用户画像，最简单理解为一堆用户特征或者标签的组合。
关于“用户特征”
特征，是指对于同一个指标，在某个维度上的表现特别与众不同。并且这种与众不同在营销上也具备较强的知道意义。所以，用户画像中的维度并不是什么阿猫阿狗都能纳入的。正因如此用户画像才能理解为“一堆用户特征或标签的组合”。
有时候，我们也把用户画像叫做：营销工具。
用户标签是对数据的再加工。本质上来讲，标签就是对用户特征的描述，如男/女，偏好，状态等，很多时候也是作为用户分层/分群的规则之一。
标签包括用户的属性数据、行为数据、偏好数据等，在标签属性上又可以分为静态标签和动态标签，这些数据构成了建立用户画像模型的基础。
关于“标签”
标签，也是营销工具，并且标签可以嵌入到业务流程中的各个系统中实现运营策略的自动化。例如流程中中断的用户，会被打上标签，然后在一定周期内触发各种策略（推送等）。同时我们常说的“千人千面”也是根据用户标签来实现的。
这里也补充我在课程中关于静态标签、动态标签的示意图：
那为什么要做用户画像呢？企业在发展壮大时期，很重要的一点是对用户的认知和了解。
用户画像是了解用户及产品健康度的有效工具，如核心用户属性是否变化，平台用户构成等，也可以更多维度的对用户行为属性变化做深层的分析对比。
关于“对用户的认知和了解”
事实上，营销或者业务层面对于了解用户认知用户的方式方法非常多，但最终都是都会落地为用户画像。
通过对用户标签特征进行分析、统计以及挖掘潜在价值信息，从而抽象出一个用户的信息全貌。用户画像也可以看做是企业应用大数据的根基，是定向广告投放与个性化推荐的前置条件，以及数据驱动运营的基础。
上面我们说到，用户画像建模过程其实就是为用户打标签。对于标签的产生，在来源上一般分为三种：
1）统计类标签：这类标签是最为基础的标签类型，例如：用户属性标签，性别、城市等，用户行为标签，如APP使用时长、活跃天数、累计消费金额等，是可从用户相关明细表/数据中统计得出。
该标签构成了用户画像的基础，是用户画像最常应用的分类规则。
关于“统计类标签”
这个确实是最常用的，因为可以根据非常简单的统计方法即可生成。但是涉及到行为类的统计标签，通常还会和下面的规则类标签一并使用。
2）基于规则的标签：该类标签基于用户行为及确定的规则产生，如最近30天活跃天数大于15天，为“活跃用户”的标签规则。
关于“规则类标签”
规则类标签是典型的人工标签，即人为基于对业务的理解而制定的标签。这类标签和业务联系极为紧密，通常是有了明确的业务目标后才开发此标签。规则类标签不太灵活，例如上面的“活跃用户”标签的定义是“最近30天活跃天数大于15天”，如果业务目标改为“最近10天活跃天数大于5天”的话，要么重新开发新标签，要么将规则类标签进行参数化处理以适应不同业务的需求。
3）基于挖掘的标签：该类标签多用于预测，需要通过算法挖掘产生。例如：根据一个用户的行为习惯判断是男性还是女性，根据一个用户的行为判断其对某商品的偏好程度等。
数据源的梳理和基础规则的应用是应用挖掘类标签的前提。挖掘类的标签是个循序渐进的
