用户画像系统应用
1 用户信用等级分级
比如在银行根据分级决定给用户贷款的额度，以及贷款的时长，那么怎么对用户分级呢？首先收集大量用户的数据，包括基本属性信息以及用户在使用银行的借记卡，信用卡等等。如果是运营商，用户的入网时间，套餐是什么，每个·月的通话时长消耗流量等，以及整个行为的模式，另外归属地在哪。相关的消费记录...这些都是自身业务能够收集到的数据。
一般用聚类中的k-means聚类，这个用户到底属于哪一类，可能我们也不清楚，可以自动让他分簇，同时要保证评估的效率，就可以用RF（随机森林），就是有多个决策树，把每个决策树的结果求平均得到一个折中的值作为最后的结果。
2 大数据营销当中的应用
在各大网站进程可以看到各种各样的排行榜，比如颜值排行榜，吃货排行榜等等，其实这些排行版就是根据不同类型的用户不同商品消费的情况得到的。用户偏好度是不断变化，那么用户偏好度的标签就不断变化，那么我们的模型也是需要不断的更新，用户画像也是需要不断的更新的。用户偏好的标签通常是通过搜索，浏览，购买等站内行为计算的。也要考虑不同行为的·权重，比如购买的行为是需要掏钱的，代价非常高的，更能代表用户的偏好，可以给更大的权重，如果浏览也是只是一时好奇。
3 用户流失预警
用户流失的模型：比如计算6月份可能流失的用户，至少分析前3个月的行为数据，这个问题是属于非常明确的分类问题，流失为0，不流失为1。这种问题所使用的训练集是前3个月的数据，那么是使用怎么的数据呢？这些特征包括活跃度，登录次数，消费次数等等只要是和主题相关的一切能采集到的数据都能作为用户是否流式的特征·。经过对这些特征的建模，转换成特征向量，使用了分类算法，比如说逻辑回归或GBRT（渐进梯度回归树）。预测出可能会流失用户有针对的退出相关活动等
4 潜在用户分析
通过特征分解，借助一些用户画像系统的流程进行建模进行预测。当建立了全量的用户画像库后就可以轻松的分析用户到底是不是我们潜在的用户，然后分析出来了可以推荐给内容提供商。以在应用中产生注册，付费等的这样用户训练成样本，结合用户特征进行模型训练，从用户画像库中帅选出潜在的用户群体。这个用到的算法用非常简单的Logic Regression逻辑回归就可以了。
5 异常检测与分析（离群点分析）
比如在金融中判断用户是不是欺诈。基于规则，依赖经验准确度第，更好的做法就是基于用户画像，基于全部的用户画像，基于模型用户整个所以的行为包括基本的属性信息
