你确定懂「用户画像」？来点基础知识

大数据助力企业营销的核心在于：在「合适的时间」，基于对用户的了解，把你希望推送的东西通过「合适的载体」，以「合适的方式」，推送给「合适的人」。

一：什么是标签体系

说到客户标签，不得不说用户画像。用户画像，有个类似的概念叫「受众定向」。“用户画像”既有人口属性、生活状态这些基本静态信息，又包括用户“最近要不要旅游”、“准备买多少钱的车”这样能驱动直接效果的动态信息。从这层意思来看，用“受众定向”更加准确。

客户标签简单说就是你把用户分到多少个类里面去。一个客户标签通常是一个或多个客户特征的集合。这些类都是什么，彼此之间有何联系，就构成了标签体系。

二：标签系统组成

标签系统可以分为三个部分：

A：数据加工层

B：数据服务层

C：数据应用层

每个层面面向用户对象不一样，处理事务有所不同。层级越往下，与业务的耦合度就越小。层级越往上，业务关联性就越强。

数据加工层。多个产品线采集数据，为了搭建完善的用户标签体系，需要尽可能汇总最大范围内的数据。同时每个产品线的也要集合所有端的数据，比如： App ， web ，微信，其它第三方合作渠道。收集了所有数据之后，需要经过清洗：去重，去刷单数据，去无效数据，去异常数据等等。然后再是提取特征数据，这部分就要根据产品和运营人员提的业务数据要求来做就好。

数据业务层。数据加工层为业务层提供最基础数据能力，提供数据原材料。业务层属于公共资源层，并不归属某个产品或业务线。它主要用来维护整个标签体系，集中在一个地方来进行管理。

数据应用层。应用层的任务是赋予产品和运营人员标签的工具能力，聚合业务数据，提供数据应用服务。应用场景：精准化营销、个性化推送。

三：标签模型设计

1、按「数据实效性维度」分类

A：静态属性标签

长期甚至永远都不会发生改变。比如性别，出生日期。

B：动态属性标签

存在有效期，需要定期地更新，保证标签的有效性。比如用户的购买力，用户的活跃情况。

2、按「数据提取维度」分类

A：事实标签

既定事实，从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息。可以通过用户行为直接获取，比如：用户在网站或者APP上主动填写的数据，严格一些平台会要求客户上传身份证、学生证、驾驶证等，这样的数据准确性较高。

B：模型标签

没有对应数据，需要定义规则，建立模型来计算得出标签实例。比如支付偏好度。通过一系列的算法或者规则挖掘得到。比如：一个用户最近开始购买母婴类商品，奶粉尿布等，那么可以根据客户购买的频次和数量，结合客户的年龄、性别推断是否为新妈妈/爸爸。

C：预测标签

参考已有事实数据，来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品

模型标签的定义解决的就是从无到有的问题。建立模型，计算用户相应属性匹配度。现实中，事实标签也存在数据缺失情况。比如用户性别未知，但是可以根据用户浏览商品，购买商品的历史行为来计算性别偏好度。当用户购买的女性化妆品和内衣较多，偏好值趋近于性别女，即可以推断用户性别为女。

四：应用场景

A：分类统计
简单来说，借助用户画像的信息标签，可以计算出诸如“喜欢某类东西的人有多少”、“处在 25 到 30 岁年龄段的女性用户占多少”等等。

B：精准化营销
以数据为基础，建立用户画像，利用标签，让系统进行智能分组，获得不同类型的目标用户群，针对每一个群体策划并推送针对性的营销。

C：相关数据挖掘
在用户画像数据的基础上，通过关联规则计算，可以由 A 可以联想到 B 。