可以獲取到的數(shù)據(jù)分兩類,，一類是業(yè)務系統(tǒng)數(shù)據(jù),，一類是用戶訪問網(wǎng)站、APP產(chǎn)生的行為數(shù)據(jù),。

不同的企業(yè)做用戶畫像有不同的戰(zhàn)略目的,，廣告公司做用戶畫像是為精準廣告服務，電商做用戶畫像是為用戶購買更多商品,，內(nèi)容平臺做用戶畫像是推薦用戶更感興趣的內(nèi)容提升流量再變現(xiàn),。

戰(zhàn)略理清楚后，首先要畫出描述用戶畫像的框架,，建立用戶畫像體系框架的目的是進一步明確用戶畫像的用途,、把標簽限定在合理的范圍內(nèi)。具體要結(jié)合戰(zhàn)略目標,、數(shù)據(jù)情況,、應用場景來規(guī)劃標簽系統(tǒng)，選取和戰(zhàn)略目標一致的標簽維度,，把標簽按照應用場景進行分門別類,。同時注意聚焦和收斂，不要把沒用標簽裝進來,，以降低系統(tǒng)的復雜性,，避免無用信息干擾分析過程。

用戶畫像體系和標簽分類從兩個不同角度來梳理標簽,，用戶畫像體系偏戰(zhàn)略和應用,，標簽分類偏管理和技術實現(xiàn)側(cè)。

把標簽分成不同的層級和類別,，一是方便管理數(shù)千個標簽,，讓散亂的標簽體系化；二是維度并不孤立,，標簽之間互有關聯(lián),；三可以為標簽建模提供標簽子集，例如計算美妝總體偏好度,，主要使用美妝分類的標簽集合,。

梳理某類別的子分類時,，盡可能的遵循MECE原則（相互獨立、完全窮盡）,，尤其是一些有關用戶分類的,，要能覆蓋所有用戶，但又不交叉,。比如：用戶活躍度的劃分為核心用戶、活躍用戶,、新用戶,、老用戶、流失用戶,，用戶消費能力分為超強,、強、中,、弱,，這樣按照給定的規(guī)則每個用戶都有分到不同的組里。

標簽還可以按照處理過程,、標簽獲取的方式進行劃分,，分為事實標簽、模型標簽,、預測標簽,。不同類別的處理方式不一樣。

事實標簽：直接從原始數(shù)據(jù)中提取,，例如性別,、年齡、住址,、上網(wǎng)時段等等

模型標簽：需要建立模型進行計算,，例如美妝總體偏好度

預測標簽：通過預測算法挖掘，例如試用了某產(chǎn)品后是否想買正品

但是有些事實標簽,，如果用戶沒有填寫的話,，就需要建立模型來預測。例如數(shù)據(jù)庫中的年齡字段為空,，建立依據(jù)用戶行為來建立特征工程,，然后做預測。