深入了解用户标签画像 用户标签体系设计思路

对用户标签的理解不够透彻？用户标签体系创建的方法论总是三头两绪？具体业务场景中，经常找不到数据分析的思路？

本文根据神策数据业务咨询师钟秉哲以《构建用户标签体系，助力企业精细化运营》为主题的直播内容凝练要点而成，将系统回答业务人员重点关注的如下四类问题：

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：

目标人群是谁？目标喜欢什么？我应该做什么？怎么执行策略？

对于第一个问题来说，是一个战略性的问题，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：

张三在社交 APP 填的资料是男性。张三浓眉大眼脸型方正，穿着很有设计感的裙子。张三结账时使用刷脸支付，没有获得当天的女性九折优惠。

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：

目标人群是谁？目标喜欢什么？我要怎么做？怎么执行策略？

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：

通过短信发送秒杀提醒营销信息集中选择 100 元以下商品展示提高浏览量选择运动鞋作为活动类目选择秒杀提醒文案作为短信文案选择主体用户活跃的时间段进行推送

如此，一次完整的用户标签画像赋能运营的应用就完成了。