用户画像是什么？
用户画像分两类，一给人看，二给机器看，如下图所示：
从产品角度而言，精确的用户画像是产品定位的基础以及后续产品优化的方向。在此我大致分为三类：
01
目标明晰群体：例如百度搜索---搜索内容；高德地图---使用导航；锤子便签---记录事件。我们会发现服务于明确目标用户群体的产品会更偏向于工具类，当然绝不以偏概全。
02
内容消费群体：例如腾讯视频---看视频；今日头条--看新闻；知乎---看内容；这类APP都偏向内容输出方向。用户在空闲时刻就可以利用这类产品浏览内容，学习知识。
03
走马观花群体：例如小红书和礼物说，它们和京东最大不同就是没有提供精准搜索。因为服务群体不一样，小红书和礼物说的用户群体是女性，其目的就是为了提供一个随意逛街的场景，并不是购买。
淘宝和微博是一个综合体，他们有一个共同的特征是他们都有头羊，微博的大V用户就是头羊；淘宝的店主就是头羊。有了头羊就有羊群，就有用户群。
从智能推荐而言，目前用户画像大多都只是对用户行为数据的统计和匹配工作。数据来源大致分为两类。一是人口统计学，包括姓名、年龄、地域、教育等基本资料信息；二是用户历史行为数据统计。机器算法大致分为结构化文本提取和标签选择，后续会详细介绍。
如何构建用户画像？
以上是最简单的一个流程框架，实际运用中远比这复杂。数据对于推荐而言非常必要，如何获取数据，智能匹配仍然是需要长期实践的过程。
01
如何收集数据：最简单的方法是用户主动提供，举个最常见的产品---QQ，它在发布动态时用户可主动添加标签。这样的产品还很多，尤其是UGC创作平台。但更多的是在技术层面上实现对用户行为数据的精确收集。
02
如何保证数据的准确性：前期很重要的一点是产品规划，必须明确产品路径上的所有数据埋点，另外要预留风险方案；其次只能依靠技术手段实现数据保障。
03
如何精确匹配数据：对于机器而言，用户画像实质上就是用户信息向量化表示。大致分为几个要素，以民宿来举例说明：
1）、向量的维度：地理位置、价格、舒适度；
2）、向量的量化：对维度赋予分值，若三个维度都是1-5分；
3）、效果评估：对应民宿的订购率和入住率，还有好评度。
每个用户都会有自己的量化分，拿一些场景举例，若我第二天要赶飞机，那么地理位置对我很重要，相应分值提高；如果我现在经济条件不充裕，那么相应价格分值会提高。
所以不同场景会有不同量化分，结合场景进行个性化推荐是最终目标。
以上为几点思考，多多交流！
