女生节活动，给北京地区女大学生推荐口红作为案例来进行探讨。比如我作为电商，运营部门的需求是希望能够针对北京地区的女大学生在女生节来做一次口红活动营销。那么这个时候问题就来了，我们要对用户宣传这个东西，那我们怎么搞呢？首先就是我们要区分出来男女，第二个呢，我们要知道是不是在北京，第三，验证一下她的消费能力。 那如何做这件事情呢，我们可以用它自己有的特征去推标签，比如说虽然这个用户从来没有填过他的性别，但因为是电商网站，但通过他买过男士剃须泡沫可以推导出来，当然你可能说可能是给男朋友买的，我是女孩子。那没什么吧，我们把这个条件设置的再苛刻一些，比如说买过两次或者买过男士别的用品，我就认为他是男性。针对女性买过类似像卫生巾去推导，但你可能说体贴的男朋友也会买，同样跟上面的一样的，我们可以把这个条件设置的苛刻一些，买卫生巾的同时也买过别的女性用品的，我们认为它是女性用户。反正就是基于他的一些已有的一些行为特征来推断他的性别标签。 那如何推断地址是北京？这个其实很简单，只要收货地址填的是北京的。假设大部分人买东西是给自己买，那我认为说这种收货地址选在北京的，它是一个北京用户。另外一方面，消费能力这一块儿可能说比较难确定，用历史消费的总金额好像不太合理，因为这个消费能力、消费欲望有时候不一定是按照总金额，但总金额也能验证一些事情。我们可能会有其他的一些想法，如果消费能力不强的话，用户在一些很细节的生活支出上比较常规化，比方说，买一支牙膏，我相信很多人可能是不会花五六十七八十块钱去买一支进口牙膏的。那如果说，我们发现有的人在这种细节的消费上也买很贵的东西。那我们可以认为他的消费能力是比较强的。这就是通过用户的特征去做推断。 看到这里我相信你可能也发现了，这里面有些问题，我们不管通过用户的行为，收货地址，买过什么商品的他其实都是基于他过往发生的一些行为，但是我整个大盘的用户里面，我相信不可能所有的用户都发生过以上类似的行为，你按照这些行为进行筛选之后呢，你可能能够给部分用户打上标签。但还有些用户还是没有标签，所以这个时候不够。所以还要做进一步的推衍，首先针对地理位置我需要推出在北京，除了收货地址以外，还有什么样的手段呢？其实可以通过常用IP是不是在北京，那如果你十次访问九次IP都在北京，那我可以推断出你大部分时候是在北京的。 这个消费能力又怎么进一步推断呢？可以用你的现在用的这个手机型号是不是新款的手机，最贵的手机推出来一两个月就用上了，那你的消费能力还是比较强的。或者说你用的手机当前的价值在多少钱以上？那我认为你的消费能力可能是比较强的。又或者是说像一些特别的手机，比如说美图手机这种专门对女孩子自拍用的手机，那用这个手机的用户，多半是女孩子。这是通过有的特征去推导。 还有就是职业，我需要对象是大学生，大学生是一个很模糊用户，不会有人买东西的时候去嚷着说我是学生。这个时候我该怎么推荐给大学生呢，其实核心还是收货地址，如果这个收货地址是在大学的各个校区里面或者就直接填大学的，我可以推断出他的职业更有可能大学生。这个时候可能会有一个疑惑，你会说哎呀，万一我是学校的员工呢，我是老师呢，那这个不是推断错了吗？当然确实有可能推断错，但是你想啊，在一个学校的领域里面啊，学生和教职工的比值，肯定学生还占大多数的，而且更多的时候不用太去计较一两个用户的这个判断精准度。而是要回归我们整个事情一开始的初衷是什么？我们是希望能够给在校的大学生去推荐我们这个活动，我们最后这个推广信息要推给这批人。那如果说这个标签，我打到这些老师身上，但是没有什么，他肯定离这些学生也很近，你去做这种推广，其实她一定也会把影响辐射到周边的人，所以这个事情还是比较合理的。 除了前面两种基于行为特征和属性特征以外。我们还有另外一种推广方法，这个会大胆猜测的性质更强一些，但有时候我们走投无路的时候，比如你发现你通过前面的手段，只给70%的用户打造了标签，还有30%的用户，一直没有任何一个行为和属性，那这个时候怎么办呢？一般有两种方法，一种呢，就是通过这个距离相近的，我们认为就是人与群聚，物以类分。那聚在一起的，我们多半认为可能他是一个比较相似的，另外一个呢，就是说他的这个行为本身是比较相似的，那这个距离相近的那就是说，比如基于某些属性，他周围的人都具备。那说其他的用户大概率其实也具备这个属性，那比如说我们发现，我们通过前面打标签，已经给很多的70%的用户都打上了学生这个标签，当我们发现，就是从那个地理位置的角度来看，有另外一拨人虽然没打学生的标签，但是呢，他们跟我们这帮学生离得特别近，都混在一起的，那我们就会用一种叫lookalike相似算法，就会把周边这些人当做学生，也把它打上标签。
另外，我们从行为的角度去判断，我们通过这个协同过滤。就打个比方说，我们一开始通过打标签儿给那些买了剃须泡沫，又买了剃须刀的用户打上了一个男性用户的标签，但是这种方法它有个局限性，就是我们认为男性用户好像都要去买剃须刀和剃须泡沫一样，其实不一定，可能有的人他不在你这个平台上买剃须刀和剃须泡沫，他自己有一个电动剃须刀，他从来都不需要。但是，这些男性用户除了在我们想到这个剃须刀和剃须泡沫以外，他们可能还有很多其他的一些行为，比如说他可能都会买一个男士洗面奶，一个去屑的洗发香波，但这个可能是我们前面在打标签的时候，没有想到的，那这个时候呢，我们可以这么干，我们通过买那个剃须刀和剃须泡沫的那些用户，我们已经给他打上了。然后呢，我们再去把他其他的购物行为也给提取出来，看他还买过什么其他的东西。再通过他买的其他东西去找到跟他买过相似的这类东西的用户，我们也给这种用户打上男性用户的标签，最后我们通过这种距离的相近行为的相似，就可以把那些前面通过各种方法都没能打上标签的用户通过这种半猜半推衍的形式也给打上标签。可能这种的精确度是最低的，但有时候我们在很多的应用场景里面。往往是不需要精度那么高，我们只需要把用户先把群体先分开来，通过后续的一些行为，我们也能够再继续去迭代这些标签，但至少我们通过这种方法能够把所有用户都给分完群。 总结起来呢，其实用户画像的这个方法，就是通过对用户的各类特征进行一个标识，从而给这些用户贴上各种各样的标签，然后我们拿这些标签去把用户分成不同的群体，最后再对这些不同的群体分别去进行不同的产品和运营的动作，这就是我们用户画像的运作原理和它的作用价值。
