# 用户画像的准则
- 统一化：统一标识用户ID，如使用手机号、微信号、微博等
- 标签化：给用户打标签，对用户行为进行理解
- 业务化：由用户标签，指导用户关联
用户唯一标识：用于用户行为的串联
对用户标签化，可以进行用户消费行为分析：
- 用户标签：基础信息如性别、年龄、地域等
- 消费标签：消费习惯、购买意向、是否对促销敏感等
- 行为标签：时间段、频次、访问路径等
- 内容分析：页面停留时长、内容浏览，分析用户感兴趣的内容 因此用户画像是现实世界中的用户的数学建模
当得到了精准的用户画像，那么就可以为企业更精准的解决问题，业务推荐等
# 用户生命周期
- 获客：拉新，精准营销获取客户，找到优势的宣传渠道
- 粘客：场景运营，个性化推荐，提高用户使用频率，比如说可以通过红包、优惠等方式激励优惠敏感人群
- 留客：流失率的预测，降低流失率，顾客流失率降低 5%，公司利润提升 25% ~ 85%
# 用户画像建模过程
按照数据流处理阶段划分用户画像建模的过程，分为三个层，每一层次，都需要打上不同的标签。
- 数据层：用户消费行为的标签。打上事实标签，作为数据客观的记录
- 算法层：透过行为算出的用户建模。打上模型标签，作为用户画像的分类
- 业务层：指的是获客、粘客、留客的手段。打上预测标签，作为业务关联的结果
# 标签化的作用
数据挖掘的最终目的不是处理 EB 级别的大数据，而是理解、使用这些数据挖掘的结果。 对数据的标签化能让我们快速理解一个用户、一个商品，乃至一个视频内容的特征，从而方便我们去理解和使用数据。
而数据标签化实际上是考验我们的抽象能力：如何将繁杂的事物简单化？