什么是用户画像，用户画像的作用是什么
我从数据运营和业务的角度来写一些你们可能第一次听到的内容。
一、用户画像属于特征工程
用户画像，不论Persona还是Profile，都是特征工程的典型应用，即通过数据分析和挖掘从用户的各类数据中提取共性特点的过程。
数据是信息的载体，但是原始的数据包含了大量的噪声，信息的表达也不够简练。因此，特征工程的目的，是通过一系列的工程活动，将这些信息使用更高效的编码方式（特征）表示。使用特征表示的信息，信息损失较少，原始数据中包含的规律依然保留。此外，新的编码方式还需要尽量减少原始数据中的不确定因素（白噪声、异常数据、数据缺失… 等等）的影响。
图片引自网络
二、用户画像分为画像和兴趣
工程应用中用户画像分为画像和兴趣，这两者的区别和联系是：
1）用户画像
静态，包括基础属性、地理属性、行为属性等，应用于客群分析和营销活动。
常见的场景：APP应用架构层级的千人千面、营销活动圈定人群。
2）用户兴趣
动态，包括即时兴趣、短期兴趣、长期兴趣等，应用于推荐系统和内容推荐。
常见的场景：搜索栏、商品/内容收藏、购买等。
三、用户画像落地为标签，但别忘了权重
用户画像通常以标签落地，标签也是特征工程的一种。
但是用户画像的标签上有一些自己的独特之处：
1、用户画像的标签是参数化标签
2、用户画像的标签是有权重的
1）什么叫参数化标签？
用户画像在生产标签时，通常会遇见这样的情景：
「偏好电影」：过去3个月看过5场电影的人群
「偏好电影」这个标签背后有严格的口径定义，过去2个月看过10场电影的用户无法打上「偏好电影」这个标签，并且随着业务的变化，「偏好电影」标签的口径需要更新为“过去3个月看过10场电影的人群”，如此，需要宣告作废此标签，并重新加工生产一个新的标签，名字还是「偏好电影」，只不过口径改为“过去3个月看过10场电影的人群”。
显然，不合理。
所以，在90%的业务场景下，用户画像的标签会被改为参数化，即标签口径中可变的部分设置为参数，根据实际业务调整。上述「偏好电影」的标签即可改为：
「偏好电影」：过去N个月看过M场电影的人群
N个月和M场就是这个标签的两个参数。这样「偏好电影」这个标签的灵活性和适应性就非常强，业务使用该标签前只需输入标签需要的参数即可。
2）什么是标签的权重？
用户画像的标签务必、务必、务必记得每个标签都要有权重。如果没有权重，那么用户画像一无是处，和你们丢进碎纸机的废纸别无二致。
用户画像的标签务必要有权重
四、用户画像进化为用户分层和用户分群
用户画像不仅仅是我们通常意义上的一份PPT，它还是模型和金字塔。
下图是我们之前实施的用户画像的路线图，其中：
【V1.0】
1.0版本的用户画像即为传统的画像产品，以静态的用户特征为主，输出为大家耳熟能详的PPT。优点是已能刻画用户的特征，缺点是太粗太泛，无法精细化指导运营。
【V2.0】
2.0版本特别提出了九个字：精细化、模块化和可配置。为了实现这九个字，我们将用户画像代码化和模型化。代码化和模型化的优点即是可以定时运行，并自动化输出画像报告，极大提升运营效率。
不仅如此，我们将画像的特征和维度按照业务模块化，并提供可配置的定制化功能，即渠道运营的同学更关注渠道层面的用户特征，流量运营的同学更关注活跃、留存等用户特征。针对不同运营团队对于用户画像的诉求，可配置的定制化功能允许运营团队自行勾选需要考察的画像特征。这样用户画像既深入，还普适。
【V3.0】
3.0版本就是一个完整的进化，将用户画像进化为用户分层和用户分群，即进化为用户金字塔：
1、用户从上层流向下层：流失
2、用户从下层流入上层：转化
金字塔同样拥有代码化和模型化的特性，我们数据运营团队根据金字塔各层的动态变化来寻求业务运营的问题和增长点。
关于用户分层模型的深入探讨，欢迎参加我的Live（公众号底部菜单）
五、在我的场景模型中，用户画像是核心基础
之前的回答中我用下面这个模型来尝试制定营销和增长策略，其中就包含了用户画像。不仅如此，从这张图中用户画像所处的位置即可看出它的重要性：
1、用户画像在模型中是最底层，支撑上面所有模块的运营。
2、用户画像贯穿模型的全流程，我们通过用户画像来动态监控获客客群的特征、进入中心经营环的客群特征以及流失留存客群的特征，通过这三者客群特征的变化来寻求业务的问题和增长点。
