用戶PERSONA的含義：
P 代表基本性（Primary research）指該用戶角色是否基於對真實用戶的情景訪談
E 代表移情性（Empathy）指用戶角色中包含姓名、照片和產品相關的描述，該用戶角色是否引起同理心。
R 代表真實性（Realistic）指對那些每天與顧客打交道的人來說，用戶角色是否看起來像真實人物。
S 代表獨特性（Singular）每個用戶是否是獨特的，彼此很少有相似性。
O 代表目標性（Objectives）該用戶角色是否包含與產品相關的高層次目標，是否包含關鍵詞來闡述該目標。
N 代表數量（Number）用戶角色的數量是否足夠少，以便設計團隊能記住每個用戶角色的姓名，以及其中的一個主要用戶角色。一個產品，一般最多滿足3個角色需求。
A 代表應用性（Applicable）設計團隊是否能使用用戶角色作為一種實用工具進行設計決策。
我們通過調研去了解用戶，根據他們的目標、行為和觀點的差異，將他們區分為不同的類型，然后每種類型中抽取出典型特征，例如：一些個人基本信息，家庭、工作、生活環境描述，賦予一個名字、一張照片、場景等描述，就形成了一個具象的典型用戶畫像。人物角色一般會包含與產品使用相關的具體情境，用戶目標或產品使用行為描述等。為了讓讓用戶畫像容易記憶，可以用具體的名字、標志性語言、幾條簡單的關鍵特征進行描述。一個產品通常會設計3～6個角色代表所有的用戶群體。
如何去落地用戶畫像分析的？
一、如何建立用戶畫像
說白了主要是對兩類客戶的認知和判斷：
現存客戶 (Existing Customer) - 我的現存客戶是怎么樣，喜歡什么，什么消費習慣，哪些客戶最值錢等等
潛在客戶 (Prospect Customer) - 潛在用戶又分：認知客戶和競品客戶，我的潛在客戶在哪，他們喜歡什么，通過什么渠道獲取，獲客成本是多少等等
分析的維度，可以按照人口屬性和產品行為屬性進行綜合分析，
人口屬性：地域、年齡、性別、文化、職業、收入、生活習慣、消費習慣等；
產品行為：產品類別、活躍頻率、產品喜好、產品驅動、使用習慣、產品消費等；
這個問題從本質上看是兩類問題：
1、對用戶畫像，打上標簽。這是個聚類問題，將同一類用戶通過算法聚合成一類。
2、對不同用戶進行精准營銷。這個問題是個預測問題，對用戶行為建模，預測某一類用戶會對什么更感興趣。
一、先說第一類問題，聚類。這個成熟的算法很多，具體選擇哪種就要看你的數據有什么了。既然叫做數據分析，那邊必然是以你的數據為准基礎的，看你的數據包含什么，如果能把用戶映射到某一個空間里面，表示成向量（也就是高維空間的坐標），就可以kmeans，DBscan等等方法來進行聚類，如果只能給出兩兩用戶的相似度，那么就是用基於層次聚類的算法。再重申一遍，關鍵是數據。
二、就是對用戶行為建模，同樣因為不了解數據，就只能簡單講一講普通的流程。精准營銷這個問題可以規約為預測用戶對什么商品感興趣。這個建模流程簡單來說應該包含下面幾個過程：
a、選取特征，從歷史數據中選擇、構造出一些特征，假設這些特征和要預測的值之間的一個關系（這個關系也就是你的模型）。這一步是定性的過程。
b、確定模型中的未知系數，也就是定量的過程。
c、計算模型的置信度，根據測試集數據（從歷史數據中選擇一部分出來，分割方法很多，自行百度交叉驗證）來判斷預測准確性，如果符合要求，就可以用這個模型來預測用戶喜歡什么，進行精准營銷，如果准確性不滿足要求，那么就再重復上述過程，構造更復雜的特征，或者收集更多數據，嘗試其他模型。
（1）定性與定量相結合的研究方法
定性的方法，表現為對產品、行為、用戶個體的性質和特征作出概括，形成對應的產品標簽、行為標簽、用戶標簽。是描述性的
定量的方法，則是在定性的基礎上，給每一個標簽打上特定的權重，最后通過數學公式計算得出總的標簽權重，從而形成完整的用戶模型。是可量化的。
關於建立用戶畫像、標簽化的問題，不僅需要從已有的用戶數據進行定量分析，還需要以問卷、訪談等形式進行定性研究。定量和定性分析相結合，才有可能得出一個更為精准的用戶畫像。但更重要的是以用戶為中心，而不是以數據為中心。
用戶的行為，我們可以用4w表示：WHO（誰）；WHEN（什么時候）；WHERE（在哪里）；WHAT（做了什么），具體分析如下：
WHO（誰）：定義用戶，明確我們的研究對象。主要是用來用戶分類，划分用戶群體。網絡上的用戶識別，包括但不僅限於用戶注冊的ID、昵稱、手機號、郵箱、身份證、微信微博號等等。
WHEN（時間）：這里的時間包含了時間跨度和時間長度兩個方面。“時間跨度”是以天為單位計算的時長，指某行為發生到現在間隔了多長時間；“時間長度”則為了標識用戶在某一頁面的停留時間長短。越早發生的行為標簽權重越小，越近期權重越大，這就是所謂的“時間衰減因子”。
WHERE（在哪里）：就是指用戶發生行為的接觸點，里面包含有內容+網址。內容是指用戶作用於的對象標簽，比如小米手機；網址則指出用戶行為發生的具體地點，比如小米官方網站。權重是加在網址標簽上的，比如買小米手機，在小米官網買權重計為1,，在京東買計為0.8，在淘寶買計為0.7。
WHAT（做了什么）：就是指的用戶發生了怎樣的行為，根據行為的深入程度添加權重。比如，用戶購買了權重計為1，用戶收藏了計為0.85，用戶僅僅是瀏覽了計為0.7。
當上面的單個標簽權重確定下來后，就可以利用標簽權重公式計算總的用戶標簽權重：
標簽權重=時間衰減因子×行為權重×網址權重
舉個直觀的例子，通過用戶的行為數據，“B用戶今天在蘋果官網購買了iPhone6”反映出的用戶標簽可能是“果粉1”；而“A用戶三天前在天貓收藏了iPhone6”反映出的標簽可能只是“果粉0.448”，這些可以給不同用戶打上不同的標簽和權重。
有了標簽和權重后，這將在后續的營銷決策中發揮指導作用，比如廣告重點推送給這些用戶，以及協同推薦。
二、用戶畫像的利用
關於得到用戶畫像后可以區分不同用戶級別從而進行相應的精准營銷的問題，推薦引擎利用特殊的信息過濾技術，將不同的內容推薦給可能感興趣的用戶。較常見的推薦引擎通用算法有
（1）基於關聯規則的推薦算法（如買了泳衣的用戶可能會買泳鏡）；
（2）基於內容的推薦算法（需要用戶的歷史數據，例如我在淘寶上買了個貓砂盆，轉眼第二天又給我推薦了一個貓砂盆）；
（3）協同過濾推薦算法。
協同過濾推薦的核心是找到和目標用戶興趣相似的用戶群，技術上叫“最近鄰居”（Nearest Neighbor）。
通過最近鄰居對商品的加權評價來預測出目標用戶對該商品的喜好，從而進行精准推薦。套到題主所說的用戶畫像，那么可以理解為：系統匹配與目標用戶的畫像所相似的用戶群，然后推薦這類用戶群感興趣的商品給目標用戶。
簡單來說，物以類聚，人以群分。
最后補充一點關於協同過濾推薦的最主要的優缺點。
優點：可以過濾難以進行內容分析的商品，例如音樂。且推薦具有新穎性。
缺點：用戶做出評價較少的情況下，數據不充足，產生稀疏性問題。
整理來源於：https://www.zhihu.com/question/33044706