什么是用户画像
用户画像在英语里称作user profile，或persona，又或user persona。
用户画像是描述用户的数据，是符合特定业务需求的对用户的形式化描述。用户画像是通过分析挖掘用户尽可能多的数据信息得到的。
用户画像的目标是通过分析用户行为，最终为每个用户打上标签以及该标签的权重。
- 标签：表征了内容，用户对该内容有兴趣、偏好、需求等。
- 权重：表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。
数据建模方法：
-
什么时间：时间包括两个重要信息，时间戳+时间长度。
-
什么地点：用户接触点、Touch Point
-
内容：每个URL网址（页面/屏幕）中的内容
-
什么事：用户行为类型
-
标签权重=衰减因子x行为权重x网址子权重
用户标签挖掘
比如，如何判断用户的职业？根据用户的工作地点及其社交关系网络，利用算法分析，同时将部分用户的行业标签扩散给全体社会成员。
如何构建用户画像
构建用户画像是为了还原用户信息，因此数据来源于所有用户相关的数据。
用户数据相关的分类，可以使用下面这种方法：封闭性的分类方式。如世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户、中价值客户、低价值客户；产品生命周期分为投入期、成长期、成熟期、衰退期。所有的子分类将构成类目空间的全部集合。
这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景、业务需求的不同，各有道理，按照自己的需要进行划分即可。
用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重，如，红酒0.8，李宁0.6。
标签表征了内容，用户对该内容的兴趣、偏好、需求等。
权重表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。
数据建模
用户研究的价值，最终还是要体现在产品的应用上。一方面是产品经理、设计师在进行视觉设计、交互设计等方面进行参考。另一方面，更重要的是将用户角色落实在实际的产品中，进行大数据分析。
数据建模的方法很多，如神经网络、遗传算法、蒙特卡罗算法、聚类分析、关联算法等等。
问题
`
- 什么样的数据可以作为用户画像
- 用户画像是不是越全越好
- 多少个参数合适？
`