符。
（2）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。
比如：电商网站为准妈妈推荐婴儿用品，为摄影爱好者推荐镜头。在个性化推荐中，计算出用户标签是其中一环，还需要有协同过滤等推荐算法实现物品的推荐。
精准广告可以根据年龄、区域、人群、天气、游戏爱好、内容偏好、购物行为、搜索行为等定向选择进行投放。例如腾讯的广点通，支持用户在微信、QQ精准投放。
（3）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。
（4）产品设计
产品方面，它用于辅助产品设计，评价需求是否有价值。把用户进行分群，依据不同用户群特性就行产品设计和测试验证，别让产品偏离核心用户的需求。
（5）匹配度判断
查看某次市场推广的用户画像，事后分析是否和预期一致，判断推广渠道和产品目标用户群的匹配度。
（6）用户分析
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。
4、用户画像的基本流程是什么？
（1）明确画像目的
确认画像目的是非常基础也是关键的一步。要了解构建用户画像期望达到什么样的运营或营销效果，从而在标签体系构建时对数据深度、广度及时效性方面作出规划，确保底层设计科学合理。
（2）数据采集
只有建立在客观真实的数据基础上，生成的画像才有效。在采集数据时，需要考虑多种维度，比如行业数据、全用户总体数据、用户属性数据、用户行为数据、用户成长数据等等，并通过行业调研、用户访谈、用户信息填写及问卷、平台前台后台数据收集等方式获得。
（3）数据清洗
就自身APP平台采集到的数据而言，可能存在非目标数据、无效数据及虚假数据，因而需要过滤原始数据。
（4）特征工程
特征工程能够将原始数据转化为特征，是一些转化与结构化的工作。在这个步骤中，需要剔除数据中的异常值（如电商APP中，用户可能用秒杀的手段以几分钱价格获得一部手机，但用户日常购物货单价都在千元以上）并将数据标准化（如消费者购物所使用的货币包括人民币与美元，需要将货币统一）和判断的标签标准化。
（5）数据标签化
在这一步我们将得到的数据映射到构建的标签中，并将用户的多种特征组合到一起。标签的选择直接影响最终画像的丰富度与准确度，因而数据标签化时需要与APP自身的功能与特点相结合。如电商类APP需要对价格敏感度相关标签细化，而资讯类则需要尽可能多视角地用标签去描述内容的特征。
（6）生成画像
数据在模型中运行后，最终生成的画像可以用下图等可视化的形式展现。对于APP来说，用户画像并非是一成不变的，因而模型需要具有一定灵活性，可根据用户的动态行为修正与调整画像。
在项目实践中那些可以用用户画像
根据用户画像的典型应用场景，结合我日常工作的实际场景。我们举几个简单的例子：
（1）统计分析的需求：
传统的MIS系统中的查询功能界面，大部分是固定几个查询条件，然后进行数据表的字段查询。当业务复杂度逐渐增加以后，对数据检索的需求会越来越多，越来越复杂，那这种情况怎么应对？这种情况下，可以通过标签来代替查询条件，通过标签检索来代替查询条件。
具体的交互逻辑上，可以参考淘宝等购物网站中关于商品检索的界面交互逻辑。
（2）数据展示的需求
在产业经济等业务领域中，对企业进行用户画像的构建，可以通过用户画像对企业的基本信息进行一次性展示，同时能够通过对企业进行各种个性化检索，用来辅助产业招商、产业监测等工作。
在住建领域，对住建项目和住建企业进行用户画像构建等，可以辅助住建局单位对项目和单位进行过程监控。
在物联网领域，对物联设备进行基本的用户画像构建等，对设备的全生命周期进行监控。
（3）数据关联的需求
典型的场景比如：用户在处理一个物联设备的维修工单以后，需要对相关的表单进行关联，展示该设备前期的所有维修工单，展示该故障类型对应的所有的维修工单等，进一步进行后续的跟踪和落实等。
用户画像技术的基本逻辑
在实际的业务应用过程中，我们对用户画像技术进行了归纳和整理，主要分为人工画像和自动画像两种技术。
（一）人工画像（标签标注）
在一些领域，业务对象不好或者不需要进行前期的标注时，人工标签画像也是一种很常规的做法。
比如：在传统的博客系统中，文章作者可以对新发布的文章进行标签标注，用来区分该文章相关的分类等。对文章后续的整体检索也有一定的帮助。
再比如：印象笔记中，作者可以对新创建笔记进行标签标注，这对每个人后续整理笔记有很大的帮助。
这种标注技术，可以不需要考虑标签的自动生成，在标签的标注时，可以由用户基于他的个人理解进行标注，生成标签标注也会更符合用户自己的习惯。
（二）自动画像
比如针对企业的企业画像，可以通过企业的基本信息进行指标提取，比如企业性质、企业规模等等。然后可以通过对企业基本信息进行进一步提取，获取更多的用户画像标签。比如：通过企业成立年限判断企业是不是初创企业、成长型企业，长寿企业等等。
这种设计模式下，对原始数据的依赖比较重，需要样本数据足够丰富，才能保证设计的标签能够自动标注。
这种设计模式下，需要提前对业务模型进行建模，这种设计思路更符合互联网上传统的一种理论模型。在实际的实践过程中，可以参考和学习的材料也比较多。
在这种模式下，现在出现了很多可以通过机器学习的方式进行自动标签标注的方式，但是这种要求入门门槛就比较高了，感兴趣的同学可以自己去百度。
这种模式下，标签本身又分为几个级别，如下图所示，建议后续可以先把最基本的标签完成以后再逐步开展标签相关的标注工作。
文章参考：