例：如果一個用戶訪問瀏覽一個電商平臺，註冊時沒有填寫性別，平臺如何通過用戶產生的訪問瀏覽行爲，來計算出用戶的性別？
用戶瀏覽了連衣裙，並不能說明用戶就是女性。因此，要能夠更加準確的向用戶推薦個性化商品，就必須通過數據特徵提取，函數算法來計算出用戶的性別。
用戶行爲數據採集後，需要存儲在數據倉庫，對採集的原始數據進行ETL加工處理，首先需要處理掉存儲的無效重複數據，對於用戶行爲沒有影響或重複數據，對非結構化數據和半結構化數據進行結構化處理，並對數據進行補缺、替換、數據合併、數據拆分、數據加載和異常處理（這個環節更多是技術程序處理）。
對於加工處理後的用戶行爲數據，利用開源的機器學習分類器包，調用封裝好的各種數據函數，神經網絡、支持向量機、貝葉斯等對數據進行聚類、分類和預測，根據第一步設計的用戶畫像標籤體系，對訪問平臺的用戶計算行爲特徵值，用戶特徵提取並不是針對所有的標籤維度，對於優先關鍵標籤，如果從用戶數據庫查詢不到特徵值，就需要調用R函數對其進行計算，最終得出每個標籤維度的特徵值，依據特徵屬性值，就可以對用戶進行畫像處理。
總結一句話：信息採集之後進數據倉庫，去重、過濾無用數據，大數據服務器通過自學習將數據聚合、分類、非結構化的信息進行語意理解輸出結構化數據，預先設定判斷規則【多維的矩陣規則】和權重，根據規則給用戶打上標籤，最後進行個性化推薦；
