更新时间：2023-01-17 16:25
用户画像（英文：User portrait）是一套全面关于用户信息的标签，给公司提供决策（商业业务的分析）。用户画像是阿兰·库珀（Alan cooper）在1999年提出的，直到大数据时代的到来，用户画像开始逐渐在各方面领域应用，从根据用户本人的需求开发，转变为以搜集用户数据进行分析而进行开发。
用户画像的原理是，制定一套全面代替“人”的标签，进而代替用户，预测用户喜欢的内容。用户画像的标签类型分为统计类标签、规则类标签和机器学习挖掘标签3大类。
用户画像是利用大数据技术对不同类型的人群的进行分析，并为这些人提供出个性化服务，同时给企业带来商业价值。用户画像的应用产生的影响呈现两极分化。一方面用户画像应用于服务业、教育、公共服务和制造业供应链等等正面影响方面。另一方面有信息泄露、信息茧房等产生的负面影响。
用户画像最早是美国人阿兰·库珀（Alan cooper）在1999年Inmates Are Running the Asylum, the Why High-Tech Products Drive Us Crazy and How to Restore the Sanity的初版提出的。他在应用用户画像时，将用户分为不同类型，并利用行为、性别和偏好等要素对用户进行描述，形成真实用户的虚拟代表，这种用户画像被称作“User Persona”。这是一种定性研究方法，能够直接将用户的核心诉求展现出来。
大数据(Big 数据)时代到来之前，大数据是指信息爆炸时代产生的海量数据。这开辟了新的市场，企业积累了大量的用户数据，企业以前的技术无法满足实现精准的用户需求的服务模式，用户画像为解决这种难题而被提出。用户画像的定义是一个演变的过程。但随着“大数据”时代的到来，开发一款软件，从根据用户本人的需求开发，转变为以搜集用户数据进行分析而进行开发，（定义为标签作为用户的特征标识，通过标签描述用户），这种用户画像称为 “User Profile”，这属于数据驱动的定量研究。“User 人格面具”和 “User Profile”虽然表述不一样，但基本内涵一样。随着大数据发展，统计方法在用户画像中的应用研究占有重要位置，逐渐在各方面领域应用。
用户画像标签化既方便人理解，又方便计算机的处理。因搜集的数据同时也受时间、地点限性的影响，可以分为动态标签和静态标签。用户画像的数据根据应用实际，又可以分为一级标签和二级标签（如省包含市）。但一般情况下，用户画像的标签分为统计类标签、规则类标签和机器学习挖掘标签，其中前两类占开发应用的比例较大。用户画像的标签化初步制定后，再进行评估用户画像的标签的合理性，不合理的标签进行更改，合理的采用。
统计类标签是对用户画像的数据进行分类的统计标签，也是最基础、最常见的用户画像标签。如性别、年龄和地区等。地区类标签又可以包含二级标签。通过这些基础的用户画像标签，软件公司就可以统计，性别比例、年龄比例和地区分类等，为用户画像的建立做前期的准备。
规则类标签是根据用户画像的数据中用户的历史行为，结合特定的规则而确立的。例如在进行统计消费信息时，将一月内“消费次数\u003e2”，统计成“高次数消费人群”标签。
机器学习挖掘标签，主要应用于用户画像的需求预测，开发难度大、周期长。如根据已有的用户画像数据，进行预测用户的喜好，又或者进行视频推荐，这就达到了建立用户画像的最终目的，即商业目的。
用户画像是开发软件中的一项技术。用户画像的落地应用，公司要提前准备相关工作，然后应用用户画像技术等技术，最后进行后续工作。
用户画像具体应用的方面除了上述以外，还可以应用在服务业如视频推荐，教育方面如预防恶性校园贷和人才培养等方面。也可以应用在公共服务和制造业供应链等等方面。
这里以视频推荐、预防恶性校园贷和人才培养举三个应用方面例子。视频推荐：带来用户满意度高的推荐。以抖音为例，抖音用户的黏性高，以“娱乐消遣”为主要的内容，生活类、搞笑类视频更受欢迎，对视频也更为接受。预防恶性校园贷：如脱离父母管控，没有能力还款的大学生，容易在不合法平台，开始贷款。这项技术可以，警示学校关注重点人群，做到事前把控。人才培养：可以为图书馆一直全新的服务，扩宽思路，为学校人才培养提供服务。
用户画像开发及涉及技术流程，以抖音APP建立为例，首先建立数据库用来储存信息。其次搜集信息，抖音首先关注用户历史浏览偏好、使用环境，以及年龄、职业、性别等人口统计学特征。关注用户的行为反馈，如点击、观看、收藏、评论。再进行上传，以达到搜集数据。然后进行用户画像的数据分析，首先要进行删除无关的数据（降维），然后制定标签，拿抖音用来“消遣”的动机占比高达93.68%，其次是“社交”和“学习”，再进行细分，“生活类”“搞笑类”视频更加受欢迎，这些标签用来分类，并把这些数据进行储存，然后根据新发布的视频按标签分类，推荐给不同用户画像类型相同的人们，这些数据同样也要搜集，抖音再拿这些数据进行分析，并进行算法的优化，这些分析报告抖音也会发布出来，如抖音生活服务2022酒旅专题报告，从用户对抖音的用户画像算法推荐的视频接受度较高，这也造成了导致用户沉溺。
用户画像是在搜集软件公司搜集完用户数据，对用户进行分析的一项技术。在进行用户画像分析前，公司要做些准备工作，首先需要建立服务平台，给用户提供服务，同时进行管理（搜集、存储）数据。其次，公司需要简单统计数据，以及可视化操作。然后公司进行用户画像的数据分析。
公司开始利用用户画像、用户行为分析等技术，为进行个性化的推荐做准备。
用户画像的数据的搜集技术包括爬行纲技术，这是为用户画像提供原始素材。搜集的数据同时也受时间、地点限制的影响，因此需要建立动态的搜集数据。用户画像的数据需要用数据库储存。
用户画像的数据分析类技术包括降维、标签制定和判定、分类、数据架构建立和知识的推理（预测）。降维，指处理用户画像数据之前，还需要删除无用的信息，如一些语气词“的、了”。标签制定和判定，用户画像建模其实就是对用户“打标签”，例如根据不同的标签的重要性，进行数学计算，如喜欢“喜剧电影“的人多，就把“喜剧电影”单独作为一个标签。
分类被认为是数据分析的最基本形式之一，例如把喜欢相同内容的人归类。数据架构建立包括进行分类储存、调度数据，如把喜欢喜剧的人的数据，创建命名“喜剧”的数据库里，也方便以后的“拿取”。知识的推理（预测喜欢什么），可根据已知的用户画像数据，推荐给用户可能喜欢的内容，如一部“喜剧”的电影，可以推荐给用户画像标签为“喜欢喜剧”的人们。
用户画像的数据体现包括可视化技术。可视化可以帮助人们做决策，可以体现某一部分变量和指标对人们有用。主要有基本图（条形图、折线图和散点图）、分布图（箱形图和直方图），还有交互式可视化图像，以及具有特殊结构（分层、网络和地理）的数据的专用图，如应用于商业业务的分析，视频平台公司可以制作词云来表达用户对高分电影的偏好，如图例。
此外可视化还应用于政务数据、无人服务台、监督和智慧校园等方面。
在进行完用户画像分析后，公司进行后续工作，公司管理层进行决策，选出运行策略。然后开发软件，公司首先确定服务的人群。其次把任务分解给不同部门，并进行市场调研。然后，公司内部人员讨论问题并确定需求。最后，公司进行开发测试软件。
用户画像可以帮助公司更好地掌握用户偏好，优化产品，制定运营策略，为用户提供更有针对性的服务。例如算法推荐机制，可以在海量数据中实现内容精准分发，也扩大了用户以低成本接触信息的范围，公司也实现个性化服务，同时通过发布广告来进行营收，这便提高了公司的生存能力、竞争力和营收能力等等。
除了上述方面，还包括基于用户画像技术设计的知识图谱，更加全面反映人对知识掌握情况，这种数据结构也便于被机器理解。知识图谱提供了一种组织、 管理和理解海量用户信息的方法，进一步完善用户画像体系，这也降低了更新迭代成本。这便可以帮助人们更好的掌握知识，去进行个性化学习。
用户画像可以帮助基站的建设，提供更好的通信服务质量。如，先收集拨打时间、基站坐标和网络请求时间等等，然后建立不同的位置的通信用户画像，这些数据也可以推测出用户的工作方式、 住家地点、工作地点、生活规律、出行方式等等方面，提供更好的通信服务。
通过用户画像技术建立智慧水务平台、电力调度平台和燃气决策平台。这也是通过先收集不同地区，不同用户的使用数据，然后建立不同地区、不同用户的大小标签，进行资源调度，满足人们的资源需求。
用户画像应用于防诈骗，根据搜集到的被诈骗对象进行标签制定，制定出的统计类标签“性别、年龄比例”，根据统计，标签为“男性、青年”被诈骗的多，进一步根据搜集到的数据，预测可能被诈骗的人群的用户画像，进行防诈骗预警。
软件公司在设计推荐系统时，利用用户画像技术，为用户提供精准的服务，加之用户对这些服务有需求，用户于是便将自己禁在这样的“信息茧房”。
2006年，凯斯·桑斯坦教授的《信息乌托邦》提出，指让人感兴趣的信息如“蚕丝”，人们把自己用“蚕丝”包裹起来，用户沉迷其中，并以此产生的相关技术。相关理论有“回声室效应”和“过滤气泡”。回声室效应，不仅包含信息茧房，还涉及公众媒体发布的同质化信息，影响了公众对于事件信息的准确的认知与判断。过滤气泡，是在信息茧房和回声室效应的结合升级形态，同时包含群体极化效应，即群体观点便是“主流观点”。
使用用户画像等技术设计的推荐系统，青少年在这些被设计的系统内，容易被其内容吸引，耗费了不少时间、精力，在这一过程中，青少年易与家人产生纠纷。
因为用户画像的应用首先需要搜集个人信息。而用户画像的建立过程中，都有个人隐私的保护问题。2021年11月1日《中华人民共和国个人信息保护法》正式施行。保护信息不被泄露，这需要人们的共同遵守。相关的事件有脸书数据门、学生信息泄露和消费者信息泄露等。
2018年3月，脸书“数据门”事件被爆出来并引出反响，Facebook收集了5000万用户的个人用户信息记录，并卖出这些信息。2016年，脸书为了帮助唐纳德·特朗普竞选总统，用脸书搜集信息，分析众多的美国选民的心理特征和个人爱好，进而帮助其竞选总统。美国、英国和欧洲的议员们要求展开调查，由此，脸书公司陷入“数据门”，受到了多起官司，脸书被罚款50万英镑，但用户使用该平台的频率并未减少。
某些应用程序强制收取用户信息，并进行用户画像分析，向用户发送营销短信。这类软件强制要求输入“职业”“学习目的”等项，才能登录页面。用户向法院起诉这类APP，说这一行为属于强制收集用户画像信息，法院查明，该应用程序确实有这类行为，遂判处软件运营商删除个人信息并停止该行为，并向用户赔礼道歉并赔偿维权所产生的费用。