本篇要分享的，是一个非常基础的，估计人人都听过的，却经常弄混淆的概念：用户标签。虽然名字简单，但它确是用户画像、精准营销、个性推荐、智能投放等等各种系统的砖石。今天系统分享一下�? # 什么是用户标签

性别：男女，就是一个标签。简单吧�? 所谓标签，就是

所谓标签，就是 1、由原始数据，经过整理、加工、分类所�?2、一个抽象的符号 3、代表一类人/物的特征

用来描述商品的，就是商品标签；用来描述业务的，就是业务标签；用来描述用户的，就是用户标签了。我们常说“小太阳家庭”“中产阶层”“爱好时尚”等都是用户标签。有意思的是，我们总是说：生活中不要轻易给人贴标签。可为什么还要大张旗鼓做用户标签呢？

用户标签的作�?

因为面对一个人，出于尊重他人、不带偏见的考虑，我们说不能乱贴标签。但企业经营面对数以千万的用户，就不能一个个去理解，时间和成本都烧不起。如果不加区分，把所有顾客一视同仁，就只能这么地毯式轰炸（如下图所示）

不要笑，在过�?30 年里，地毯式轰炸才是最常见的营销方式，从“羊羊羊”到“找工作跟老板谈”，无论互联网公司还是传统企业，都是大炮开兮轰他娘，可劲洗�? \(\therefore \therefore\)

如果有用户标签，就能快速、方便地细分用户群体，锁定更有需求的人，实现更精准的营销/服务。（如下图所示）

不打标签，每次都基于原始数据分析，运营会很纠结：到底是选买�?3 次的还是 4 次的才参加活动呢？消费分段�?3000,3200, 还是 3300 呢？

理论上，每次都这么纠结也是可行的。但是这样做效率太低，并且能思考的维度太少，很有可能累秃了头也没啥进展。因此可以基于过往分析成果，预先打上标签，能极大提升效率，实现更复杂、更精准的分析�? 并且，还能把最后效果记录进标签库，积累分析经验。如果标签打得对，那我们按标签做的事就能起到效果，标签本身质量也被确认；如果标签打错了，那按标签做的事就会没有效果，后续就能修订标签，打新标签�? 我们做用户分层和分群，做精准营销，所有结果也可以以标签形式保存。在后续多次验证，从而沉淀管用、区分度高的标签，提升用户画像的准确度与有用性�? 想要达成这种好的区分效果，当然只靠“男女”这种简单的标签是不够的，于是就有了制作标签的过程（俗称：打标）。具体怎么做？一起来看个简单通俗的例子�? # 用户标签的制作流�? 比如谈恋爱，未来的丈母娘上来问的肯定是：

• 多大�? 哪里人？- 有房吗？- 有车吗？- 公务员吗�?

你看，问的全是用户标签，人家丝毫不在乎你有多痴情，你有多努力。甭整那虚了吧唧的玩意，Show me the 房产证！十八姑娘一枝花，追的人多了去了，就是要大量过滤那些馋身子的小垃圾…�? 然而如果只知道回答是“有房”，是不是就能区分好青年了呢？——当然不可以�? 因为单一维度的标签，信息量很有限。就像单纯说“有房”，那到底是上海的房子还是盐城的房子，是 60 平小两房还是 120 平大三房，是全款的还是欠了一屁股债的，统统不知道。因此，丈母娘才会问一大堆信息，逐步规整判断到底这个小伙靠不靠谱�? 这就是制作用户标签的直观步骤�?

做标签，就是个循序渐进的过程。从原始数据直接分类得到初级标签，之后多个标签组合，生成综合标签。当多个标签一起用于评估，可能采用分类或降维算法。当标签是预测未来时，需要用预测算法。最后评价标签有没有区分度，关键看打标以后，各类标签在目标上差异，所以清晰目标很重要！我们常说的用户分层，最后结�?VIP 1/2/3，也会是一个标签。所以打标签可以做的很复杂�? 归纳一下，共有 7 步：

1、从单维度开�?2、设定区分目�?3、进行维度拆�?4、观察区分效�?5、总结经验 6、多维度交叉 7、不断提升效

做用户标签可以很简单，但想做有效的标签，就会很复杂。它是一个从单维度到多维度，从简单到复杂，不断迭代验证的过程。在这个过程中，经常出现问题�? # 用户标签的五大常见问�? 问题一：没有目标，盲目干活�? 很多人被“比如性别：男女就是个标签”这句话误导，以为只要做了分类，就算是标签了。至于分出来的类别之间有什么差异，有多大差异，压根没检验过。甚至，你问他为啥这么打标签，他说不知道。领导让打，咱就打，管他呢�? 实际上，即使是同一个原始数据，在不同目标下，打标方式会完全不同。拿用户年龄举例，可能有好几种分类贴标签的方式（如下图）

问题二：不区分时间状态�?

比如打一个“高价值用户”标签，这里“高价值”指的是历史消费水平高，还是未来消费得多？很多人傻傻不分，就统计下历史消费金额，然后消费多的就是价值高。但是谁保证用户过去买得多，未来一定买得多？？完全不一定�? 注意：如果我们要打的标签是个未来情况，比如未来消费多，意味着我们要做一个预测：用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论，不能简单基于历史数据统计�? # 问题三：行为动机乱归因�? 比如用户买了产品 A，于是就打个“A 产品喜爱者”标签。然而用户真的喜�?A 产品吗？我们只知道用户买�?A 的行为，并不能直接推导出动机。如果想推倒动机，需要基于一段时间数据分析，并且综合多个维度判断�?

同用户一样，商品也有标签。用户购买行为可能是多个标签作用结果用户�?A，有可能 A 是个新品，用户只是喜欢尝鲜；有可�?A 有促销，用户喜欢的是折扣；有可�?A 是当季爆款，用户只是喜欢跟风；更有可能用户下次就�?B 了，只是试试�? 在推导动机的时候要特别谨慎，因为错误地、随意地归因会误导业务行动。明明用户喜欢的是打折，结果却误判为产品粉丝，最后很有可能狂推一堆产品却没有响应�? # 问题四：多目标混合不清�? 比如评高价值用户，把活跃度和付费金额，付费金额和毛利几个指标混合在一起，美其名曰“综合评价”。结果搞出来一毛不花天天白嫖的用户也是高价值用户。要是都这么折腾公司就得破产了�? 这类问题，主要是做数据的同学嫌一个维度一个维度切分不体现数据能力，非得整个模型，算个权重才显牛逼。降维可以做，但牢记整个原则：不同类目标不混合。特别是涉及钱的目标。到底公司赚没赚钱，是个很严肃的事。搞混了，是要喝西北风的�? # 问题五：结果缺少检验�? 打用户标签是希望区分用户，那么最后区分效果，在目标上的差异越大越好，如果差异不大，那打标意义就不大，可以取消标签，或者再做优化（如下图所示）�?

不管用什么方法打标（手动�?算法模型打）最后区分效果一定要明显。过程不重要，看结果很多同学会做方差分析�?T 检验，来证明有组间差异。这里我们要关注运营上的差异，而不是统计上的差异。比如问题示例里，中、低、极低组只相差一两百块，运营能做活动的成本空间也�?10- 20 块，给你 20 块你也干不了啥事。这时候统计上再有差异也没啥意思，所以多关注运营的成本范围、运作方式会比做坑！给爱耶气学堂

遗憾的是，很多公司都是为了打标而打标。至于打了标签干什么，用在哪里，效果如何，从来没考虑过�? 乱象背后深层问题，是这几年大肆吹嘘的“数据中台”、“用户画像”的概念。很多企业不是从需求出发，先思考我们要解决什么问题。而是从朋友圈文章出发：挂塞，领导转发《震惊！阿里数据中台秘密，终于揭露了》，领导喜欢，我们就做，搞起搞起�? 于是不管数据采集如何，不问业务落地场景，也不想最后实现什么效果，盲目打标签。临到年底汇报，还喜气洋洋说：我们完成了 10 万标签组成的海量数据库！数仓、模型、可视化啥都有了，就是没人用，最后一地鸡毛�? 本质上，想取得好结果，还是得从结果本身出发，根据问题找工具，而不是拿着锤子看什么都像钉子。不过很多同学自己也没有见过，天天喊用户画像，也没见几个具体落地成果。啤酒与尿布听得很多，可就是横竖没见过一家超市是这么摆的（于是编故事的人们，会注上：国外某超市，嗯嗯）�? 其实，想做出好的业务效果，远没大家想得复杂，关键在于做好“打�? 验证- 积累- 二次打标”的过程，持续地进行迭代。有兴趣的话，点击右下角“在看”，本文超过 60 在看，我们分享一期如何给 B2B 企业客户打标签的例子，毕竟研究对象是人的时候，很多行为容易理解，遇�?B2B 问题，很多同学就歇菜了�?