营销数字化最重要的画像是行为画像

用户画像大致分两类：一是用户属性画像；二是用户行为画像。

用户属性画像，比如性别、年龄、收入、兴趣爱好、活跃时间，居住地。前面讲到的高端新品铺货终端，也是属于B端用户的属性画像。

用户属性画像，可以用于产品开发，比如寻找目标用户；可以用于产品推荐，比如用户画像是“宝妈”，那么，就可以根据宝妈的需求特征，向“宝妈”用户推荐适合的商品。

在线推荐系统，把相同画像的用户称为“邻居”，根据“邻居”的喜好推荐给用户。

传统营销也做用户画像，更多的是用户属性画像。大数据也做用户属性画像，比如新品研发，比如B端用户画像。但是，针对C端用户的大数据画像，更多的行为画像。

如果说用户属性画像是根据画像“猜测“用户行为的话，那么，用户行为画像就是根据以前和现在的行为，预测下一次行为。

行为已经产生，预测下一次行为就相对比较容易。

营销数字化最重要的画像是行为画像。行为画像与属性画像不同，属性画像有一定的稳定性，因为性别、年龄是稳定的，兴趣爱好也有相对稳定性。但是，即便是同一个人，行为变化也很大，比如抖音用户，今天喜爱的内容，明天或许想换一个口味，那么，只要用户做出改变，用户行为画像立即做出改变。

很多今日头条的用户曾经抱怨，头条把自己的喜好固化了，自己其实想看更多的新东西。但是，即使“想看”，只要没有付诸行为，画像就不会改变。只要用户尝试做出改变，画像就立即变化。

那么，什么是用户行为？在今日头条上，用户行为包括点击内容、阅读时间、点赞、评论等，根据这些行为进行画像，然后确定以后推送的内容。

亚马逊是利用用户画像推荐的鼻祖，亚马逊通过用户在站点的行为，包括浏览物品、购买物品、加入收藏夹和wish list等，以及评分等用户反馈方式，共同构成用户画像，并用于下列用途：

1、当日推荐。根据用户近期浏览和购买记录，结合当下流行物品给出一个综合推荐。

2、新品推荐。采取基于内容的推送机制，将一些新产品推荐给用户。由于新产品只有较少的用户喜好数据，基于内容推送就解决了这个问题。

3、关联推荐。采用数据 挖掘技术对用户的购买行为进行分析，找到经常被一起或被同一个人购买的物品集。在图书购买中，这类推荐就非常多。

4、他人购买/浏览物品。这是物品的协同过滤推荐，通过社会化机制，用户能更方便地找到感兴趣的产品。