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
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。
1.2. 用户画像的概念
怎样区分User Portrait（用户肖像）、Customer Segment（用户细分）、User Persona（用户角色）、User Profile（用户画像）？
用户画像的概念用户肖像、用户细分、用户角色和用户画像的对比如下表所示：
高层、产品、开发、市场、运营眼中的用户画像是什么？
用户画像是刻画用户需求的模型。
用户画像是一种公共语言，串联互联网商业的高层、产品、开发、市场、运营等，提高沟通效率。
1.3. 用户画像的要素
用户画像的三要素：人、物、环境。
用户画像的要素1.4. 用户画像的关系
用户画像描述的是用户与物品的关系。
用户画像的关系1.5. 用户画像的意义
用户画像广泛应用在推荐系统、广告系统、商业分析、数据分析、用户增长、数据运营、精准营销、量化风控等领域。
用户画像的意义
2. 用户画像原理
用户画像原理的目录2.1. 用户画像的方法
用户画像的主流方法：用户标签化。
用户画像的方法标签是用户属性、兴趣、行为等特征的抽象与描述。
从分层标签、分群标签到个性化标签，正是一个由粗到细的过程。
2.2. 分层标签
将总体中各个用户按某种特征分成若干个互不重叠的几部分，每一部分叫做层。
分层标签是指根据分层规则，对用户进行分层而打的标签。
用户分层是指基于分层标签描述用户。
分层标签2.2.1. AARRR 用户分层模型
举个用户分层的例子：AARRR 用户分层模型。
AARRR 模型是由Acquisition（获取）、Activation（激活）、Retention（留存）、Referral（推荐）、Revenue（变现）等五个部分组成，形成一个用户流量漏斗。
按“从获取的用户到最终推荐的用户的演进路线”进行分层如下：
将同一层内的用户继续切分以满足个性化需求。
所以还需要继续切分，获取分群标签。
2.3. 分群标签
按照指定规则，将总体中若干个用户合并为组，这样的组称为群。
分群标签是指根据分群规则，对用户进行分群而打的标签。
用户分群是指基于分群标签描述用户。
分群标签2.3.1. RFM 用户分群模型
举个用户分层的例子：RFM 用户分群模型（Recency、Frequency、Monetary ）。
RFM是根据用户活跃程度、交易金额的贡献，对用户价值进行分群的一种方法。
RFM 的 8 个象限分别表示 8 类用户如下：
将同一群内的用户继续切分以满足精细化需求。
所以还需要继续切分，获取个性化标签。
2.4. 个性化标签
全面、完整、细致地标签化用户个性化特征。
通常把用户的个性化标签近似称为用户画像。
个性化标签生成主要三种方式：人工打标签、机器打标签、混合打标签（人工+机器）。
个性化标签2.4.1. 人工打标签
人工打标签，即手动打标签，可以打上自如属性标签、社会属性标签、关系属性标签等。
2.4.2. 机器打标签
机器打标签，也称自动打标签，是指根据用户消费过的文本、图片、视频等数据，机器自动学习出用户兴趣、喜好等标签。
比如，对文本进行机器打标签，其标签类型有：关键词标签、实体标签、类别标签、聚合标签、主题标签、Embedding标签等。
2.4.3. 混合打标签
首先，先人工打分层标签、分群标签等粗粒度标签；
然后，再用机器打细粒度标签。
2.5. 用户画像的原则
真实性：真实的用户数据，而不是想象的伪需求画像。
统一性：用户标签与物品标签要统一，双向匹配。
用户画像的原则2.6. 用户画像的检验
通过业务指标、离线指标、线上指标检验用户画像的准确率和覆盖率。
其实画像有点数、画像有点率等指标也依赖A/B测试（也称A/B试验），其中A/B测试的原理和应用可参考：
刘启林：A/B测试(A/B试验)的概述、原理、公式推导、Python实现和应用
用户画像的检验
3. 用户画像应用
用户画像应用的目录3.1. 百度的用户画像
百度的用户画像框架如下：
百度的用户画像框架3.2. 微博的用户画像
微博的用户画像框架如下：
微博的用户画像框架3.3. 今日头条的用户画像
今日头条的用户画像框架如下：
今日头条的用户画像框架百度、微博、今日头条的用户画像对比如下：
4. 用户画像总结
用户画像总结的目录4.1. 推荐系统的用户画像
推荐系统中，用户画像是给机器看得，不是给人看的。
推荐系统的用户画像用户画像在推荐系统中的应用：
- 召回阶段：用户画像用于物品过滤
- 排序阶段：用户画像用于物品排序
4.2. 用户画像的本质
用户画像是刻画用户需求的模型，所以用户画像的本质是用户需求。
用户画像的本质4.3. 用户画像的挑战
用户画像其实是用过去预测现在，但用户需求变化很快。
用户画像若只刻画自己喜欢的东西，容易陷入信息茧房。
用户画像的挑战结束语：
用户画像的本质是用户需求，用户需求是商业的起点。那么，
你能用一句话描述你的用户是谁吗？
你的用户的立体特征是什么？
可以详细地描述你的用户需求？
扩展阅读：
有了真实的用户需求，接着提供对应的产品或者服务，然后会面临一个新的挑战：用户增长。
《用户增长的基础、原理和方法论（模型）》可参考：
参考文献：
用户画像的参考文献
能力和水平有限，我的可能是错的。
能力和水平有限，我的可能是错的
去年今日运营文章
- 2023: 刘润：《底层逻辑》思维导图分享(0)
- 2023: 刘润《底层逻辑》Xmind思维导图(0)
- 2023: 刘润《底层逻辑》详解——看清世界的底牌(0)
- 2023: 《100个思维模型系列》034.反向失败思维模型(2)
- 2023: 视频号直播信用分与常见违禁词(0)
本文转载于网络，本文观点不代表爱运营立场，转载请联系原出处。如内容、图片有任何版权问题，请联系爱运营处理。
