用户画像是一种应用很广泛的产品形态，诸如个性化搜索，推荐，广告，增长策略，精准营销等领域，用户画像都是不可或缺的。
所以，用户画像并不是策略产品经理的专属能力，很多领域都能用到，那么了解其构成和生产方法很有必要。
用户画像这个概念目前业界并没有太明确的定义，最早是在用研的时候涉及到一个用户模型的概念。用户模型是真实用户的一个虚拟代表，但是它却有着各种真实的信息数据。
比如：人口统计学信息，社会信息，金融信息等等，通过对这些信息数据进行分类汇总，最终用于研究不同类型群体的行为，目标特性区别，进而去进行产品设计。
策略产品当中的画像，大体含义相似，但是侧重点不同。诸如搜索，推荐等策略产品中用到的画像是基于海量的用户行为数据，通过建模，规则，统计的计算方式，最终形成一种类似tag签的形态赋予到每一个用户身上，因此很多时候我们也会把用户画像称作是用户标签。
用户画像要解决的主要问题，就是使用这些复杂无章、没有直接商业价值的数据，通过清洗、挖掘、整理，生产岀能够直接指导商业运营的用户属性体系，包括人口属性、 行为轨迹、用户分群、生活场景、消费偏好等，这些属性需要有明确的层级划分和可理解性。
所以画像，也可以看作是把大量的数据标签化的过程。
功能类产品设计比较注重用户的一些基础类的标签，因为很多时候我们追求的是良好的用户体验，这个必然和用户的性别，年龄，职业等等这些基础信息很相关。
但是，在策略产品中的标签，大多数会具备一定的商业价值，因为策略的核心目标是提升流量分发的效率，从这个角度来讲，我们做的每一件优化策略相关的事情都是在为转化，商业负责。
用户标签体系如何设计？
一般用户标签体系会按照不同级别的主题进行设计，通常有三级主题，如同商品类目体系一样，都是层层递进的关系。比如下面是我之前在做的一个标签主题分级：
具体到一级主题下，一般包括如下几种类型：
基础属性：通常是指用户的个人固有信息，比如性别，年龄，LBS信息等；
金融属性：通常是指与用户收入，财富，信用相关的，比如交易风险，服务风险，金融信用等等；
用户偏好：用户个人的偏好，比如类目，品牌，购买力等，这个也是用户画像当中应用最广泛的一种；
用户特征：通常我们针对一些特定用户群体做的一些标签，比如旅游达人，电子发烧友等等，都是用户在某一个领域强需求的表现；
用户分层：根据特定的目标，对用户进行价值分层。比如VIP等级，活跃等级，购买力等级等；
用户行为：即用户各种浏览，交易，操作行为的统计；
垂直标签：特定业务使用的标签，比如互联网医疗，拍卖等等。
那么，这么多用户标签如何计算出来？一般来说标签的计算方式包括三种：
统计类：直接通过统计的方式进行计算；
逻辑类：通过制定规则逻辑来进行计算，这种也是目前最常用的一种方式；
模型类：通过模型进行预测输出。
不过，不知道大家有没有发现，用户画像很多时候会面临一个很大的窘境：规划的时候，梦想的各种使用场景，各种价值表现，等到上线了，你会发现使用率不足个位数。
典型的：梦想造火箭，结果拧螺丝。
所以，我建议各位：标签的开发，要基于真实的业务需求，而且有切实的应用场景触发，而不是靠会议室规划，靠你之前做过什么。
以上，希望能带给你一些启发。