【数据分析技术系列】之用户画像数据建模方法
用户画像的基础、原理、方法论(模型)和应用
用户画像的基础、原理、方法论（模型）和应用用户画像（User Profile）的本质是用户需求描述，一种刻画用户需求的模型。
用户画像在推荐系统、广告系统、商业分析、数据分析、用户增长、用户研究、产品设计、数据运营、精准营销、量化风控等领域得到广泛应用。
本文系统地构建了用户画像的知识体系。
首先，介绍了用户画像的概念、要素、关系、意义等用户画像的基础知识；接着，介绍了用户画像的方法、分层标签、AARRR 用户分层模型、分群标签、RFM 用户分群模型、个性化标签、人工打标签、机器打标签、混合打标签、用户画像的原则、用户画像的检验等用户画像原理；然后，介绍百度的用户画像、微博的用户画像、今日头条的用户画像；最后，指出用户画像在推荐系统中的应用，以及用户画像的本质和用户画像面临的挑战。
本文目录如下：1. 用户画像基础1.1. 用户1.2. 用户画像的概念1.3. 用户画像的要素1.4. 用户画像的关系1.5. 用户画像的意义2. 用户画像原理2.1. 用户画像的方法2.2. 分层标签2.2.1. AARRR 用户分层模型 2.3. 分群标签 2.3.1. RFM 用户分群模型 2.4. 个性化标签2.4.1. 人工打标签2.4.2. 机器打标签2.4.3. 混合打标签2.5. 用户画像的原则2.6. 用户画像的检验3. 用户画像应用3.1. 百度的用户画像3.2. 微博的用户画像3.3. 今日头条的用户画像4. 用户画像总结4.1. 推荐系统的用户画像4.2. 用户画像的本质4.3. 用户画像的挑战接下来，让我一起走进用户画像的世界。
用户画像的基础、原理、方法论（模型）和应用1. 用户画像基础用户画像基础的目录1.1. 用户要想搞清楚用户画像，首先得搞清楚用户。
比如：你的用户的特征是什么？怎么描述用户需求？不同阶段的用户特征又是什么？用户关于用户还有用户关键路径、用户旅程（customer journey map）、用户决策过程等等。
社交媒体中的用户画像建模技术使用教程
社交媒体中的用户画像建模技术使用教程社交媒体已经成为人们日常生活中不可或缺的一部分，各种社交平台上的用户数量不断增加。
为了更好地了解和分析社交媒体用户的行为和兴趣，用户画像建模技术应运而生。
本文将介绍如何使用用户画像建模技术，以便更好地理解和服务社交媒体用户。
一、什么是用户画像建模技术用户画像建模技术是通过分析和挖掘用户在社交媒体上的行为、兴趣和需求等数据，构建用户的详细描述和特征，从而帮助企业和机构了解用户的需求和喜好，提供个性化的服务和产品。
用户画像建模技术可以从多个维度对用户进行描绘，例如年龄、性别、地理位置、兴趣爱好、购买行为等。
通过深入挖掘用户数据，用户画像能够更加全面和准确地描述用户的特征，为企业和机构提供更有针对性的决策和推荐。
二、用户画像建模技术的应用场景用户画像建模技术广泛应用于各个领域，如广告投放、市场营销、产品推荐等。
在社交媒体领域，用户画像建模技术可以帮助企业和机构更好地了解和服务用户，提高用户粘性和产品销售。
1. 广告投放用户画像建模技术可以根据用户兴趣、需求和行为数据，为广告主提供更精准的广告投放服务。
通过分析用户的画像特征，广告主可以将广告投放到对目标受众最具吸引力的社交媒体平台，提高广告曝光率和转化率。
2. 市场营销用户画像建模技术可以帮助企业和机构更好地了解用户需求和喜好，从而制定更有针对性的市场营销策略。
通过分析用户的画像特征，企业可以了解用户的购买决策、消费习惯和品牌偏好等信息，为用户提供更满意的产品和服务。
3. 产品推荐用户画像建模技术可以根据用户的兴趣和行为数据，为用户提供个性化的产品推荐。
通过分析用户的画像特征和历史行为，系统可以智能地推荐与用户兴趣相关的内容、商品或服务，提高用户体验和购买意愿。
三、使用用户画像建模技术的步骤在使用用户画像建模技术前，我们需要收集和整理用户在社交媒体上的行为、兴趣和需求等数据。
一般来说，我们可以通过以下步骤进行用户画像建模：1. 数据收集数据收集是用户画像建模的基础，我们需要收集用户在社交媒体上的行为和兴趣等数据。
构建用户画像的数据分析流程
构建用户画像的数据分析流程第一部分用户画像是什么用户画像在网络上广泛被定义为“根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。
”总结来说，用户画像的核心是为用户打标签。
也就是将用户的每个具体信息抽象成标签，然后利用这些标签将用户具象化，从而为用户提供个性化服务。
最终的导向还是提取用户共性的信息，并提供战略决策。
第二部分用户画像分析的价值用户行为给企业的产品和服务带来了一系列的改变和重塑，其中最大的变化就是用户行为在企业面前是“可追溯”、“可分析”的。
企业内保存了大量的原始数据和业务数据，这是企业经营活动的真实记录，随着大数据技术的深入研究与应用，企业的关注点日益聚焦在如何利用大数据来为精细化运营和精准营销服务，而要做精细化运营，首先要建立企业的用户画像，对其进行分析，赋能产品、提升公司的业务决策。
第三部分如何分析用户画像在企业搭建起“用户画像体系”后，我们该如何围绕用户画像的数据进行分析和布局呢，如何利用用户画像赋能产品、提升公司的业务决策呢？值得注意的是，业务处在不同阶段，其侧重点也不同，在构建用户画像之前应依照业务现状排列需求优先级。
并且用户画像并非一成不变，市场不断变化，客户的需求以及兴趣点也在变化，业务需要跟进客户的变化不断调整用户画像的策略。
分析流程如下：1、目标解读在建立用户画像前，首先需要明确用户画像服务于社群的对象，再根据实际需求，明确未来社群的建设目标和用户画像分析之后的预期效果。
例如：不同业务方对用户画像的需求有不同的侧重点，就运营人员来说，他们需要分析用户的特征、定位用户行为偏好，做商品或内容的个性化推送以提高点击转化率，所以画像的侧重点就落在了用户个人行为偏好上；就数据分析人员来说，他们需要分析用户行为特征，做好用户的流失预警工作，还可根据用户的消费偏好做更有针对性的精准营销。
2、明确分析维度/指标口径我们已经明确了用户画像的服务对象与应用场景。
绘制用户画像的方法
绘制用户画像的方法
绘制用户画像是通过收集、整理和分析用户的各种数据和信息，以明确用户的特征和行为习惯的过程。
以下是几种绘制用户画像的方法：
1. 常规调研：进行问卷调查、深度访谈或焦点小组讨论，收集用户的背景信息、兴趣爱好、行为习惯等数据。
2. 数据分析：通过分析用户的网站访问记录、购买历史、社交媒体行为、搜索习惯等大量数据，以挖掘用户的特征和行为模式。
3. 用户行为追踪：利用追踪工具，如Google Analytics等，收
集用户在网站上的行为数据，如点击量、停留时间、页面转化率等，以了解用户的兴趣和喜好。
4. 社交媒体监听：通过监控用户在社交媒体平台上的活动，如推文、评论、转发等，了解用户对特定品牌或产品的看法和态度。
5. 人口统计数据：利用公开的人口统计数据，如年龄、性别、地理位置等信息，对用户进行基本分析，以确定用户的特定特征。
6. 人工智能和机器学习：利用人工智能和机器学习算法，对用户的大量数据进行模式识别和预测分析，以准确绘制用户画像。
以上方法可以结合使用，以获取更全面和准确的用户画像。
绘制用户画像不仅有助于企业了解其目标用户，还能指导产品设计、市场营销和客户服务等决策。
用户画像数据建模方法
用户画像数据建模方法
用户画像数据建模是指通过收集和分析用户的个人信息、行为和偏好等数据，对用户进行分类和描述的过程。
以下是几种常见的用户画像数据建模方法：
1. 基于人口统计学特征的建模：这种方法通过收集用户的基本信息，如年龄、性别、地域、职业等，对用户进行分类和描述。
这种方法适用于广告定向、市场细分等场景。
2. 基于行为数据的建模：这种方法通过收集用户的网页浏览、搜索、购买记录等行为数据，分析用户的兴趣和行为模式，对用户进行分类和描述。
这种方法适用于个性化推荐、精准营销等场景。
3. 基于社交媒体数据的建模：这种方法通过分析用户在社交媒体上的社交关系、活动记录等数据，揭示用户的社交网络结构和社交行为，对用户进行分类和描述。
这种方法适用于社交网络分析、口碑营销等场景。
4. 基于情感分析的建模：这种方法通过分析用户在社交媒体、评论等渠道上的情感表达，如情绪、态度等，对用户进行情感描述和情感分类。
这种方法适用于品牌声誉管理、危机管理等场景。
5. 基于机器学习的建模：这种方法通过使用机器学习算法，对用户的多维度数据进行训练和预测，对用户进行分类和画像建模。
这种方法适用于需要预测用户
行为和兴趣的场景，如个性化推荐、风险评估等。
需要注意的是，用户画像数据建模是一个动态的过程，需要不断地更新和优化模型，以适应用户的变化和需求。
同时，在进行用户画像数据建模时，需要充分保护用户的隐私和个人信息安全。
基于大数据的用户画像模型分析
基于大数据的用户画像模型分析在当今这个信息爆炸的时代，我们每天都会接触到大量的数据，而这些数据的价值很大程度上取决于我们如何进行分析。
针对不同用户的需求和行为进行用户画像的构建，也成为了企业、政府、学术机构等各行各业所重视的一个议题。
一、大数据背景下用户画像的发展概述随着互联网的发展，用户行为数据的收集已经变得越来越方便和广泛。
在这样的背景下，用户画像模型的研究也稳步发展，并且在多个领域得到了应用。
用户画像模型建立的目的是为了更好地理解用户需求，并对其进行个性化推荐和服务。
在这个模型中，我们通过对用户的兴趣、特征、消费习惯、行为路径等信息的分析，为用户提供更好的用品体验。
二、大数据与用户画像的关系作为一个基于大数据的分析方法，用户画像需求海量而有代表性的数据来进行建模，其中，数据来源可以是企业内部收集到的历史数据，也可以是对用户行为的实时分析。
在大数据时代，数据的质量和数量显得非常重要。
只有基于大数据的分析，才能够对潜在的用户需求进行深入的挖掘。
三、数据的收集、处理和分析对于用户画像数据来说，收集和处理数据是非常重要的步骤。
数据的收集可以从多个维度进行，比如人口统计信息、访问记录、社交媒体活动和在线购物习惯等。
这些数据可以在洞察用户需求、预测未来行为、个性化营销等方面得到应用。
对于数据处理，现阶段主要有如下几种方式:1. 关联数据并筛选特征——通过对大量数据的关联和筛选，找到和用户行为相关的特征，并为特定用户的画像提供有力支持。
2. 建立分类模型——使用机器学习算法建立分类模型，以预测特定用户的偏好和需求。
3. 可视化数据——通过可视化的方式将数据展现给业务方和客户，使其更容易理解和使用。
四、用户画像的应用场景在模型建立的基础上，用户画像还可以在众多领域中发挥作用，比如：1. 推荐引擎——将用户画像与用户历史行为进行关联，给出个性化的推荐建议。
在这个场景下，我们可以将一家电商网站作为例子，根据用户的行为信息，推荐相关的商品，从而提高用户转化率和忠诚度。
用户画像技术及其应用分析
用户画像技术及其应用分析随着互联网和大数据技术的不断发展，用户画像技术逐渐成为了商业和营销领域中的重要工具。
用户画像技术是指通过收集和分析用户的各种数据，包括行为、兴趣、偏好等，来形成对用户的描述和分析。
这种技术可以帮助企业更好地了解和洞察用户，从而进行精准的营销和精准的产品设计。
一、用户画像技术的原理和方法用户画像技术的原理是通过收集用户的数据，包括用户的基本信息、行为轨迹、兴趣爱好等，然后通过数据挖掘和分析技术来对这些数据进行处理和分析，从而生成用户画像。
用户画像的生成过程可以分为数据收集、数据处理和用户画像建模三个阶段。
1.数据收集：用户的数据可以通过多种途径进行收集，比如用户在网站上的浏览、搜索和点击行为，用户在移动应用上的使用行为等。
用户在社交媒体平台上发布的内容和互动也可以作为用户数据进行收集。
通过这些数据的收集，可以得到用户的基本信息、行为数据和兴趣爱好等多方面的信息。
2.数据处理：收集到的用户数据需要进行预处理和清洗，以去除噪声和无效数据。
然后可以利用数据挖掘和机器学习技术对数据进行分析和建模，从而找出用户之间的相似性和差异性，形成用户画像。
3.用户画像建模：最后可以利用机器学习等技术，将用户的各种数据进行统一建模和描述，生成用户画像。
用户画像可以包括用户的基本属性、用户的行为特征、用户的兴趣爱好等多个方面的描述信息。
二、用户画像技术的应用领域用户画像技术可以在多个领域中进行应用，包括营销、产品设计、推荐系统等。
1.营销：用户画像技术可以帮助企业更好地了解用户的需求和兴趣，从而进行精准的广告投放和精准的营销策略设计。
通过用户画像技术可以对用户进行细分和分类，从而实现对用户的个性化营销。
可以根据用户的兴趣爱好和购买行为进行精准的定向广告投放，提高广告的转化率。
2.产品设计：用户画像技术可以帮助企业更好地了解用户的需求和喜好，从而进行精准的产品设计。
通过对用户画像的分析可以发现用户的偏好和需求，从而指导企业进行产品的开发和设计。
用户画像和用户标签的使用和搭建方法
一、用户画像和用户标签的概念用户画像和用户标签是数字营销中非常重要的概念。
①用户画像是一个基于用户数据和行为的综合描述，可以帮助营销人员更好地了解用户。
②用户标签是一种用于描述用户特征和行为的识别标志，可以用于更好地区分和分类用户。
使用这些概念，营销人员可以更好地理解用户需求，并提供更加个性化的产品和服务。
1、什么是用户画像用户画像是一个基于用户数据和行为的综合描述。
这包括用户的年龄、性别、教育程度、职业、兴趣爱好、购买历史等信息。
通过这些数据，营销人员可以更好地理解用户的需求和购买行为，并提供更加精准的产品和服务。
用户画像可以通过各种方式收集，包括调查问卷、社交媒体、网站分析和第三方数据。
然后，这些数据可以被整理、分析和建模，以生成一个用户画像。
2、什么是用户标签用户标签是一种用于描述用户特征和行为的识别标志。
这些标签可以用于区分和分类用户，以便更好地为他们提供个性化的服务和产品。
例如，标签可以描述用户的兴趣爱好、购买历史、地理位置和行为习惯等。
用户标签通常通过跟踪用户的行为和数据来生成。
这些标签可以帮助企业更好地理解用户的需求和行为，并为他们提供更好的体验。
3、二者的区别用户画像和用户标签的区别主要在于以下几点：①数据来源：用户画像需要分析大量的用户数据，包括用户的个人信息、行为数据等多方面的信息。
而用户标签只需要对用户的某些行为或属性进行分类得出。
②描述维度：用户画像可以描述用户的多个方面，如年龄、性别、教育程度、职业、收入等。
而用户标签通常只描述用户的某一个或几个方面，如兴趣、行为习惯等。
③应用场景：用户画像通常在市场营销等领域被广泛应用，而用户标签则在电商推荐、社交网络等领域更加常见。
综上所述，用户画像和用户标签虽然都是用于描述用户特征和行为的概念，但它们在数据来源、描述维度和应用场景等方面存在着明显的区别。
二、搭建用户画像和用户标签体系的流程和方法如果你想要更好地了解你的用户并为他们提供更好的服务，那么搭建用户画像和用户标签体系是非常重要的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【数据分析技术系列】之用户画像数据建模方法目录一、什么是用户画像？ (1)二、为什么需要用户画像 (1)三、如何构建用户画像 (2)3.1数据源分析 (2)静态信息数据 (3)动态信息数据 (3)3.2目标分析 (3)3.3数据建模方法 (4)四、总结： (6)从1991年Tim Berners-Lee发明了万维网（World Wide Web）开始到2011年，互联网真正走向了一个新的里程碑，进入了“大数据时代”。
经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。
伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。
相比传统的线下会员管理、问卷调查、购物篮分析，大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。
伴随着对人的了解逐步深入，一个概念悄然而生：用户画像（UserProfile），完美地抽象出一个用户的信息全貌，可以看作企业应用大数据的根基。
一、什么是用户画像？男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。
这样一串描述即为用户画像的典型案例。
如果用一句话来描述，即：用户信息标签化。
如果用一幅图来展现，即：二、为什么需要用户画像用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。
当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。
三、如何构建用户画像一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每个标签含义。
这也使得用户画像模型具备实际意义。
能够较好的满足业务需求。
如，判断用户偏好。
短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。
所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
3.1 数据源分析构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。
如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。
这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。
不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。
另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
本文将用户数据划分为静态信息数据、动态信息数据两大类。
静态信息数据用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。
这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
动态信息数据用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。
当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。
等等均可看作互联网用户行为。
本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。
如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
3.2 目标分析用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。
如，红酒 0.8、李宁 0.6。
标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
3.3 数据建模方法下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。
一个事件模型包括：时间、地点、人物三个要素。
每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
以上列举了互联网主要的用户标识方法，获取方式由易到难。
视企业的用户粘性，可以获取的标识信息有所差异。
什么时间：时间包括两个重要信息，时间戳+时间长度。
时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即可。
因为微秒的时间戳精度并不可靠。
浏览器时间精度，准确度最多也只能到毫秒。
时间长度，为了标识用户在某一页面的停留时间。
什么地点：用户接触点，Touch Point。
对于每个用户接触点。
潜在包含了两层信息：网址 + 内容。
网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。
可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。
如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
内容：每个url网址（页面/屏幕）中的内容。
可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。
如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
注：接触点可以是网址，也可以是某个产品的特定功能界面。
如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。
商品的售卖价值，不在于成本，更在于售卖地点。
标签均是矿泉水，但接触点的不同体现出了权重差异。
这里的权重可以理解为用户对于矿泉水的需求程度不同。
即，愿意支付的价值不同。
标签权重矿泉水 1 // 超市矿泉水 3 // 火车矿泉水 5 // 景区类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。
这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
所以，网址本身表征了用户的标签偏好权重。
网址对应的内容体现了标签信息。
什么事：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏等等。
不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。
如，购买权重计为5，浏览计为1红酒 1 // 浏览红酒红酒 5 // 购买红酒综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。
所以会打上**标签。
用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：标签权重=衰减因子×行为权重×网址子权重如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
标签：红酒，长城时间：因为是昨天的行为，假设衰减因子为：r=0.95行为类型：浏览行为记为权重1地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户A：红酒0.665、长城 0.665。
上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
四、总结：本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
核心在于对用户接触点的理解，接触点内容直接决定了标签信息。
内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。
模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。
最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。
如，积分超过1万分，则标记为钻石级用户。
钻石用户 1.0。
百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%，订单转化率提升34%。
（via：郭志金）。