用户画像也叫用户标签， 是基于用户行为分析获得的对用户的一种认知表达，也是后续数据分析加工的起点。另外，我们需要从概念上加以区分，用户标签和用户透视，一个是个体的认知，一个是整体的标签分布，二者都经常被人统称为用户画像。今天我们在这里说的用户画像主要指标签。
用户画像的4个核心价值
一、市场细分和用户分群：市场营销领域的重要环节。比如在新品发布时，定位目标用户，切分市场。这是营销研究公司会经常用的方式。
二、数据化运营和用户分析。后台pv\uv\留存等数据，如果能够结合用户画像一起分析就会清晰很多，揭示数据趋势背后的秘密。
三、精准营销和定向投放。比如某产品新款上市，目标受众是白领女性，在广告投放前，就需要找到符合这一条件的用户，进行定向广告投放。
四、各种数据应用：例如推荐系统、预测系统。我们认为：未来所有应用一定是个性化的，所有服务都是千人千面的。而个性化的服务，都需要基于对用户的理解，前提就需要获得用户画像。
用户画像的基础：数据
做好用户画像需要一定的门槛，一方面是数据的体量和丰富程度，另一方面是技术和算法能力。smart kyc移动端设备用户全特征每日收集线上线下各类应用场景行为数据超280亿，日活跃设备超14亿，覆盖网站数近700万，应用程序超135万，设备覆盖率高达80%以上。这个庞大的数据量使得我们有丰富的数据资源来生产用户画像，同时我们具有相应的技术能力来进行处理。
数据是如何生产，变成画像的？
用户画像生产流程概览，我们将用户画像的生产比喻成一个流水线，这个过程通常有几个步骤。首先获得原始行为数据，基于这些数据做特征抽取，相当于清洗、加工的工作；在机器学习环节，会与外部知识库有一些交互。实际上机器算法对人的理解，一定要基于知识体系，就好像我们说的概念。比如，机器给用户打汽车相关的标签，一定要首先知道汽车体系有什么样的分类，有什么车型，有这样的知识系统我们才能把人做很好的标识归类。
最后，质量检测。这一步也很重要，一个标签的质量决定了后期的应用效果，如果前期对人的分析偏了，后期结果就很难做对。
我们把画像分为两大类：第一类：统计型画像；第二类：预测性画像。
第一类，统计型画像。是客观存在的，多为兴趣偏好。比如，用户每天都在看汽车新闻、搜索汽车相关的内容，基于这种行为，我们判断这个用户对汽车感兴趣。这些行为是客观发生的，因此无所谓正确率，也不需要训练样本集。
第二类，预测性画像。需要通过用户行为做预测，像用户的性别预测，尤其是挖掘人的内心态度。比如，用户在消费时，是激进的，还是保守的？有预测就有准确率。所以这里面有很重要的评估指标，就是正确率，也需要取样本集。这就是二者的不同，也会有不同的加工流程。
常用的一些标签体系
第一类：人口属性。比如说性别、年龄、常驻地、籍贯，甚至是身高、血型，这些东西叫做人口属性。
第二类：社会属性。因为我们每个人在社会里都不是一个单独的个体，一定有关联关系的，如婚恋状态、受教育程度、资产情况、收入情况、职业，我们把这些叫做社会属性。
第三类，兴趣偏好。摄影、运动、吃货、爱美、服饰、旅游、教育等，这部分是最常见的，也是最庞大的，难以一一列举完。
第四类，意识认知。消费心理、消费动机、价值观、生活态度、个性等，是内在的和最难获取的。举个例子，消费心理/动机。用户购物是为了炫耀，还是追求品质，还是为了安全感，这些都是不一样的。
统计型标签的生产流程
首先我们要有行为数据，例如用户每天看100篇文章，有40篇是体育的，有30篇是汽车的，有20篇是旅游的，还有10篇其他的。我推测，这个用户比较喜欢体育、汽车、旅游。
对于这样的标签，大概需要什么流程去做呢？环节一很重要，内容标注。只有知道用户看的内容是什么，才能统计偏好。环节二，如何基于用户行为做聚合统计和归一化。
smart kyc用户全特征更强调两点：第一，快速建模的能力。有新需求来时，能够快速把这个标签制作出来，把相关的用户找出来；第二，我们可以做得很细，在挖掘、分析用户社会属性、生活习惯、消费行为等主要信息的数据之后，最后综合关联用户的标签信息，勾勒出用户更细粒度的“画像