用户PERSONA的含义：
P 代表基本性（Primary research）指该用户角色是否基于对真实用户的情景访谈
E 代表移情性（Empathy）指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引起同理心。
R 代表真实性（Realistic）指对那些每天与顾客打交道的人来说，用户角色是否看起来像真实人物。
S 代表独特性（Singular）每个用户是否是独特的，彼此很少有相似性。
O 代表目标性（Objectives）该用户角色是否包含与产品相关的高层次目标，是否包含关键词来阐述该目标。
N 代表数量（Number）用户角色的数量是否足够少，以便设计团队能记住每个用户角色的姓名，以及其中的一个主要用户角色。一个产品，一般最多满足3个角色需求。
A 代表应用性（Applicable）设计团队是否能使用用户角色作为一种实用工具进行设计决策。
我们通过调研去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，例如：一些个人基本信息，家庭、工作、生活环境描述，赋予一个名字、一张照片、场景等描述，就形成了一个具象的典型用户画像。人物角色一般会包含与产品使用相关的具体情境，用户目标或产品使用行为描述等。为了让让用户画像容易记忆，可以用具体的名字、标志性语言、几条简单的关键特征进行描述。一个产品通常会设计3～6个角色代表所有的用户群体。
如何去落地用户画像分析的？
一、如何建立用户画像
说白了主要是对两类客户的认知和判断：
现存客户 (Existing Customer) - 我的现存客户是怎么样，喜欢什么，什么消费习惯，哪些客户最值钱等等
潜在客户 (Prospect Customer) - 潜在用户又分：认知客户和竞品客户，我的潜在客户在哪，他们喜欢什么，通过什么渠道获取，获客成本是多少等等
分析的维度，可以按照人口属性和产品行为属性进行综合分析，
人口属性：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯等；
产品行为：产品类别、活跃频率、产品喜好、产品驱动、使用习惯、产品消费等；
这个问题从本质上看是两类问题：
1、对用户画像，打上标签。这是个聚类问题，将同一类用户通过算法聚合成一类。
2、对不同用户进行精准营销。这个问题是个预测问题，对用户行为建模，预测某一类用户会对什么更感兴趣。
一、先说第一类问题，聚类。这个成熟的算法很多，具体选择哪种就要看你的数据有什么了。既然叫做数据分析，那边必然是以你的数据为准基础的，看你的数据包含什么，如果能把用户映射到某一个空间里面，表示成向量（也就是高维空间的坐标），就可以kmeans，DBscan等等方法来进行聚类，如果只能给出两两用户的相似度，那么就是用基于层次聚类的算法。再重申一遍，关键是数据。
二、就是对用户行为建模，同样因为不了解数据，就只能简单讲一讲普通的流程。精准营销这个问题可以规约为预测用户对什么商品感兴趣。这个建模流程简单来说应该包含下面几个过程：
a、选取特征，从历史数据中选择、构造出一些特征，假设这些特征和要预测的值之间的一个关系（这个关系也就是你的模型）。这一步是定性的过程。
b、确定模型中的未知系数，也就是定量的过程。
c、计算模型的置信度，根据测试集数据（从历史数据中选择一部分出来，分割方法很多，自行百度交叉验证）来判断预测准确性，如果符合要求，就可以用这个模型来预测用户喜欢什么，进行精准营销，如果准确性不满足要求，那么就再重复上述过程，构造更复杂的特征，或者收集更多数据，尝试其他模型。
（1）定性与定量相结合的研究方法
定性的方法，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。是描述性的
定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。是可量化的。
关于建立用户画像、标签化的问题，不仅需要从已有的用户数据进行定量分析，还需要以问卷、访谈等形式进行定性研究。定量和定性分析相结合，才有可能得出一个更为精准的用户画像。但更重要的是以用户为中心，而不是以数据为中心。
用户的行为，我们可以用4w表示：WHO（谁）；WHEN（什么时候）；WHERE（在哪里）；WHAT（做了什么），具体分析如下：
WHO（谁）：定义用户，明确我们的研究对象。主要是用来用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、身份证、微信微博号等等。
WHEN（时间）：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。越早发生的行为标签权重越小，越近期权重越大，这就是所谓的“时间衰减因子”。
WHERE（在哪里）：就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签，比如小米手机；网址则指出用户行为发生的具体地点，比如小米官方网站。权重是加在网址标签上的，比如买小米手机，在小米官网买权重计为1,，在京东买计为0.8，在淘宝买计为0.7。
WHAT（做了什么）：就是指的用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户购买了权重计为1，用户收藏了计为0.85，用户仅仅是浏览了计为0.7。
当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：
标签权重=时间衰减因子×行为权重×网址权重
举个直观的例子，通过用户的行为数据，“B用户今天在苹果官网购买了iPhone6”反映出的用户标签可能是“果粉1”；而“A用户三天前在天猫收藏了iPhone6”反映出的标签可能只是“果粉0.448”，这些可以给不同用户打上不同的标签和权重。
有了标签和权重后，这将在后续的营销决策中发挥指导作用，比如广告重点推送给这些用户，以及协同推荐。
二、用户画像的利用
关于得到用户画像后可以区分不同用户级别从而进行相应的精准营销的问题，推荐引擎利用特殊的信息过滤技术，将不同的内容推荐给可能感兴趣的用户。较常见的推荐引擎通用算法有
（1）基于关联规则的推荐算法（如买了泳衣的用户可能会买泳镜）；
（2）基于内容的推荐算法（需要用户的历史数据，例如我在淘宝上买了个猫砂盆，转眼第二天又给我推荐了一个猫砂盆）；
（3）协同过滤推荐算法。
协同过滤推荐的核心是找到和目标用户兴趣相似的用户群，技术上叫“最近邻居”（Nearest Neighbor）。
通过最近邻居对商品的加权评价来预测出目标用户对该商品的喜好，从而进行精准推荐。套到题主所说的用户画像，那么可以理解为：系统匹配与目标用户的画像所相似的用户群，然后推荐这类用户群感兴趣的商品给目标用户。
简单来说，物以类聚，人以群分。
最后补充一点关于协同过滤推荐的最主要的优缺点。
优点：可以过滤难以进行内容分析的商品，例如音乐。且推荐具有新颖性。
缺点：用户做出评价较少的情况下，数据不充足，产生稀疏性问题。
整理来源于：https://www.zhihu.com/question/33044706