本篇要推荐的，是一个很基础的，估计人人都听过的，却常常弄混淆的定义：用户标签。虽然名字简单，但它却是用户画像、精准推广、个性推荐、智能投放等等各种系统的砖石。今天系统推荐一下。
一、啥是用户标签
性别：男女，就是一个标签。简单吧！
所谓标签，就是：
1、由原始数据，经过整理、加工、分类所得
2、一个抽象的符号
3、代表一类人/物的特点
用来描述产品的，就是产品标签；用来描述生意的，就是生意标签；用来描述用户的，就是用户标签了。大家常说“小太阳家庭”“中产阶层”“喜好时髦”等都是用户标签。有意思的是，大家一直说：日常不要容易给人贴标签。可为何还要大张旗鼓做用户标签呢？
二、用户标签的用途
由于面对一个人，出于尊重他人、不带偏见的分析，大家说不可以乱贴标签。但企业经营面对数以千万的用户，就不可以一个个去理解，时间和本钱都烧不起。假如不加区分，把所有客户同等看待，就只能这么地毯式轰炸（如下图所示）
假如有用户标签，就可以迅速、便捷地细分用户群体，锁定更有需要的人，达成更精准的推广/服务。（如下图所示）
不打标签，每次都基于原始数据解析，运营会非常纠结：到底是选买过3次的还是4次的才参加活动呢？花费分段选3000,3200,还是3300呢？
理论上，每次都这么纠结也是可行的。但如此做效率太低，并且能考虑的维度太少，大概累秃了头也没什么进展。因此可以基于过往解析成就，预先打上标签，能很大提高效率，达成更复杂、更精准的解析。
并且，还能把最后成效记录进标签库，积累解析经验。假如标签打得对，那大家按标签做的事就可以起到成效，标签本身水平也被确认；假如标签打错了，那按标签做的事就会没成效，后续就可以修订标签，打新标签。
大家做用户分层和分群，做精准推广，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，提高用户画像的准确度与有用性。
想要达成这种好的区分成效，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）。具体如何做？一块儿看个简单通俗的例子。
三、用户标签的制作步骤
比方说谈男女朋友，将来的丈母娘上来问的一定是：
● 多大？
●什么地方人？
●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 房地产证！十八女孩一枝花，追的人多了去了，就是要很多过滤那些馋身子的小垃圾……
然而假如只知晓回答是“有房”，是否就可以区分好年轻人了呢？——当然不能。
由于单一维度的标签，信息量非常有限。就像单纯说“有房”，那到底是上海的房屋还是盐城的房屋，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，统统不了解。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是否靠谱。
这就是制用途户标签的直观步骤：
总结一下，共有7步：
1、从单维度开始
2、设定区分目的
3、进行维度拆解
4、观察区分成效
5、概括经验
6、多维度交叉
7、不断提高效
做用户标签可以非常简单，但想做有效的标签，就会非常复杂。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，常常出现问题。
四、用户标签的五大容易见到问题
▌问题一：没目的，盲目干活。
很大一部分人被“比方说性别：男女就是个标签”这句话误导，以为只须做了分类，就算是标签了。至于分出来的类别之间有哪些差异，有多大差异，压根没检验过。甚至，你问他为什么这么打标签，他说不了解。领导让打，咱就打，管他呢。
事实上，即便是同一个原始数据，在不一样目的下，打标方法会完全不一样。拿用户年龄举例，可能有好几种分类贴标签的方法（如下图）
▌问题二：不区分时间状况。
比方说打一个“高价值用户”标签，这里“高价值”指的是历史花费水平高，还是将来花费得多？很大一部分人傻傻不分，就统计下历史花费金额，然后花费多的就是价值高。但哪个保证用户过去买得多，将来肯定买得多？？完全不肯定。
注意：假如大家要打的标签是个将来状况，比方说将来花费多，意味着大家要做一个预测：用户将来会花费多少。这里就得基于检测或者建模预测才能得到结论，不可以简单基于历史数据统计。
▌问题三：行为动机乱归因。
比方说用户买了商品A，于是就打个“A商品青睐者”标签。然而用户真的喜欢A商品吗？大家只知晓用户买了A的行为，并不可以直接推导出动机。假如想推倒动机，需要基于一段时间数据解析，并且综合多个维度判断。
在推导动机的时候要特别慎重，由于错误地、随意地归因会误导生意行动。明明用户喜欢的是优惠，结果却误判为商品粉，最后大概狂推一堆商品却没响应。
▌问题四：多目的混合不清。
比方说评高价值用户，把活跃度和付费金额，付费金额和毛利几个指标混合在一块，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。如果都这么折腾公司就得破产了。
这种类型问题，主如果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：不一样类目的不混合。尤其是涉及钱的目的。到底公司赚没挣钱，是个非常严肃的事。搞混了，是要喝西北风的。
▌问题五：结果缺少检验。
打用户标签是期望区分用户，那样最后区分成效，在目的上的差异越大越好，假如差异不大，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）。
遗憾的是，非常多公司都是为了打标而打标。至于打了标签做什么，用在哪儿，成效怎么样，从来没分析过。
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”的定义。非常多企业不是从需要出发，先考虑大家要解决那些问题。而是从朋友圈文章出发：哇塞，领导转发《震撼！阿里数据中台秘密，终于揭露了》，领导喜欢，大家就做，搞起搞起。
于是不管数据采集怎么样，不问生意落地场景，也不想最后达成什么成效，盲目打标签。临到年底汇报，还喜气洋洋说：大家完成了10万标签组成的大量数据库！数仓、模型、可视化什么都有了，就是没人用，最后一地鸡毛。
本质上，想获得好结果，还是得从结果本身出发，依据问题找工具，而不是拿着锤子看什么都像钉子。不过非常多同学自己也没见过，天天喊用户画像，也没见几个具体落地成就。啤酒与尿布听得非常多，可就是横竖没见过一家超市是这么摆的（于是编故事的大家，会注上：海外某超市，嗯嗯）。
其实，想做出好的生意成效，远没大伙想得复杂，重要在于做好“打标-验证-积累-二次打标”的过程，持续地进行迭代。
-END-
