推荐系统中也有用户画像的概念，一般我们认为是用户的业务画像，其与营销意义上的用户画像有着本质的不同。之前所述，我们知道推荐系统需要收集用户的行为数据和部分属性数据用于计算分析，而系统需要将这些数据进行向量化，机器才能识别这些数据，向量化的结果就是推荐系统中的用户画像。它本质上属于系统计算过程中的一个副产品。它的作用是让机器理解数据，并不是让运营人员理解数据，因此并没有一堆酷炫的数据可视化界面。

为什么营销的用户画像在推荐系统中没有意义？

营销意义上的性别、职业、收入、哪里人、风格喜好、高低净值、新用户、活跃用户、流失用户等标签画像对于系统去捕捉实时的用户购物喜好是没有任何帮助和意义的，自然机器也不会将这些标签画像向量化反应到推荐结果中。

举个例子：一个打着女性、白领、喜欢读瑞丽杂志和活跃用户标签的用户我们应该给她推荐什么呢？如果此用户近期在平台内一直浏览的是空调、洗衣机，难道我们要按照固有思维仍然去给她推荐口红、面膜么？显然此种推荐是非常荒谬的。推荐系统的本质是提升运营效率，而非着眼于营销。运营的目的是通过更好的服务来达到最终的业务目标（促成销售或黏住用户）。

营销意义上的画像本身就是一种群体特征表达，例如我们说一个人长着柳叶眉，那么什么是柳叶眉呢？我们把人的眉型根据形状、稀疏、走向划分成若干种，其中有一种我们命名为柳叶眉。那当我们说这两个人都长着柳叶眉的时候，是不是意味着他们的眉毛长得一模一样呢？肯定不是，只是他们的眉毛在大的特征上符合柳叶眉的特点。我们不能为每一个人创造一种眉型，这个世界上我们总结出的眉型可能就那么几十种，但就这么几十种要表达出五十多亿人的眉毛来。

可见，用户画像无论多么细致，设定多么庞大的维度来做交叉，它都只是一种群体表达，不是个体的。它可以非常好地服务营销，因为营销的粒度本身就是到群体，而不是到个体。有人会说我们可以把粒度设置足够细，细到定位个体。先不论我们是不是可以定义如此庞大且互不影响、互不相悖的维度来，即使我们可以，这种尝试将令营销工作因为效率过低以至于完全无法进行。

对于运营来说，推荐系统是提供差异化服务的在线工具，这个工具就像一个贴身的售货员，当一个客户走进店里来，它会去观察他的所有行为：他看了哪些商品、对哪些商品爱不释手但又没购买，询问了哪些商品的价格，最后买了什么。每一次这个客户进店之后的这些行为全都被这个售货员看在眼里，以至于有一天当这个客人一进店的时候，这个售货员直接带他来到一个专属的房间，这个房间里所有的商品都是售货员根据这个客户的历史行为推算和挑选出来的。客户可以直接在这里浏览挑选，不必再一件件从几十万种商品里翻看。

这是一种服务，针对到个人的服务，而不针对人群的服务。因为服务对象只要超过一个人，就需要做取舍，而智能推荐的本质是一种只为指定对象考虑而不需要因其他因素做取舍的服务。

所以这种本质上的差异性决定了，营销上的用户画像是取舍后的产物（分群），用一个取舍后的产物来辅助产生一个不需要做取舍的服务，其作用的有限性是显而易见的。我们不能够武断地说它完全没有作用，而是我们也需要做取舍，用户画像究竟是用来营销，还是要用来运营。本质上的差异决定了，试图两者兼顾的做法带来的都将是两者皆不可得。