数据分析思维之用户标签

1. 什么是标签？

标签就是由原始数据，经过整理、加工、分类所得，一个抽象的符号，并且代表一类人/物的特征。

2. 用户标签有什么用？

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）

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。如果标签打的对，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。

3. 用户标签的制作流程

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，各类标签在目标上的差异，所以清晰目标很重要。

制作标签共有7步：

1. 从单维度开始
2. 设定区分目标
3. 进行维度拆解
4. 观察区分效果
5. 总结经验
6. 多维度交叉
7. 不断提升效果

4. 用户标签的4大常见问题

4.1 没有目标，盲目打标

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）

4.2 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，还是未来消费的多？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的多，未来一定买的多？？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。

4.3 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。然而用户真的喜欢A产品吗？我们只知道用户买了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。

4.4 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）。