編輯導語：用户標籤是構成用户畫像的核心因素，是將用户在平台內所產生的行為數據，分析提煉後生成具有差異性特徵的形容詞；如今在這個大數據時代，我們在網上都被標籤化，那構建一套成熟的標籤體系和畫像後台需要注意什麼呢？本文作者分享了關於用户標籤從0到1踩過的坑，我們一起來看一下。
用户標籤，其實發展到現在已經不是新鮮概念了。
各大公司在推進精細化的過程中，無論是技術方還是業務方，都已經從過去粗放的“流量運營”思維，轉變為如今人人都在談論的“用户運營”思維。
這時，用户不再是整齊劃一的流量，而是有一個個血有肉的個體。
但受限了於客觀條件，我們無法一一去接觸我們用户，瞭解他們的習慣喜好；只能從他們產生的行為和數據，去抽象、總結出特徵規律，這就引入了“用户標籤”這個概念。
當用户被打上的標籤越來越豐富、越來越精準，也就越貼合人本身，勾勒出一個個立體的形象了。
鑑於市面上已有許多理論知識，豐富的實戰分享，我也就不班門弄斧了；本文只講講那些在執行中，新手容易遇到的踩坑點，幫助大家排雷。
一、切勿“大而全”標籤剛接到這個項目時，我已開始抑制不住內心的激動了。
從畢業開始做用户研究，腦中已經構建起了一個框架，希望通過這次從0到1的機會，將美好藍圖實施落地；於是我洋洋灑灑寫下一個功能強大的腦圖，頭腦風暴出用户的所有特性，目標是構建一套成熟的標籤體系和畫像後台。
這樣的結局自然是當頭棒喝，第一次需求評審就遇到了很大阻力。
現在想來，有兩個問題是需要提前想透徹的：
1）雖説標籤需要做得精細，但始終是有主次的，當前為什麼會用到標籤，具體用來做什麼？
2）在需求調研階段，什麼樣的調研是意義的？你會發現有許多做得不錯的第三方平台，標籤體系非常成熟全面，但像第三方平台這樣的to B公司，為了適用於所有的公司業務，追求大而全；而以我們當前的業務量來説，是否需要做到如此全面？以當前的資源來説，是否有能力進行開發和維護？
實際上，我們現階段是從0到1，要想一步到位是不現實的，應該按照業務需求進行取捨。
所以，真正有效的方法不是窮舉法，而是由業務場景進行倒推：我們發現，當前標籤首先會運用在消息推送上，其中很重要的一個場景是，圈選預流失用户，通過app push、短信等方式進行召回。
目的與場景明確了，接下來就是流失標籤的定義了；作為PM，我立馬與運營進行了溝通，瞭解一線業務人員對於流失的理解。
這時，很容易又踩到了第二個坑：詢問技巧。
錯誤方式：
- 我：咱們現在要對用户打標籤用於召回了，你覺得“流失1天以上”和“流失30天以上”，哪個更合適？
- 運營：我覺得都是需要的，不同的流失程度我都會關心。
- 我：好吧…..那針對活躍標籤，你覺得“最近7天登錄”“最近14天登錄”“最近30天登錄”，哪個最合適？
- 運營：那肯定都要啊，這都是我們平時會關注的指標；emmmm…..天數能不能不要固定？我們能自定義是最好的。
與業務方溝通會發現，在對方對標籤不甚熟悉的情況下，會誤將標籤與業務指標相混淆，從而顯得“貪心”起來——什麼標籤都想要。
這時，你需要轉換一種提問方式，得到最有價值的答案：
正確方式：
- 我：咱們現在要對用户打標籤用於召回了，平時你想對哪些用户進行召回呀？
- 運營：我想想…..我平時看數據，大多用户會在前期流失，3日留存率就只有xx啦！是我的話，我會在3日這個節點去召回。
- 我：soga，那我們可以提供“流失3天”這個標籤，方便你進行召回操作。
精簡標籤之後，留下最重要、最迫切的一些標籤，作為第一期的實現內容。
之後你會發現，一些基礎標籤，已經能滿足百分之六七十的需求啦；這樣既不會造成開發資源的浪費，也避免業務人員在使用時，面對着海量標籤猶豫不決。
二、用户標籤的分類如果看過很多文章會發現，大家對於標籤有非常多的不同描述，也少有文章有去認真講解這個認知前提；這也導致初期容易對標籤的理解產生混淆，因為從不同的維度去認識，標籤有着不同的分類。
經過一些整合後，我認為大致可以從五個角度去理解標籤：
1. 從更新頻率來分：靜態標籤、動態標籤例如“性別”這個標籤，一般來説是不會隨着時間變動的，所以它屬於靜態標籤；而“最近一次訪問時間”會隨着每次用户登錄而更新，也就是動態標籤。
2. 從主題上分：屬性標籤、行為標籤等隨着業務的進行，標籤往往會越來越多，而“主題”幫助我們從業務角度對標籤進行歸類，方便後續有秩序地補充新的標籤。
例如我可以分為“屬性標籤”和“行為標籤”，將“性別”“年齡”這樣描述用户的自然屬性的標籤歸於“屬性標籤”，而將“近30日下單次數”這樣的涉及到用户下單行為的標籤歸屬到“行為標籤”。
主題的劃分並沒有規定，不同的公司可以根據自己的業務需要進行歸類整合，避免標籤體系雜亂。
3. 從層級上分：一級標籤、二級標籤等同樣，層級也是為了業務理解更加有序才產生的，例如上述的“近30日下單次數”可以作為“二級標籤”，歸屬於“近30日行為”這個一級標籤；那麼下次添加“近30日登陸次數”這個標籤時，就可以同樣歸於“近30日行為”這個一級標籤之下。
當然，如果業務邏輯複雜，可能還會有三級標籤。
4. 從開發方式分：統計類標籤、規則類標籤、算法類標籤（又稱：事實標籤、模型標籤、預測標籤）
這一種分類方式是從技術開發角度區分的。
“統計類標籤”（有些又稱為“事實標籤”）是從底層數據表中取出原始數據，進行簡單的加減乘除運算得到的標籤；例如“最近一次登錄距今天數”這個標籤，就是將用户的最後一次登錄時間與今天做減法，得到距今天數，它反映基本事實。
而“規則類標籤”（有些又稱“模型標籤”）則是進行了業務定義後的標籤；例如“流失用户”這個標籤，基於我們的業務認知，可以將“最近一次登錄距今天數”大於30天的用户定義為流失用户，不同公司會有自己的定義方式；例如“抖音”這樣高頻的社交產品，他的流失的定義一定會嚴格於“攜程”這樣低頻的出行產品。
“算法類標籤”（又稱“預測標籤”），顧名思義，就是需要利用算法才能得到的標籤了；例如電商產品常通過用户的下單行為，去猜測用户的性別；通常算法類標籤涉及複雜的邏輯與權重，開發難度大，在所有標籤中佔比不高。
5. 從生成規則分：單一標籤、複合標籤一般來説，上述的統計類標籤可以説是單一標籤，而規則類和算法類標籤就是需要多個單一標籤組合而成的複合標籤。
我們將上述的例子放在一張表裏，得到下圖：
搞清楚標籤的分類之後，團隊在搭建過程中對齊口徑，再去制定相應的標籤值就容易推進了。
三、用户標籤與畫像的關係起初在開始做標籤的時候，我一度混淆了標籤與畫像的概念。
平時，我們常把兩個詞捆綁在一起説，但是標籤=畫像嗎？我們先來看看百度百科的解釋。
度孃的解釋是：畫像需要“利用標籤將用户形象具體化”，意味着——畫像需要建立在標籤的基礎之上，存在依賴關係，但又不盡相同。
標籤是對於用户，更偏底層的一種描述，當我們給用户打標籤時，此用户的數據表中填充了“26歲”“女性”“北京”“白領”等標籤值。
對個體用户而言，我們一般不將其標籤稱為畫像，而叫做“典型用户”，用於直觀闡述我們的核心用户是什麼樣的，或者用於客服回訪時，快速瞭解用户的相關信息。
而我們常説的用户畫像系統，一般針對的是一個羣體。
當每個用户都被打上標籤之後，通過統計的方式將一個羣體的特徵進行彙總，才是我們想要得到的畫像——當前我們的活躍用户主要來自哪些渠道？主要位於哪個年齡層？從而可以反向推導出哪些是最適合我們產品的用户，調整廣告投放策略。
如果説標籤是底層數據的標識，那麼畫像可以説是一個應用場景；同樣，標籤還有另一個重要的應用場景——分羣。
上述場景中，當我們要進行一次app push時，業務人員需要利用標籤，選擇精準的目標用户進行推送，從而達到最高的ROI；例如電商常見的，針對“偏好短裙”和“偏好美妝”的女性用户，編輯不同的文案和折扣信息，從而吸引點擊、下單轉化。
綜上所述，標籤與畫像有一定的聯繫，但又不完全一致，切勿混為一談。
標籤的使用場景，還需要我們在深入業務的同時，不斷去挖掘，讓其價值最大化，才是我們所説的真正的“精細化運營”。
作者：人間練習生，一隻成長中的產品汪；公眾號：人間練習生
本文由 @人間練習生 原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議