用户标签，其实发展到现在已经不是新鲜概念了。
各大公司在推进精细化的过程中，无论是技术方还是业务方，都已经从过去粗放的“流量运营”思维，转变为如今人人都在谈论的“用户运营”思维。这时，用户不再是一个个整齐划一的流量，而是有血有肉的个体。
但受限了于客观条件，我们无法一一去接触我们用户，了解他们的习惯喜欢，只能从他们产生的行为和数据，去抽象、总结出特征规律，这就引入了“用户标签”这个概念。当用户被打上的标签越来越丰富、越来越精准，也就越贴合人本身，勾勒出一个个立体的形象了。
鉴于市面上已有许多理论知识，丰富的实战分享，我也就不班门弄斧了。本文只讲讲那些在执行中，新手容易遇到的踩坑点，帮助大家排雷。
|0x01 切勿“大而全”标签
刚接到这个项目时，我已开始抑制不住内心的激动了。从毕业开始做用户研究，脑中已经构建起了一个框架，希望通过这次从0到1的机会，将美好蓝图实施落地。于是我洋洋洒洒写下一个功能强大的脑图，头脑风暴出用户的所有特性，目标是构建一套成熟的标签体系和画像后台。
这样的结局自然是当头棒喝，第一次需求评审就遇到了很大阻力，现在想来，有两个问题是需要提前想透彻的：①虽说标签需要做得精细，但始终是有主次的，当前为什么会用到标签，具体用来做什么？②在需求调研阶段，什么样的调研是意义的？你会发现有许多做得不错的第三方平台，标签体系非常成熟全面，但像第三方平台这样的to B公司，为了适用于所有的公司业务，所以尽善尽美。而以我们当前的业务量来说，是否需要做到如此全面？以当前的资源来说，是否有能力进行开发和维护？
实际上，我们现阶段是从0到1，要想一步到位是不现实的，应该按照业务需求进行取舍。所以，真正有效的方法不是穷举法，而是由业务场景进行倒推：我们发现，当前标签首先会运用在消息推送上，其中很重要的一个场景是，圈选预流失用户，通过app push、短信等方式进行召回。
目的与场景明确了，接下来就是流失标签的定义了。作为PM，我立马与运营进行了沟通，了解一线业务人员对于流失的理解。这时，很容易又踩到了第二个坑：询问技巧。
错误方式：我：咱们现在要对用户打标签用于召回了，你觉得“流失1天以上”和“流失30天以上”，哪个更合适？运营：我觉得都是需要的，不同的流失程度我都会关心。我：好吧.....那针对活跃标签，你觉得“最近7天登录”“最近14天登录”“最近30天登录”，哪个最合适？运营：那肯定都要啊，这都是我们平时会关注的指标。emmmm天数能不能不要固定？我们能自定义是最好的。
与业务方沟通会发现，在对方对标签不甚熟悉的情况下，会误将标签与业务指标相混淆，从而显得“贪心”起来——什么标签都想要。这时，你需要转换一种提问方式，得到最有价值的答案
正确方式：我：咱们现在要对用户打标签用于召回了，平时你想对哪些用户进行召回呀？运营：我想想.....我平时看数据，大多用户会在前期流失，3日留存率就只有xx啦！是我的话，我会在3日这个节点去召回。我：soga，那我们可以提供“流失3天”这个标签，方便你进行召回操作。精简标签之后，留下最重要、最迫切的一些标签，作为第一期的实现内容。之后你会发现，一些基础标签，已经能满足百分之六七十的需求啦，这样既不会造成开发资源的浪费，也避免业务人员在使用时，面对着海量标签犹豫不决。
|0x02 用户标签的分类
如果看过很多文章会发现，大家对于标签有非常多的不同描述，也少有文章有去认真讲解这个认知前提。这也导致初期容易对标签的理解产生混淆，因为从不同的维度去认识，标签有着不同的分类。
经过一些整合后，我认为大致可以从五个角度去理解标签：
1、从更新频率来分：静态标签、动态标签 例如“性别”这个标签，一般来说是不会随着时间变动的，所以它属于静态标签；而“最近一次访问时间”会随着每次用户登录而更新，也就是动态标签。
2、从主题上分：属性标签、行为标签等 随着业务的进行，标签往往会越来越多，而“主题”帮助我们从业务角度对标签进行归类，方便后续有秩序地补充新的标签。例如我可以分为“属性标签”和“行为标签”，将“性别”“年龄”这样描述用户的自然属性的标签归于“属性标签”，而将“近30日下单次数”这样的涉及到用户下单行为的标签归属到“行为标签”。主题的划分并没有规定，不同的公司可以根据自己的业务需求进行归类整合，避免标签体系杂乱。
3、从层级上分：一级标签、二级标签等 同样，层级也是为了业务理解更加有序才产生的，例如上述的“近30日下单次数”可以作为“二级标签”，归属于“近30日行为”这个一级标签，那么下次添加“近30日登陆次数”这个标签时，就可以同样归于“近30日行为”这个一级标签之下。当然，如果业务逻辑复杂，可能还会有三级标签。
4、从开发方式分：统计类标签、规则类标签、算法类标签（又称：事实标签、模型标签、预测标签） 这一种分类方式是从技术开发角度产生的。“统计类标签”（有些又称为“事实标签”）是从底层数据表中取出原始数据，进行简单的加减乘除运算得到的标签，例如“最近一次登录距今天数”这个标签，就是将用户的最后一次登录时间与今天做减法，得到距今天数，它反映基本事实。而“规则类标签”（有些又称“模型标签”）则是进行了业务定义后的标签，例如“流失用户”这个标签，基于我们的业务认知，将“最近一次登录距今天数”大于30天的用户定义为流失用户，不同公司会有自己的定义方式，例如“抖音”这样高频的社交产品，他的流失的定义一定会严格于“携程”这样低频的出行产品。“算法类标签”（又称“预测标签”）顾名思义，就是需要利用算法才能得到的标签了，例如电商产品常通过用户的下单行为，去猜测用户的性别。通常算法类标签涉及复杂的逻辑与权重，开发难度大，在所有标签中占比不高。
5、从生成规则分：单一标签、复合标签 一般来说，上述的统计类标签可以说是单一标签，而规则类和算法类标签就是需要多个单一标签组合而成的复合标签。
搞清楚标签的分类之后，大家在搭建过程中对齐口径，再去制定相应的标签值就容易推进了。
|0xFF 用户标签与画像的关系
起初在开始做标签的时候，我一度混淆标签与画像的概念。平时，我们常把两个词捆绑在一起说，但是标签=画像吗？我们先来看看百度百科的解释。
度娘的解释是，画像需要“利用标签将用户形象具体化”，意味着，画像需要建立在标签的基础之上，存在依赖关系，但又不尽相同。
标签是对于用户，更偏底层的一种描述，当我们给用户打标签时，此用户的数据表中填充了“26岁”“女性”“北京”“白领”等标签值。对个体用户而言，我们一般不将其标签描述为画像，而叫做“典型用户”，用于直观阐述我们的目标群体是谁，或者用于客服回访时，快速了解用户的相关信息。
而我们常说的用户画像系统，一般针对的是一个群体。当每个个人都被打上标签之后，通过统计的方式将一个群体的特征进行汇总，才是我们想要得到的画像——当前我们的活跃用户主要来自哪些渠道？主要位于哪个年龄层？从而反向推导出哪些是最适合我们产品的用户，调整广告投放策略。
如果说标签是底层数据的标识，那么画像可以说是一个应用场景，同样，标签还有另一个重要的应用场景——分群。上述例子中，当我们要进行一次app push时，业务人员需要利用标签，选择精准的目标用户进行推送，从而达到最高的ROI。例如电商常见的，针对“偏好短裙”和“偏好美妆”的女性用户，编辑不同的文案和折扣信息，吸引点击转化。
综上所述，标签与画像有一定的联系，但又不完全一致，切勿混为一谈。标签的使用场景，还需要我们在深入业务的同时，不断去挖掘，让其价值最大化，才是我们所说的真正的“精细化运营”。
