为什么要做用户标签画像？如何构建完备的用户标签体系？标签的生产和创建有哪些细节和经验？如何利用好用户画像分析赋能业务落地？
相信在阅读本文后，您的困惑都将迎刃而解。
一．为什么要做用户标签画像？
1. 标签的本质
简单地说，所谓的用户标签，就是对用户某个维度特征的描述。
对一群用户来说，我们为了让业务做得更好，会想知道他们的很多特征。比如，我们这一季度有 10 万元的活动预算，应该集中花在哪里？这个问题，其实是希望能对给定用户群体的商业价值做很好的描述，知道哪些人是应该重点服务的对象。
图 1 标签的基本含义
用户标签可以有很多种存在形式，可以是用户的自然属性，可以是对用户交易、资产数据的统计指标，也可以是基于某些规则，总结出的一些分层。无论是哪种形式，都是对用户的某个维度特征做描述与刻画，让使用者能快速获取信息。
图 2 标签的常见形式
2. 标签的应用场景
按照我们在多家不同企业落地标签体系的经验，用户标签的应用主要有四种场景。
首先是辅助分析洞察，用户标签可以辅助业务人员快速获得用户的信息认知，发现显著特征，获得业务灵感。
其次是丰富数据分析的维度，对我们的业务数据做更深层的对比分析。分析洞察获得业务灵感后，标签可以辅助业务落地。
再次可以将用户群体切割成更细的粒度，使运营从粗放式到精细化，以多种运营触达手段，像短信、推送、活动、优惠券等等，对用户进行驱动和挽回，达到事半功倍的效果。
最后用户标签还可以作为数据产品的基础，例如个性化推荐系统、广告系统、CRM 管理工作等。自动化的业务系统能更有效地利用用户标签的威力。
图 3 标签的四大应用场景
需要注意的是，虽然用户标签画像体系是有价值的，但不是每个公司都能做。
第一，企业需要有足够丰富的内容、商品、服务或客户属性层次，或者业务进入稳定期的客群量级达到一定规模。
第二，用户标签体系有建设和维护成本，公司需要有相对完备的用户行为数据采集能力，如果没有丰富的数据源，用户标签也是巧妇难为无米之炊。建设需要衡量资源投入和性价比。
第三，标签画像体系并不是一个拿来即用的东西，它需要投入一定的人力和资源去建设和维护，才能和公司的业务场景很好地结合，发挥它的价值。
第四，公司在建设标签画像体系之前，应该先想好它需要落地的业务场景。如果没有明确可落地的业务流程和人员，即使花了大力气去建设用户标签体系，它也只是一堆死数据，只能摆在那里存着，这就没什么意义。技术并不是万能的，要和商业进行结合。
二．如何构建完备的用户标签体系？
1. 主流的标签框架
行业有四种主流的标签框架：
第一种是基于营销触点的用户标签体系，它先把用户分为不同的营销阶段，再去细分每个阶段需要做的事情和标签。比如阿里系的标签框架 AIPL，它把用户对品牌的认知阶段分为感知、有兴趣、购买和忠诚这四个阶段，然后再基于这四个阶段要做的营销动作去做细分标签。
第二种是基于增长漏斗的 AARRR 模型，它是一个很好的框架，无论是什么用户，都肯定属于其中一个阶段，然后再根据不同阶段需要做的增长策略，去总结用户身上的标签特征。
第三种是用户价值分层模型，比如 RFM，它虽然只包含了付费用户，但付费用户是完全包含在 RFM 的框架内的。可以获知用户消费水平属于高中低的哪一层，用户最近有没有付费，我是否要对用户做营销。
第四种是基于用户偏好的模型。举例说明，假如我是一个房产中介，我就根据我卖房的需要，把用户的行为信息都归纳到买房需求上。这种框架看上去是列举式的，缺少了生命周期那种大而全的美的理论，但它其实对于业务应用来说是完备的，标签做出来就能用。
图 4 业内主流的四种标签框架
在使用框架设计用户标签体系时，应该去理解消费者的决策过程，考虑商业业务的形态，配合业务人员的作业需求。这些概念比较虚，但一个好的用户标签体系离不开这些思考。
神策认为，好的标签框架，一定是基于业务场景的。它应该要完备地覆盖用户的行为周期和业务的工作流程。
2. 标签框架搭建四步法
接下来介绍神测数据基于最佳实践总结出的标签梳理框架，我们称之为四步法。
第一步，还原业务流程。以一个典型的电商业务为例，将它的业务流程漏斗梳理出来，分别是启动 APP，注册登录，浏览活跃，一些深度行为比如收藏和加入购物车，付费和重复付费，最后是沉默流失。然后在用户流程的每一步，梳理出这个行为的一些维度。可根据用户在这方面的行为，去构建「用户偏好」标签。
图 5 标签框架四步法之还原业务流程
第二步，覆盖生命周期。刚才的梳理都是基于用户行为的，但有时候没有办法获取用户行为偏好。这时，就可以以用户的「生命周期」，去提供兜底的逻辑。可以以用户生命周期的状态，作为营销的触点标签，提供通用分层。
图 6 标签框架四步法之覆盖生命周期
第三步，明确商业目标。用户标签体系是需要应用的，在此案例里，建设用户标签体系，是为了希望通过精细化运营提高整体的交易金额。我们接下来对交易金额这个商业目标，通过业务流程进行拆解。
交易金额可简单拆分为新用户的交易额和老用户的交易额。达成交易的过程又可拆分为新增启动，到注册，到浏览详情，到深度行为，最后再到付费。对拆解出来的每一个环节，可以去想在这个环节能有什么策略去提高交易金额。比如对于老用户，是不是可以通过挽回具有付费倾向的潜在流失人群，去提高整体的交易金额呢？这就是我们梳理出来的标签可以落地应用的场景。
图 7 标签框架四步法之明确商业目标
第四步，从策略推标签。比如，我们决定挽回具有付费倾向的潜在流失人群，那就需要知道用户交易的价值，交易到流失的生命周期，他们下个月的流失概率，以及如果我要对他们做营销，他们喜欢的优惠券类型。
到这里，我们就从纯粹的业务流程梳理，落实到了具体的标签需求。我们刚才把交易金额拆分了很多环节，每个环节都有不同的可以落地的业务策略，它们的可行性和收益各不相同。最终，可以根据业务实际的需要，去决定不同策略需要用到的标签。
图 8 标签框架四步法之从策略推标签
从策略反推需要的标签，其实是一件比较需要业务经验的事情。如果这一步还比较迷茫，可以先反过头来看，如果我们已经把标签做好了，业务人员要怎么去使用它。
业务部门应用标签的流程，通常可以归纳为三个问题：
对于第一个问题来说，是一个战略性的问题，定位目标人群，往往应该先看商业价值类的标签，去帮助他们解决影响商业价值最大的人群的问题。
而对于目标喜欢什么这个问题，如果目标人群有明确的行为数据，那应该去看用户偏好标签。如果目标人群的行为数据比较少，比如新用户和沉默用户，那应该从他们所处的生命周期标签出发，去计划促进转化或者召回的策略。
当策略方向有了，还需要一些具体的参考信息比如什么时候做推送，这时候就需要一些具体的营销时机标签比如用户一般的活跃时间段，来帮助计划方向的落地。
这四个主题的标签，分别在我们的四步框架的每一步，都可以重点梳理这样的标签。最终，这四个主题标签也将构成我们完整的标签体系。
图 9 业务部门的标签应用流程
三. 标签的生产和创建有哪些细节经验？
1. 标签生产的不同方式
我们已经知道怎样梳理一个完整的标签框架，接下来我们要完善每个标签具体的定义。我们通过一个趣味故事来体现用户标签定义的复杂性。
小红和网友张三见面喝咖啡：
请问，张三到底是男生，还是女生？
这个故事里，其实张三有三个性别标签。
首先是社交 APP 的资料，因为他填写了男性，所以我们可以认为他是男性，这是基于某个确切资料打的标签，这种类型叫事实标签。
张三穿的是一件很有设计感的裙子，按照我们过去的经验，一般只有女性会穿裙子，所以我们也可以认为张三是女性。这是基于我们设定的某个规则，只要有人穿裙子就是女性，去打的标签。这种类型叫规则标签。
最后，张三刷脸支付没有获得活动女性优惠。摄像头是利用算法结合多种特征去预测张三是女性的概率的，因为张三长相很阳刚，算法认为他是女性的概率比较低，所以打标签他是男性。这种类型叫算法标签。
图 10 标签生产的基本方式
上述三种标签是最基础的标签维度，下图可以帮助我们更好地理解它们。
图 11 三种标签定义的内涵
2. 标签创建场景
我们通过具体的场景，来加深对标签生产和创建的理解。累计消费金额，即用户注册以来的总消费金额，就是一个用指标值作为标签值的例子。
首先，这个例子是一个数值型标签，但数值型的标签不一定好用，如果这个标签是直接给到业务人员去使用的，应该先通过业务经验去把它分层，划分出高中低级别，将业务含义映射到特征上。这样业务人员在使用标签的时，就能提高业务人员的认知效率。
图 12 场景举例：将自然语言转换成配置规则
那么问题来了，业务经验可靠吗？我们评价一个规则，通常有几种标准，分别是覆盖率、准确率和召回率。从这些指标去衡量，以经验为参考的规则就不一定符合真实业务需求了。
事实上，定义标签是可以通过科学的数据分析方法进行的。
我们前面有提到，对于数值类的标签，最好通过业务经验来分层，来提高业务判断的效率。对于这种高中低分层，通常可以使用分布分析的方法。
比如还是对于「用户点击商品详情页」的次数，我可以计算它的次数分布，再按照 25%，50%，75%，75% 以上划分标签。
这样，我不仅能划出四个分层，还能保证每个层级都有很好的覆盖度。对于资产盘点分层、付费用户分层这样的标签，分布分析是一个很好用的方法。
图 13 使用分布分析进行用户标签分层
当然了，我们需要的其实不是对「用户点击商品详情页」次数的分层，而是对「用户购买意愿」有解释力的标签。算法类标可以有效地解决这个问题。
所谓的算法类标签，本质上也是在做「预测」这个事情。下图所示的是神策用户画像产品实现的相似人群扩散功能，通过提供种子用户，来学习他们的特征，并预测一个用户的标签。对于「用户购买意愿」，我们可以用「实际真的有购买」过的人群，来作为我们的种子用户，让算法去学习他们的特征。
图 14 算法型标签：相似人群扩散
算法类标签的好处，在于它能通过交叉验证，获得自己的预测相似度。我们可根据对标签解释力的需求，设置一定相似度以上的人群，打上「高用户购买意愿」的标签。
算法类标签也有坏处，它是个黑盒，不如规则那样简单明了可解释。
我们神策的用户画像产品在做算法类标签实践的时候，也遇到了这样的问题。所以，一个好的算法类标签，应该还能输出它所使用的行为特征权重。这样，能让算法黑盒变成相对白盒，业务人员可解释度强。同时还有一个好处，就是特征权重其实也展示了那些特征才是最影响业务结果的，有些时候我们不是想要预测标签，而是想要知道什么特征对转化更重要。
四. 如何利用好用户画像分析赋能业务落地？
1. 用户画像的用法
我们在前面有提到，标签体系的用途，其实主要是两大类，一类是分析洞察获取业务灵感，另一类就是输出赋能精细化运营和数据产品系统使用。
对于标签体系来说，利用标签去筛选目标客群，并且输出人群列表，其实是最简单直接的一种应用方法。通过组合多个基础标签，可以快速做到很精细的目标人群输出。
当然，这也对我们的基础标签梳理有一定的要求。
图 15 画像基础用法：筛选客群输出
同时，当标签数据能与数据产品系统打通的时候，它就会变成强有力的武器。
神策在这方面的解决方案，是将用户标签和与智能运营平台进行数据打通，这样可实现精准筛选受众用户，并且基于用户的行为去实时触发各种推送、短信、弹窗或优惠券策略。可以助力运营部门快速试验不同的精细化运营策略，以及将成功的运营策略自动化。
图 16 画像与智能运营平台的结合
在试验运营策略之前，有一件事情必不可少，那就是对我们的目标人群做精细的用户画像分析。
2. 用户画像应用场景示例
我们以一个具体用例来讲解用户画像的洞察。
假设综合电商平台神策商城需要做一场活动营销，我们就需要回归到业务应用用户画像的流程。首先要明确三个问题：
这三个问题，分别需要用户在商业价值、用户偏好、生命周期和营销时机四个主题的画像。
第一步，目标人群是谁。我们的目的很明确，就是要提高购买漏斗的转化，减少购买漏斗的流失。我们可以从漏斗的流失人群出发，去分析他们的画像。
图 17 从购买漏斗入手寻找目标客群
第二步，找到单体用户画像，罗列用户信息，把某个用户和目标场景相关的信息展示出来，让业务人员有第一印象。开始时，可以先做抽样，从流失的人群里面找到用户张三，看看这个人的单体画像来获取第一印象。
我们看到他是一个从来没有付过费的用户，但他已经活跃了 301 天，虽然没有买过东西，但他其实是忠实用户。他来自华为应用商店，几乎每天都有签到，最近在看运动鞋相关的类目，偏好的价格区间是 50 到 100 元，搜索词也是平价运动鞋。但很奇怪的是，他浏览的商品数量不多。我们也可以看到他的生命周期其实是比较活跃的，有比较高的购买意向等级，这可能跟他的漏斗深度是收藏商品有关。
图 18 单体用户画像的信息罗列
第三步，通过单体用户与所属群体用户间的对比，以及目标群体和其他群体用户间的画像对比，去感知差异显著的特征。对于用户群画像，就不能像单体用户画像一样单纯展示信息了，而是要把某个群体的特征显示出来。
处理方法有两种。一种是把特征展示分布统计，比如购买意向等级和访问时间偏好；另外一种就是把分布覆盖率最高的标签，作为这个群体的标签。
我们通过对比漏斗流失用户和张三的画像可以看到，在商业价值上，该群体和张三类似都是低付费用户，但主体是比较新的用户；在偏好上，他们都在看类似价格区间的运动鞋，但主体用户是在看白色的；营销时机上，主体用户的活跃时间、点击的推送类型和张三不太一样。我们如果要策划活动方案，应该从主体用户的特征出发，而不是个体。
图 19 单体用户画像与所属群体画像对比
数据分析的精髓在于对比。了解了流失群体的特征，我们还应该把他们的画像和我们的商业目标群体做对比，也就是购买用户群。通过将流失用户和购买用户群画像做对比，我们可以看到，购买用户的近期偏好的价格区间和流失用户群很不一样，平均商品浏览数也很多，但购买意愿等级分布，购买用户群和流失用户群其实是一样的。
图 20 购买群体画像与流失群体画像对比
可以推测，在流失用户群所偏好的这个价格区间内，神策商城提供的商品有问题，SKU 的数量不够多，或者是这个价位没有他们满意的商品。因此，我们可以尝试提高流失用户在那个价格区间的商品浏览数。
综上，通过用户画像的洞察分析，我们决定实施以下营销计划：
如此，一次完整的用户标签画像赋能运营的应用就完成了。
关注微信