本文基于网络公开数据对企业画像的方法进行了初步的探索。企业画像是用户画像的一个类型,它将画像的分析对象从个人用户向企业进行转变,是个人用户画像的拓展应用。用户画像是对多维数据进行描述和分析的一种新的数据分析方法,在精准营销和个性化服务中发挥了重要作用。对企业进行画像可以将企业较为零散的信息进行系统化的分析,用标签的方式精简且直观地展现企业信息。但由于企业,尤其是中小企业的公开信息较少,在进行企业画像时,容易因为信息不足而难以较为准确描述企业特性,因此,研究对企业如何进行画像,具有非常重要的现实意义。本文以中小企业为例,依据其公开网络数据探讨企业画像的方法及应用。首先建立指标体系爬取天眼查网站1上的2242个中小企业的有关数据。并对数据进行清洗,分别采用两次聚类后均值估计和SMOTE过采样技术解决数据中存在的缺失值和不均衡问题。其次,提取标签并进行建模,分别从事实标签层和模型标签层进行分析。通过词云图探索不同风险状态的企业在基本信息、活跃度和创新能力方面的标签事实特征。通过建立四种回归模型和关联性分析将统计方法和以机器学习为主的数据科学方法进行融合,探索标签间存在的相关关系。经过实证,回归模型对企业风险状况和活跃度、创新能力的相关关系的拟合效果都较差。采用Apriori关联性挖掘算法,可挖掘出9条企业风险状况和企业活跃程度、创新能力之间的强有效关联规则。规则显示,当企业的活跃程度和创新能力的发展较好且步调一致时,企业的风险偏低;当企业的活跃程度和创新能力的发展较慢,或顾此失彼时,企业的风险偏高。本文对缺失值和不均衡数据的常用方法进行了深刻的讨论,解决了不完全信息的处理问题。并用可视化和建立模型的方式对标签进行了分析,从事实层直观展示出了不同类别企业风险状况的标签特征,并在分类算法之后进一步分析标签间的相关关系。引入了数据挖掘的算法—关联性算法对企业进行画像,挖掘出了标签间存在的相关关系,充实了现有研究中企业画像的算法分析与实证,实现了数据科学方法和统计方法的融合,具有一定的理论价值和较强实际意义。