下载掌阅APP，畅读海量书库
立即打开
当对某个主体搭建起了足够多的标签之后，例如这个主体是用户，往下一步就会想办法通过这些标签去形成一些有用的输入，以此来帮助业务更好地进行精细化运营，因为在大部分情况下通过单一标签值并不能很好地解决面对的业务问题，例如想要推广一款婴儿辅食器，单单把用户定位在有孩子的人群上远远不够，可能还需要定位在30岁以下的人群上，因为这个年龄段的夫妻更大概率孩子年龄较小；可能还需要定位在女性人群上，因为像这种婴儿的辅食器材更大的可能是孩子的妈妈才能想到；可能还需要是一、二线城市，因为在三、四线城市婴儿的培养可能没有这么细致，于是需要把这些标签都筛选出来，这些有价值的标签共同组合构成了用户的画像。
用户画像大类别上会分成虚拟用户画像（Persona）和数据用户画像（Profile），其中虚拟用户画像由很多偏感性、描述的标签构成，例如用户对产品的黏性、用户使用App的频率等，这些词都是基于对用户真实的需求情况而来的，可以比较清晰地反映对用户的认知。数据用户画像就更像是一个档案，更多地由客观的事实标签构成，例如是否已婚、是否有房等，可以清晰地对用户的情况和价值有比较明确的判断，分类案例见表2-1。
表2-1 用户标签分类表
用户画像，不管是Persona还是Profile都是特征工程的典型应用，都需要通过数据分析和挖掘从用户的各类数据中提炼出有价值且在足够量的用户群体上有共性的点，因此尽管对于一个用户可能有成百上千个有效的标签，但其中可能有很多标签是重复的且具有干扰性的，在制作用户画像时需要尽可能地保留有价值同时简洁的标签作为画像的有效标签，例如用户长期活动在北上广等城市和用户生活在一线城市本质上对于描述用户来讲是同一件事。