4分钟，看懂用户标签体系怎么做？

通过给用户建立标签，可以实施更精准的运营，本文作者就教你用3分钟看懂用户标签体系。

随着越来越多的企业开始追求对用户的精细化运营，用各种手段延长用户的生命周期，促进用户的活跃与转化，并尽一切可能产生商业价值，已经是运营的核心。

要做好精准化运营的第一步，便是更好的认识我们的用户，识别我们用户的各类特征，构建一个完善、精准、动态的标签体系，实现全用户的价值增长。

下面我将结合自身经验，说说我认为用户标签该怎么做：

一、业务梳理

搭建用户标签体系需要考虑到后期标签的维护和扩展，可以用以下的思路来思考，通过业务流程把数据串联在一起，我们以一个电商类app为例，思考如下问题：

• 用户从何来？
• 用户注册信息是否有？
• 用户登录的设备信息是否有？
• 用户进了app产生了何种行为？浏览了多少商品，是否有加购物车？
• 用户是否产生了消费行为？消费频次消费金额怎么样？
• 用户打开app频次怎么样，最近一次打开是什么时间？
• 用户偏好什么类型商品？
• ……

我们可以思考一个用户整个生命周期可能产生什么数据，将整个业务串联起来。

梳理结果可能如下：

二、将标签进行分类、定义

整理了业务数据后，我们可以根据这些数据的属性进行分类组合形成标签，形成一个结构清晰，也可展示各标签之间关联的标签表，也为后续独立计算某个标签下的属性偏好或者权重提供方便。 梳理标签时，尽量做到相互独立完全穷尽，保证每个子集的组合都能覆盖上层的所有数据。标签的层级可以控制在四级以内。

根据数据的时效性来看，标签可以分为静态标签(长期不会改变，例如性别、生日、注册信息等)、动态标签(需要定时更新保证标签有效性，例如用户活跃情况、购买情况)。

从标签生成方式来看，也可分为事实标签、规则标签、预测标签。

事实标签即从原始数据中提取，例如用户注册信息中提取用户性别、生日、注册手机号、注册城市等。

规则标签即没有直接对应数据，需要通过规则进行定义，通过计算来得出标签，例如流失用户、支付偏好等。

预测标签即参考已有事实数据，来预测用户的偏好，例如根据用户历史的购买行为来预测其群体特性。

在定义一些规则标签时，我们需要对业务有个深入的了解。

例如：定义流失用户时，究竟怎样算流失？30天内未登录？还是60天内未购买？很多类似这种标签的定义会各种各样，我们需要和各方进行口径对齐，保证大家对标签定义的理解一致，以及标签后续的可用性。

整理标签如下：

三、标签处理

将标签划分为静态、动态，有助于运营人员理解标签体系的设计以及表达需求。而将标签分为事实标签、规则标签、预测标签则是数据处理计算维度，有助于技术人员理解标签的模块分类及功能，帮助他们合理的设计处理数据，规划数据储存方式、抽取方式、计算方式，以及保证标签的更新及时性及数据变更效率。

在实际处理中会遇到一些问题，例如基础属性信息缺失、行为属性规则不能灵活设置、数据不够导致无法创建想生成的标签等。我们可以通过建立模型，计算用户相应属性的匹配，也可以通过模型，计算缺失的事实标签。

例如可以根据用户浏览记录、购买记录行为来预测用户的性别偏好度，以此来填充缺失数据。

标签也可设计成灵活配置，运营人员可以根据自己的需求，灵活更改标签的定义规则来圈定本次活动目标用户。例如可以支持时间和单数的更改选择，最近30天内下了3单->最近60天内下了6单。

支持创建组合标签，可以解决标签的扩展问题，除了原有规则定义，还可以将多个标签进行组合创建新的复合标签。

标签数据计算储存后，我们需要推动标签应用层的建设，推动建设后台标签管理系统，以及将标签体系与运营营销后台打通，支持运营人员个性化配置及精准推送，在此不过多赘述。

四、标签应用-精准推送

即在合适的时间通过最佳渠道，给用户传递最感兴趣的内容。

可基于短信、push、公众号等在用户偏好的渠道上推送信息，提升触达率及用户体验。可以根据用户历史数据，实现基于用户兴趣的个性化推荐，也可在文案中植入用户个性化标签，增加用户的好感度亲密度。

还可以通过用户历史购买时间，判断用户最容易消费的时间点，在合适时间给用户发送营销信息。

除精准推送外，用户标签还有很多其它的应用场景。例如推荐栏位、消费周期评估、广告投放等，在技术层面上，对算法建模及响应性能也有着更高的要求。

以上，希望对大家有帮助。

 

作者：赵小洛，公众号：赵小洛洛洛

本文由 @赵小洛  原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议