本文摘自趙宏田老師的：“用戶畫像：方法論與工程化解決方案”。
用戶畫像建模其實就是給用戶“打標籤”。從給用戶打標籤的方式來看，一般分爲三種類型：1、統計類型標籤；2、規則類標籤；3、機器學習類標籤。下面我們介紹下這三種標籤的區別：
統計類標籤： 這類標籤是最爲基礎也最爲常見的標籤類型。例如：對於某個用戶來說，其性別、年齡、城市、星座、近7日活躍時長、近7日活躍天數、近7日活躍次數等字段，可以從用戶的註冊數據、用戶訪問數據、消費數據中統計得出。該類標籤是構成用戶畫像的基礎。
規則類標籤： 該類標籤基於用戶行爲及確定的規則產生。例如：對平臺上“消費活躍用戶”這一口徑的定義爲：“近30天交易次數>=2”。在實際開發用戶畫像的過程中，由於運營人員對對業務更爲熟悉，而數據人員對數據的結構、分佈、特徵更爲熟悉，因此規則類標籤的規則應該由運營人員和數據人員協商確定。
機器學習挖掘類標籤： 該類標籤通過機器學習挖掘產生，用於對用戶的某些屬性或者某些行爲進行預判。例如，根據根據一個用戶的行爲習慣判斷該用戶是男性還是女性、根據一個用戶的消費習慣判斷其對某一個商品的偏好程度。該類標籤需要通過算法挖掘產生。
在項目的實踐中，一般統計類標籤和規則類標籤就可以滿足應用的需求，在開發中佔有的比例較大。機器學習類標籤多用於預測場景，如判斷用戶性別、用戶購買商品偏好、用戶流失意向等。一般地，機器學習標籤開發的週期比較長，開發成本較高，因此其開發所佔的比例較小。