我接触过各行各业的客户，在跟他们交流以及沟通需求的过程中，很明显的会感受到，在数据的基建和应用层面，除了重视数据分析外，也越来越重视数据资产在更多业务场景中的应用，标签画像的建设和应用就是其中一类很常见的需求和期望。
事实上，我认为从对业务的价值来说，标签和画像是类似中间层的系统模块，具体来说，数据资产本质上是一些采集、采购所获得的数据源，但企业希望在数据源的基础上，实现资产变现，而且不断扩大资产价值。
在这个过程当中，企业需要把数据转化成一类真正对业务有价值输出的产物，然后在这些产物之上实现上层业务的应用，如类似 CRM 产品对客户做一些营销、个性化推荐等应用，真正将数据变为实现业务价值的利器。很多企业都意识到，这个中间层就是标签画像。
那么，在标签画像建设之上，更加具体的应用目的是什么呢？
很多企业虽然做标签和画像考虑的侧重点会不一样，但是全部抽象出来分析，可以分成以下几类（如下图）：
图 1 做标签画像的目的
大多数处于对标签和画像探索阶段的客户，在早期会侧重在类似客户生命周期管理、高价值的客户深入开发、交叉营销等角度（如图 1 左侧），其本质原因是，企业希望把现有客户资产挖掘和客户运营做的更好。
随着人口红利降低，用户获取成本越来越高，尤其对业务相对成熟的行业，如银行和证券这类公司，虽然在库里沉淀了几亿、几千万用户，但是真正活跃的用户量并不多，所释放的用户价值也比较少。
在以前，银行的个人业务服务资产有的需要达到 6 百万以上，才会进入私人银行范畴，所以长尾客户群体的价值在业务运营范围内是被忽视的。现在，企业希望挖掘这类人群的价值，但因成本受限无法像以前使用理财经理、专人理财服务的方式去服务这群人，银行开始借鉴互联网理财和互联网运营方式挖掘用户价值。
与此同时，企业开始极为重视数据，希望通过数据和数据资产花最小化成本将这群客户服务的更好，这是现阶段金融业相对主流的侧重需求。
另外一类需求主要与个性化相关（如图 1 右侧），之所以将两类需求分开是因为图 1左侧这一类是以分群的思路来考虑的几个方面，把客户划分成几类，还没有细化到为某个客户做定制化的服务，相反，图 1右侧的几个方面个性化程度会更深一点，整体的投入成本也会显著比左边高。
举个例子：个性化推荐本身对于数据资源、基础硬件、人力成本等方面的消耗都大于左边。因此，每个企业都有不同的发展阶段、业务诉求、投入产出比、可投入成本等决定企业是以上图左侧为主，还是以图 1右侧为主。
事实上，从早期应用来说，我们也会推荐客户先主攻图 1左侧部分，因为相对而言，这部分使用较小的投入、可产生更大的边际价值，当这部分达到业务提升的天花板时，可以开始通过图 1中右侧的手段来进一步增加价值。
也就是说，左侧的方式到达一定的上限以后，企业需要使用更极致的手段实现突破，如个性化推送、个性化推荐、个性化实时营销。
如头部电商企业基本都实现了个性化实时营销，当用户准备购买一个商品，却在付款页面流失了，表明客户是有成单意愿，但存在某些疑虑，或者就是被打断后忘记回来了，系统就会在大概十分钟之后，基本上等于实时给客户做营销推送，Push 用户成单。
当然，如果业务发展快，有明确的场景和充分的资源，想要两者一起来做，那当然也是可以的。
标签和画像实际上是对数据的再加工，根据不同的加工输出可分成四大类应用场景（如下图 2）：
图 2 标签画像的应用总结
（1）精细化运营
企业逐渐从粗放式到精细化，希望将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
（2）用户分析
用户画像也是了解用户的必要补充，在产品用户量扩大后，需要辅以用户画像配合研究，如新增的用户有什么特征，核心用户的属性是否变化等。本质上来讲，标签就是对用户的描述，所以对标签的加工，相当于更深层地分析出贴近业务的用户信息，这个信息会减少大家基于原数据重新跑一些业务分析和用户分析的场景。
在这里强调一点，我发现很多企业在使用数据时，会忽略思考数据背后代表的意义，但是企业需要在使用数据解释业务特征时，更深层次地剖析数据代表的用户特征，因为增添这一层思考，意味着企业的业务自始至终真正服务的对象都是用户，而不是把这些业务作为服务用户的手段。
所以，当企业开始探索业务的持续性发展时，企业对用户的了解和认知非常重要。举个例子：我在给一些证券客户做咨询的时候，会首先引导企业梳理现有数据，基于客户视角把客户资产盘点一次。
（3）数据分析
标签可以理解成作为用户分层分类的规则之一，数据查询平台和这些数据打通后能支持更加丰富和深层的分析及对比。另外，数据分析的应用，可以更具像到一个概念，即产品的应用。
（4）产品应用
用户标签是很多数据产品的基础，诸如广告系统、个性化推荐系统、CRM 基础搭建等，事实上，自动化运营本质上在技术角度对底层的要求就是标签体系。
很多企业会使用 Push 来拉新、活跃、召回用户，其实企业如果是引入外部第三方企业来支持 Push 业务，第三方企业会根据公司的 DAU 或 MAU 来收取费用，这意味着企业每个月给客户推 0 次和推 5 次 Push，付出的成本一样。
另一方面，企业对一个用户推 10 次与精准地推 3 次（3 次都产生效果）相比，后者 Push 用户产生的效果更好。所以 Push 的应用非常强调技巧，需要从成本和 Push 用户产生的效果两方面考虑。
举个例子：如果企业的目的是通过 Push 增加理财交易，我们可以先通过两层标签筛选找到推送的用户，第一层是生命周期标签筛选，如处于交易流失期的用户，第二层是行为标签筛选，如最近七天查看过银行理财产品的用户。之所以设置第二层筛选将这群人抽取出来，是因为这群人是可被迁移的用户，而且是理财产品的潜在营销用户。
如果企业不对这群用户采取相应措施，这些潜客就会流失，但是如果企业对这些用户做精准营销，不仅对理财业务，还是对整体业务都会产生很大的价值。
图 3 典型应用场景
这是一个真实场景的举例（如上图 3），理财业务的运营同学，通过上述规则筛选出 5 万人，并对这些人发了一条精准的 Push，推送后打开 App 人数达到 5680 人，打开率达到 11.4%（数据做了一定的处理）。
事实上，通常金融类的 Push 打开率，能够达到 5% 已经非常不错了。但是，通过判断这群目标用户的特征和需求后采取定向推送，使 Push 打开率能达到接近 3 倍以上，这意味着如果企业采用非精准推送方式，所要覆盖的用户群需要精准推送的 3 倍。
同时，采用非精准推送方式会造成两个大的影响：
所以使用精准推送是对整体效率的提升，但是很多企业在具体的业务中很少对投入资源的有效性进行核算，这也是企业需要做精细化运营的必要性之一。
图 4 典型场景流程
那么，我们刚刚讲的那个例子，在实际的业务过程中，一般是怎么操作和实现的呢？
具体来说，我们可以分为 4 个步骤。首先，根据既定的目标确定一个人群的属性描述，其实这对应了企业的商业策略。
举个例子，目标是提升理财的交易额，我把从流失的用户获取理财交易额的增长作为其中一个策略，并定义为对于交易流失用户的潜客营销。这时候人群策略就呼之欲出了，投放人群策略描述为交易高价值客户，且处于交易流失期的有理财意向的非理财用户，便可以从各种各样维度选取相应标签，并通过标签快捷筛选获取名单，然后实施精准触达用户，最后再评估营销效果。这整个流程也是个性化营销或分群营销中常见的一种思路。
通过前面的介绍，我们知道标签和画像在企业变大变强中有举足轻重的作用，但是现在有不少企业，说是做了用户画像系统，可能就只是实现了一些静态标签，以用户基本属性为主，或者做一份高大上的用户画像报告，但跟业务系统并没有打通，没有真正用在实际业务中对业务没产生价值。因此很多企业做标签和画像的初衷很好，但却沦为了形式主义。
所以，不是有标签画像了，企业就能驱动业务、实现增长，标签画像“做了”跟“做好”，以及“有了”和“用上了”，中间存在着很大的鸿沟。企业是为了驱动业务、实现增长才需要标签画像，而不是为了有标签画像而做标签画像，不能本末倒置。
所以结合前面的案例标签画像从建立到应用的正确步骤可以用以下几个图概括：
图 5 确定商业目的，设定目标
图 6 明确目标人群特征
图 7 抽取标签及属性值定义
图 8 效果评估
建立一个完整的标签体系需要注重四点：了解标签的获得形式；清楚业务形态，以商业目的出发，汇集标签；对标签池进行分类和定义；标签的维护。
下面我将一一展开：
图 9 如何建立一个完整的标签体系
图 10 了解标签的获得形式
首先我们都知道标签本身会有很多分类，但是从它的实现规则来看，大致可以分成以下几类：
（1）基于统计类的标签
顾名思义，这类标签是可以从用户注册、用户访问、消费类数据中统计得出，是最为基础的标签类型，例如：性别、城市、App 使用时长、周均启动次数、月均消费金额等字段构成了用户画像的基础。
（2）基于规则类的标签
该类标签基于用户行为及确定的规则产生，在实际开发标签过程中，该类标签的规则由运营人员和数据人员共同协商确定。如：距今 90 天内交易次数 > 3，是“交易活跃”标签的定义和口径；连续 12 个月内飞行航段 > 20 ，是“常旅客”标签的定义和口径。
（3）基于挖掘类的标签
该类标签为概率模型，概率是介于 0~1 之间的数值，需要通过算法挖掘产生。例如：根据一个用户的行为习惯判断是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。
需要注意的是数据源的梳理和基础规则的应用是应用挖掘类标签的前提。如果企业的数据源没有做规则，基础没打好，挖掘类标签可以暂时不考虑。因为建立规则仿佛在搭建一个小阶梯，如果这个阶梯搭好，证明你的数据质量和存在应用提升空间，你再往上提一阶是比较合理的方式。
因为这里会涉及到成本的投入和人员的应用能力，这是个循序渐进的过程，包括我们给客户服务的时候都会给他强调存在阶梯式递进的过程。
另外，图 10 中的用户自然属性、用户交易数据、用户资产数据、用户行为特征、第三方来源数据是基于数据源或具体的业务场景做的标签分类。事实上，最终呈现的标签，一般都是以业务视角的，标签与应用场景，以及统计的属性源会都有关联。
之所以这样做，是因为这样的标签是以用户视角定义的，让用的人知道这个标签代表了什么含义，而不是了解通过什么方式抽取的。所以，我们真正给客户梳理标签的时候大多都是基于用户视角梳理。
（1）还原业务流程
图 11 还原业务流程
用户画像首先是基于业务模型的。业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。但是数据部门也需要注意不能闭门造车，这其实跟做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个 APP，结果往往是无人问津。因此，企业构建标签的第一个步骤为熟悉业务。
事实上，我们在给客户做咨询的时候，有的客户刚开始会认为我们没有做过他的业务，并不清楚其业务形态，无法精准的梳理标签体系，但是，很快他们就会打消这个念头。因为我们做咨询的人会有一个体系化、方法论和迁移能力。
例如：我在进入互金行业之前是做游戏行业的，但在两个月之内我对互金产品体验和对这个行业的把握可以达到在这个行业做了三年都达不到的水平。
为什么呢？
我会试用行业头部所有的产品，去真的做投资，把它们的产品体验和营销策略梳理出来，并在这个过程中运用之前学到的体系和方法论对这个应用场景做调整，事实上，你会发现真正做咨询和用户本身对业务的理解是互相匹配的过程。做业务的人很可能对这块业务相对熟悉的，但是他对怎么把这套东西体系化和交付给其他人去应用会比较陌生。所以，这也是企业需要咨询的价值。
（2）明确商业目的
图 12 明确商业目的
这一步是需要明确标签是用来干什么的。每个公司，甚至每个运营对标签体系的设立都是非常不一样的。比如：企业要做个性化推荐，做关于物或人的兴趣、偏好的标签会比较有价值，但是如果企业要做用户运营，做关于用户的留存、活跃标签会更有价值。所以标签体系的建立最终是跟企业的商业目的强相关的。
（3）汇集标签
图 13 从策略推标签
关于汇集标签，需要结合企业的运营策略和应用场景，使用户人群的定义归结到原子层的标签，考虑到涉及哪些数据源和标签赋值的区分度，这些最终会成为企业标签体系架构和标签数据源的梳理原则。
（4）标签的分类与定义
图 14 标签的分类
上图是一个相对通用的标签体系架构，虽然并不一定适合每一家企业，但在梳理标签和画像时，这是一个很好的参考框架，通过这个框架给企业梳理业务场景和目标，再反向设计标签，但是标签的设计与应用一定要基于对业务和架构的理解。
这个框架实际上应用了分类的概念，它会涉及到标签生成规则、所属的标签层级具体到属性参数等，这些都会标注在系统里。但是，神策数据给客户咨询，最终更多是结合应用场景给到客户，如标签归属在哪个层级，哪个业务体系，基本上是给具体应用的人看的最直接的标签体系。
图 15 标签的定义
（5）标签的维护
标签的维护往往是容易被忽视的重点。事实上，标签也具有生命周期，从需求提出、到生成、到审批、到执行。
对于很多企业来说，生成一期标签并不难，我们有很多客户自己梳理了三四百或者上千的标签，但是这些标签被生成之后，并没有明确的更新规则，更新规则包括：标签更新周期，如：实时更新、每月更新等；标签更新维度，在什么情况下触发对具体用户的更新，如什么情况下更新某类用户的风险评级；标签更新权限，如哪些人可以更新这个标签库；无用标签的淘汰，如标签库内只会使用到 60 个标签，但是标签库中有 90 个标签，其中有很多无效标签占用资源等。所以标签维护是非常重要和系统的工程。
但是，很多企业没有意识到这一点，或者意识到了却最终不了了之。
以上就是构建标签体系的几个关键点，事实上好的标签设计应具备以下特征：
图 17 标签设计特征
我还想强调一点，企业应该以终为始，用业务需求倒推标签设计，而不是有什么样的数据就生成什么样的标签非常重要，这两个思路的本质差异是企业是以目的为导向，还是以系统为导向，如果只是以系统为导向，很难做出有价值的产物，所以我们非常强调业务部门和技术部门的互动，生成标签不只与 IT 部门有关，还与业务使用场景强相关。
关于标签体系的构建我做了一个总结，如下图：
图 18 完整的标签体系建立流程
图 19 项目管理实施流程
以上是一个神策标签画像产品的实施流程示意，如上图，可以发现，我们整体的项目管理做的非常精细，包括项目准备、系统部署、标签需求梳理、产品持续交付、标签系统实施、交付与培训、交付后支持七个步骤。
图 20 需求调研
具体到其中的需求调研阶段，上图是我们根据了解到客户的业务场景、运营策略和需求初步建立的一个需求梳理框架。因为该企业设计标签体系的目的是做用户运营，所以会从新客培育、活跃留存、交易提升、资金留存、沉没唤醒、流失预防、丧失召回、用户体验、大客户运营等维度来梳理企业的业务体系，但是如果企业的标签体系设计目的是做个性化推荐，设计思路将完全不同。
所以，我们为每一个企业梳理标签体系前都要明确目标，根据目标来梳理一个基本的业务需求框架，再通过前期调研，如访谈、查资料等来补充框架上的信息。
明确企业的业务需求后，我们再根据企业的业务需求梳理标签需求，并梳理出相应的标签策略，最后制定对应的标签，这些标签是企业最终的场景应用会使用到的标签。
图 21 需求梳理
如上图，我们最终帮该证券客户的标签梳理成几大类。
第一类是用户的基本信息。
基本信息包括如用户识别、激活信息（引流或者拉新时的重要信息，如用户什么时候来、什么渠道来等）、风险特征（金融行业用的比较多）等信息。
第二类是用户的账户特征。
因为证券企业的用户有多套资金帐户，但是不管用户操作的是哪个资金帐户，企业最终营销的都是用户本身，关于用户本身的特征和偏好才是最重要的信息，所以我们会对用户的帐户做一层设计。
第三类是业务特征。
之所以我们会划分交易、理财、资讯、服务四类，与企业的运营体系相关，他们是按照板块划分具体的运营的。
所以要建立真正代表用户在特定业务场景下的标签，我们会拆分业务层，业务层对应的标签就是表征业务本身的特点，如理财的标签与交易标签完全不一样，股票标签会涉及到个股偏好，但是理财产品实际上对特定产品偏好较弱，更看重产品类型。还有活跃特征和价值标签很好理解，我就不赘述了。
关注微信