简单来说，用户画像=给用户打标签。标签是高度精炼的特征标识，比如说年龄、性别、地域、兴趣等。由这些标签集合能抽象出一个用户的信息全貌，每个标签分别描述了该用户的一个维度，各个维度相互联系，共同构成对用户的整体描述。
举例来说，如果你经常在李佳琦直播间购买彩妆，那么根据你的消费记录，电商后台就会给你打上“女性”“价格敏感”“忠实用户”等标签，同时能根据你所购买物品的价格，判断你的消费能力，甚至能根据你所买物品的适用人群，判断你的年龄区间段。
虽然用户画像的作用远不止这些，但大体不离以下几个方面
1.精准营销：通过用户画像，将用户群体分割成更细的粒度，利用短信、邮件做精准营销
2.数据分析：根据用户的属性、行为特征对用户进行分类后，通过数据分析不同用户画像群体的分布特征
3.产品应用：用户标签是很多数据产品的基础，诸如个性化推荐系统，CRM基础搭建等
所以要让用户画像真的能发挥出作用，一套可实际落地的用户画像是必要条件。
这里先指出大多数人的错误思考顺序：不是因为有了用户画像，从而用画像去提升业务，而是业务有需求，才需要去建立用户画像。举个例子，内容型社区希望通过上线知识付费模块，将该模式进行商业变现，基于此，我们需要把业务目标和要解决的问题进行梳理，根据要解决的问题去做用户画像。只有明白了业务方做用户画像的目的，才能在之后选取出更为符合需求的数据标签。
静态数据：
动态数据：
动态数据：用户不断变化的行为信息，打开网页，加入购物车、购买物品等一样都是用户动态的行为数据。
收集到基础用户数据之后，我们从用户的基本概况入手，对用户的年龄、地域、行业等维度进行分析，将用户画像进行建模。
①Who（用户）——哪些用户
对用户的表示，方便区分用户，定位用户信息
③where（地点）——用户行为触点
用户接触产品的触点，比如网址访问了哪些分页，在APP上点了哪些按钮，刷新了几次，或者其他交互行为。
④what（事件）——触发的信息点
也就是用户访问的内容信息，比如主要浏览了类别，品牌，描述，生产日期等，这些内容也生成了对应标签。
⑤action(行动）——用户具体行为
不同产品需求不同的标签组合，不同的标签组合也就形成了用户画像的模型。
客户整体分析
把用户按照三个维度指标进行划分，也就相当于将用户放到下面这个正方体中：
因此我们要对指标进行切分，设定阈值，也就是为指标设定正负值，确保三个指标将用户分为八个象限。通常比较常用的方法就是等频和等宽进行切分，比如将用户购买花费进行平均值计算。
但是平均值只适合于均类数据，对于一些不规则数据，平均值会造成很大的误差：
比如一家公司有三家客户，订单额分别为1万、5千和1百，显然重要客户应该是前两个。而三个客户的订单平均值为5033，如果按照平均值划分数据，那么只有第一个客户符合重要客户的标准，这显然是不对的。
这时候我们就要用到聚合的功能，简单说，聚合功能就是一堆数据按照内在特征的不同进行划分，不同类的数据之间的差别一般是很大的，这样就能找到大数据量中的“中心点”，而非平均点。
用户分类
我们将三个指标分别进行划分后，按照下图的方式进行组合，就可以得到八个象限，代表8类客户：