商家要分析用户画像，就要分析用户的年龄、性别、城市、收入、购物品牌偏好、购物类型、平时活跃度。这样的用户描述就是用户画像分析。

用户画像一般可以按照行为特征、基本属性、消费特征、交易属性、潜在特征、兴趣偏好、预测需求来组织。当然，因为业务的差异，你可以根据自己业务的特点，加入不同的特征来构建用户画像。这些组织作用如下:

1.行为特征:主要用于记录用户的行为和操作信息。比如App的每日启动次数、每周启动次数、每月启动次数、评论活跃度、最近浏览页面和浏览时间。

2.基本属性:描述用户的一些基本特征，用来反映用户的一般信息。比如用户ID、昵称、性别、年龄、手机号、城市、注册时间、活跃度、离职倾向等。

3.消费特征:主要用于记录用户的购买行为。在这里，RMF模型可以用来记录用户最近的购买时间、消费价格、消费频率等等。

4.交易属性:主要用于记录一些交易偏好。比如订单总数、交易金额、支付间隔等。

5.兴趣偏好:主要是找一些兴趣点来区分用户。兴趣偏好往往与日常营销活动相结合。比如品牌偏好、房型偏好、品类偏好、星级偏好、美食口味偏好等。

6.潜在特征和预测需求:主要用于分析用户的价格敏感度和目标价格。

简而言之，现在用户画像与大数据技术相结合。在竞争日益激烈的互联网浪潮中扮演着越来越重要的角色。通过淘宝人群画像，可以看到这个店铺的交易人群画像和行业内的交易人群画像是否接近，从而判断店铺目前的交易方向是否正确。按照正常的理解，对店家是有帮助的。