如果把一家公司比作一个国家，数仓的角色就是水电煤的管理，目的是让老百姓便捷放心的使用。而用户画像是为了提升数仓的价值，针对用户群的不同做精准服务。比如，在冬天时，北方要使用暖气，就要考虑煤的合理分配。而在南方，天冷只能开空调，尤其是夜晚，所以需要针对电的高峰期做特殊处理。不要问我为什么知道这么多，因为我在杭州已度过了三个冬天。
用户画像可以帮大数据走出数仓，让大数据不仅仅是数据，也能让大数据建设不仅仅局限于报表。
用户画像建模其实就是对用户“打标签”, 从打标签的方式来看，一般分为三种类型：统计类、规则类、挖掘类
统计类标签又被习惯性叫作定量标签，通过客观数据计算得来。例如，性别、年龄、注册日期、近七天登录频率、近30天充值金额。这些字段都可以从用户的注册数据、登录数据、充值数据中统计得出。
统计类标签在实时性上还可以细分成离线标签和流式标签。这就要根据业务需求来定，如果实时性要求比较高那就必须把流式标签考虑进去。
此类标签构成了用户画像的基础。
规则类标签基于用户行为及确定的规则产生，也被叫作定性标签。在实际开发过程中，一般由业务人员及开发人员共同协商确定。
例如，对平台上"大R"用户的定义口径为“月登陆次数>10 && 月充值次数>20 && 月充值额度>1000元”。
该类标签通过机器学习挖掘产生，对用户的某些行为进行预测。机器学习开发周期长，成本高。
例如，针对用户最近的登陆频率以及相关行为预测用户流失预警。