随着互联网线上线下融合业务（O2O:Online To Offline）的不断扩张,外卖已经成为人们重度依赖的线上服务,尤其是近些年在突如其来的新冠肺炎疫情影响下,外卖满足了人们足不出户的点餐需求。新商户入驻外卖平台的过程中,用户是运营营销的核心对象,为用户构建精准匹配的用户画像就是最便捷直观的选择。在用户的使用场景中,商户画像和消费倾向的匹配、各类商户的营销推荐和优惠等,更是提高用户粘性和用户使用度的关键。随着大数据技术的完善和各种机器学习算法的迭代,我们可以从静态数据和用户订单行为数据中挖掘出更多的需求。本文尝试为商户和用户构造画像。先从商户角度出发,通过爬虫获取商户的静态标签作为补充,以用户下单行为数据为主,基于平均单价、销量、平均折扣等特征出发,使用KMeans聚类算法为不同商户进行聚类,形成商家的群体画像。其次从用户角度对用户下单的行为数据进行分析,区别于传统的用户细分,在R（Recency）、F（Frequency）、M（Monetary）的基础上加上订单平均折扣的特征D作为补充。考虑到外卖用户的流失对商家而言是较大的损失,借助机器学习方法,基于用户订单行为数据构建用户流失倾向的预测。研究中选择了在测试集上表现最优的XGBoost方法,提取出对用户流失倾向影响最高的几个特征,再次使用聚类算法,将用户基本划分为三类。针对不同类型的用户群体,分析其消费特征,给出运营建议和提高用户粘性的策略。论文的最后,针对最有代表性的第二类商户,即折扣大单价低受众群体明显的商户,通过高德API等方式获取POI数据特征进行补充,为商户画像标签和用户画像标签进行合理的匹配和关联,作为调整运营策略的数据支撑。本文总结和概述了用户画像的核心和构建思路,创新性的在R、F、M的基础上补充了折扣D的相关特征,结合影响用户流失倾向的特征工程,为用户分群打标签,并将商户画像和用户画像进行关联,为画像的落地使用提供了数据基础。