写在前面：
过去几年来，随着我国整体人口红利优势不再，市场竞争加剧，获客成本不断飙升，互联网也告别增长进入存量时代，品牌方的营销目标也从最大化追求用户数量规模转变为追求用户质量的精细化营销上。
精细化营销建立在大数据基础上，围绕用户的属性、行为、特征等构建用户画像，划分用户群体，并针对不同群体制定不同的营销策略。
一系列个性化的营销策略背后，都在围绕“用户画像”进行。今天我们就来聊一聊用户画像的构成基础——用户标签。
01 什么是用户标签？它和用户画像是什么关系？
前文中提到，用户画像是企业应用大数据的根基，也是品牌做定向推广投放和精细化营销的重要前提。
从定义上来看，用户画像，即用户信息标签化。通过收集用户不同维度方向的数据，进而对用户在不同维度的特征进行分析、统计，挖掘和洞察有价值的信息。要想形成完整的用户画像，呈现有价值洞察的不同维度的标签是十分必要的。
正如在以产品为核心的传统营销方式下，商品被统一打上了标签，注明主要关注信息，如商品名称、品牌、价格、产地，保质期等。这些标签信息使得商品信息更直观，可以帮助消费者更快速地了解商品，也方便去比较不同商品的情况。
用户画像也是如此。作为构成用户画像的核心要素——用户标签，是我们理解与洞察用户的关键。
02 用户标签的类型
从给用户打标签的方式来看，Linkflow认为标签可以分为4类：
静态标签
这类标签是最基础也最常见的标签类型，经常包括传达个人属性类信息的标签，例如：用户的姓名、性别、年龄、身高、体重、城市、星座、学历、职业等，虽然有可能发生变化，但整体是比较稳定的。该类标签构成了用户画像的基础。
动态标签
这类标签基于用户行为及确定的规则产生，是经常发生变动的、不稳定的行为和特征，经常通过用户行为、或者具体条件判断衡量得出。例如：7天内关注公众号的所有粉丝、15天内提交注册、30天活跃用户等。
计算标签
这类标签是基于用户活跃度分值、消费金额、会员等级等数据中计算得出的。例如：用户访问时长、购买的商品品类数量区间、消费金额区间、会员等级、消费频次等。
算法标签
这类标签通过机器学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断。
算法标签基于概率模型，概率是介于0-1之间的数值。例如：一些情感标签的应用，可以根据用户的行为习惯和消费习惯判断其对某商品的复购、好感等意向，如反馈积极、负面或中立。该类标签需要通过算法挖掘产生，并需要通过结果反馈调优算法模型以提高预测的精准度。
需要特别说明的是，标签的建立不仅仅是一个简单的数据工作，更需要结合实际业务情况和营销目标进行，因此这项工作往往需要业务运营人员与数据人员协作完成。通常遵循“业务先行”的原则。
03 用户标签的维度
对于用户的分析也可以遵循“5W”原则，即：
- Who：用户是谁? TA们有着怎么样的属性特征？
- Where：用户在哪里可以被触达？TA们有着怎样的媒体习惯；用户在哪里购买？TA们的渠道偏好；
- When: 用户什么时候能与我们互动？如何抓住TA们互动的关键时刻（MOB）
- What: 用户看了什么？买了什么？
- How：用户是如何购买的？TA们完成购买的行为路径是怎样的；TA们愿意支付怎样的价格？
相应的，标签的维度梳理就非常关键，需要结合用户数据情况和品牌运营目标进行统一规划和梳理。一般而言，标签的维度可以根据品牌的业务目标进行设计和定制，以下列举了一些常用的标签维度。
用户属性维度，包括：年龄，性别，身份，城市，家庭结构，注册状态，会员级别/RFM，历史购买次数等。用户属性构成了用户画像的最基本信息。
社交属性维度，包括：经常活跃时间段、活跃地、年龄段、职业等。社交属性用户了解用户的家庭情况、社交关系、社交偏好和活跃程度等，通过这些信息可以更好地为用户提供个性化服务。
触媒习惯维度，比如：新闻资讯类，社交网络类，视频服务类，音乐音频类，游戏类，通讯聊天类，办公管理类等。
营销活动维度，比如：促销活动，新品体验活动，生日有礼活动，新人红包活动，会员日积分活动等等。
用户行为维度，包括：7天内浏览次数，平均浏览时长，浏览深度，活跃天数，最近一次访问时间，客单价等。
用户消费维度，包括：购买的品类，品牌，规格；消费旅程：浏览，加购，下单，收藏，首购，复购，商品偏好等。
上网特征维度，比如：上网时间，上网设备，上网时常，上网频次，浏览器等。
风险控制维度，比如：无效手机号用户，经常投诉用户，经常差评用户，经常退货用户等。
04 用户标签体系
构成用户的标签可以是多种多样的，也应该能够渗透到丰富的业务场景中去，因而标签就需要兼顾广泛性和精确性，这就引入了标签体系的概念。单纯广泛的标签比如品类：像女装、男装、童装，这样的标签颗粒度太粗，对应的业务场景不够具体。但如果标签颗粒度太细，比如500ml矿泉水、15ml眼霜，这样的标签又过于具体，应用场景比较局限、单一。
如上所说，标签体系可以根据业务场景，梳理出一级、二级、三级的分层结构（标签的层级也不宜过多，关于用户分层，我们后续会单独开篇详细论述），下图为Linkflow的用户属性维度标签示例（以快消行业为例）。
05 用户标签的应用场景
根据过往服务多个品牌的实践经验，用户标签的应用场景主要集中在以下四个方面。
构建标签体系，深度洞察用户
用户标签可以帮助品牌运营人员基于全景数据建立用户标签体系，深度洞察用户，厘清不同用户群体特征，挖掘用户需求发现业务机会。
智能圈选用户，赋能精细化运营
根据用户标签，品牌可以从不同维度划分用户群体，针对不同类型用户群体制定对应的触达方案，个性化推送内容，搭配不同礼品，对用户进行激活和召回，让运营工作更有针对性。
优化销售渠道，提升品牌业绩表现
很多品牌布局多渠道销售，比如自营商城、第三方电商平台、线下门店、分销商等，每个渠道的用户特征、消费偏好是不一样的，通过分析不同标签，可以筛选合适的渠道推广对应的产品，从而帮助品牌提升销售业绩。
丰富数据分析维度，深度了解客户需求
用户标签可以大幅扩展数据分析的广度和深度，充分利用不同标签维度，品牌可以对用户和业务进行更深度的对比分析，从时间、地域、客户群体、行为偏好等多个方向深度了解客户需求，设计研发更加符合用户需求的新产品，打造更好的用户体验。
举例来说，在为某珠宝客户服务的过程中，Linkflow通过帮助该品牌梳理标签体系，根据不同维度特征快速圈选人群，配合强大的营销自动化（MA）客户旅程，将其过往策划执行周期为14天的活动缩短至3天，打开率提升50%，卡券领取率最高达到38%，7天活动转化率提升150%，最终活动总销售额约为过往活动2倍以上，单次活动销售总额达到1200多万。
