使用者畫像大致分兩類：一是使用者屬性畫像；二是使用者行為畫像。

使用者屬性畫像，比如性別、年齡、收入、興趣愛好、活躍時間，居住地。前面講到的高階新品鋪貨終端，也是屬於B端使用者的屬性畫像。

使用者屬性畫像，可以用於產品開發，比如尋找目標使用者；可以用於產品推薦，比如使用者畫像是“寶媽”，那麼，就可以根據寶媽的需求特徵，向“寶媽”使用者推薦適合的商品。

線上推薦系統，把相同畫像的使用者稱為“鄰居”，根據“鄰居”的喜好推薦給使用者。

傳統營銷也做使用者畫像，更多的是使用者屬性畫像。大資料也做使用者屬性畫像，比如新品研發，比如B端使用者畫像。但是，針對C端使用者的大資料畫像，更多的行為畫像。

如果說使用者屬性畫像是根據畫像“猜測“使用者行為的話，那麼，使用者行為畫像就是根據以前和現在的行為，預測下一次行為。

行為已經產生，預測下一次行為就相對比較容易。

營銷數字化最重要的畫像是行為畫像。行為畫像與屬性畫像不同，屬性畫像有一定的穩定性，因為性別、年齡是穩定的，興趣愛好也有相對穩定性。但是，即便是同一個人，行為變化也很大，比如抖音使用者，今天喜愛的內容，明天或許想換一個口味，那麼，只要使用者做出改變，使用者行為畫像立即做出改變。

亞馬遜是利用使用者畫像推薦的鼻祖，亞馬遜透過使用者在站點的行為，包括瀏覽物品、購買物品、加入收藏夾和wish list等，以及評分等使用者反饋方式，共同構成使用者畫像，並用於下列用途：

1、當日推薦。根據使用者近期瀏覽和購買記錄，結合當下流行物品給出一個綜合推薦。

2、新品推薦。採取基於內容的推送機制，將一些新產品推薦給使用者。由於新產品只有較少的使用者喜好資料，基於內容推送就解決了這個問題。

3、關聯推薦。採用資料 挖掘技術對使用者的購買行為進行分析，找到經常被一起或被同一個人購買的物品集。在圖書購買中，這類推薦就非常多。

4、他人購買/瀏覽物品。這是物品的協同過濾推薦，透過社會化機制，使用者能更方便地找到感興趣的產品。