从20世纪60年代左右开始,随着全世界计算机、互联网,以及近年来大数据技术等的飞速发展。各类应用软件、手机APP从不同方向、多维度不断改变着我们的日常生活。同时各类应用软件、网站、APP等也不断记录着我们的信息,这些信息也呈多维度、超体量、多深度的爆炸式增长。多维度、超体量、多深度的数据开启了我们新时代的转型,各个领域的企业家们逐渐意识到数据的深层次价值,数据、软件研发工作者们也开始深入研究如何利用海量数据,提取对企业更有实用价值的深层次衍生数据。各类手机电子商务APP的猜你喜欢的商品、抖音APP的个性推荐等数据化产品应运而生,这些数据模型就是利用用户的日常消费行为,购买偏好习惯等数据,通过一系数据分析方法,不断迭代数据模型,从而构建出用户画像,然后为企业精细化运营提供强有力的数智化、自动化工具支撑。对于各大电商平台,以及应用软件APP商家来说抓住数据先机,就会抓住了新时代的商机。然而过去传统的数据收集工具、构建工具,分析目标用户群体特征的方法等,数据分析结果偏差大,计算分析速度不高等问题亟待解决。近年来海内外的学者们针对这些问题进行了深入的研究与创新,迭代出各种基于多种算法模型研究用户精准画像的方法。本文的样本数据来源于某电商APP的真实脱敏用户数据,研究用户画像的基本概念、模型构建方法、最优算法组合模型等。先从单一实验模型开始,比较了GBDT算法模型、Xgboost算法模型、Random Forest算法模型,然后把这三种模型结合,构成组合模型,通过实验得出最理想的的组合算法模型,进而用于预测未来电商平台的客户购买意愿。依此为电商APP平台提供定制化的用户消费目标群体画像。通过实验得出GBDT算法模型-Xgboost算法模型-RandomForest算法模型组合可达到最好的用户画像构建、用户购买意向预测效果。借助此混合模型可应用于电商APP平台实现线上精准营销等。