如何落地使用者畫像分析？

舉個直觀的例子，通過使用者的行為資料，「b使用者今天在蘋果官網購買了iphone6」反映出的使用者標籤可能是「果粉1」；而「a使用者三天前在天貓收藏了iphone6」反映出的標籤可能只是「果粉0.448」，這些可以給不同使用者打上不同的標籤和權重。

有了標籤和權重後，這將在後續的營銷決策中發揮指導作用，比如廣告重點推送給這些使用者，以及協同推薦。

二、使用者畫像的利用

關於得到使用者畫像後可以區分不同使用者級別從而進行相應的精準營銷的問題，推薦引擎利用特殊的資訊過濾技術，將不同的內容推薦給可能感興趣的使用者。較常見的推薦引擎通用演算法有

（1）基於關聯規則的推薦演算法（如買了泳衣的使用者可能會買泳鏡）；

（2）基於內容的推薦演算法（需要使用者的歷史資料，例如我在**上買了個貓砂盆，轉眼第二天又給我推薦了乙個貓砂盆）；

（3）協同過濾推薦演算法。

協同過濾推薦的核心是找到和目標使用者興趣相似的使用者群，技術上叫「最近鄰居」（nearest neighbor）。

通過最近鄰居對商品的加權評價來**出目標使用者對該商品的喜好，從而進行精準推薦。套到題主所說的使用者畫像，那麼可以理解為：系統匹配與目標使用者的畫像所相似的使用者群，然後推薦這類使用者群感興趣的商品給目標使用者。

簡單來說，物以類聚，人以群分。

最後補充一點關於協同過濾推薦的最主要的優缺點。

優點：可以過濾難以進行內容分析的商品，例如**。且推薦具有新穎性。

缺點：使用者做出評價較少的情況下，資料不充足，產生稀疏性問題。