本篇要分享的，是一個非常基礎的，估計人人都聽過的，卻經常弄混淆的概念：用戶標籤。雖然名字簡單，但它確是用戶畫像、精準營銷、個性推薦、智能投放等等各種系統的磚石。今天系統分享一下。
1
什麼是用戶標籤
性別：男女，就是一個標籤。簡單吧！
所謂標籤，就是
1、由原始數據，經過整理、加工、分類所得
2、一個抽象的符號
3、代表一類人/物的特徵
用來描述商品的，就是商品標籤；用來描述業務的，就是業務標籤；用來描述用戶的，就是用戶標籤了。我們常說「小太陽家庭」「中產階層」「愛好時尚」等都是用戶標籤。有意思的是，我們總是說：生活中不要輕易給人貼標籤。可為什麼還要大張旗鼓做用戶標籤呢？
2
用戶標籤的作用
因為面對一個人，出於尊重他人、不帶偏見的考慮，我們說不能亂貼標籤。但企業經營面對數以千萬的用戶，就不能一個個去理解，時間和成本都燒不起。如果不加區分，把所有顧客一視同仁，就只能這麼地毯式轟炸（如下圖所示）
如果有用戶標籤，就能快速、方便地細分用戶群體，鎖定更有需求的人，實現更精準的營銷/服務。（如下圖所示）
不打標籤，每次都基於原始數據分析，運營會很糾結：到底是選買過3次的還是4次的才參加活動呢？消費分段選3000,3200,還是3300呢？
理論上，每次都這麼糾結也是可行的。但是這樣做效率太低，並且能思考的維度太少，很有可能累禿了頭也沒啥進展。因此可以基於過往分析成果，預先打上標籤，能極大提升效率，實現更複雜、更精準的分析。
並且，還能把最後效果記錄進標籤庫，積累分析經驗。如果標籤打得對，那我們按標籤做的事就能起到效果，標籤本身質量也被確認；如果標籤打錯了，那按標籤做的事就會沒有效果，後續就能修訂標籤，打新標籤。
我們做用戶分層和分群，做精準營銷，所有結果也可以以標籤形式保存。在後續多次驗證，從而沉澱管用、區分度高的標籤，提升用戶畫像的準確度與有用性。
想要達成這種好的區分效果，當然只靠「男女」這種簡單的標籤是不夠的，於是就有了製作標籤的過程（俗稱：打標）。具體怎麼做？一起來看個簡單通俗的例子。
3
用戶標籤的製作流程
比如談戀愛，未來的丈母娘上來問的肯定是：
多大？
哪裡人？
有房嗎？
有車嗎？
公務員嗎？
……
你看，問的全是用戶標籤，人家絲毫不在乎你有多痴情，你有多努力。甭整那虛了吧唧的玩意，Show me the 房產證！十八姑娘一枝花，追的人多了去了，就是要大量過濾那些饞身子的小垃圾……
然而如果只知道回答是「有房」，是不是就能區分好青年了呢？——當然不可以。
因為單一維度的標籤，信息量很有限。就像單純說「有房」，那到底是上海的房子還是鹽城的房子，是60平小兩房還是120平大三房，是全款的還是欠了一屁股債的，統統不知道。因此，丈母娘才會問一大堆信息，逐步規整判斷到底這個小伙靠不靠譜。
這就是製作用戶標籤的直觀步驟：
歸納一下，共有7步：
1、從單維度開始
2、設定區分目標
3、進行維度拆解
4、觀察區分效果
5、總結經驗
6、多維度交叉
7、不斷提升效
做用戶標籤可以很簡單，但想做有效的標籤，就會很複雜。它是一個從單維度到多維度，從簡單到複雜，不斷疊代驗證的過程。在這個過程中，經常出現問題。
4
用戶標籤的五大常見問題
▌問題一：沒有目標，盲目幹活。
很多人被「比如性別：男女就是個標籤」這句話誤導，以為只要做了分類，就算是標籤了。至於分出來的類別之間有什麼差異，有多大差異，壓根沒檢驗過。甚至，你問他為啥這麼打標籤，他說不知道。領導讓打，咱就打，管他呢。
實際上，即使是同一個原始數據，在不同目標下，打標方式會完全不同。拿用戶年齡舉例，可能有好幾種分類貼標籤的方式（如下圖）
▌問題二：不區分時間狀態。
比如打一個「高價值用戶」標籤，這裡「高價值」指的是歷史消費水平高，還是未來消費得多？很多人傻傻不分，就統計下歷史消費金額，然後消費多的就是價值高。但是誰保證用戶過去買得多，未來一定買得多？？完全不一定。
注意：如果我們要打的標籤是個未來情況，比如未來消費多，意味著我們要做一個預測：用戶未來會消費多少。這裡就得基於測試或者建模預測才能得到結論，不能簡單基於歷史數據統計。
▌問題三：行為動機亂歸因。
比如用戶買了產品A，於是就打個「A產品喜愛者」標籤。然而用戶真的喜歡A產品嗎？我們只知道用戶買了A的行為，並不能直接推導出動機。如果想推倒動機，需要基於一段時間數據分析，並且綜合多個維度判斷。
在推導動機的時候要特別謹慎，因為錯誤地、隨意地歸因會誤導業務行動。明明用戶喜歡的是打折，結果卻誤判為產品粉絲，最後很有可能狂推一堆產品卻沒有響應。
▌問題四：多目標混合不清。
比如評高價值用戶，把活躍度和付費金額，付費金額和毛利幾個指標混合在一起，美其名曰「綜合評價」。結果搞出來一毛不花天天白嫖的用戶也是高價值用戶。要是都這麼折騰公司就得破產了。
這類問題，主要是做數據的同學嫌一個維度一個維度切分不體現數據能力，非得整個模型，算個權重才顯牛逼。降維可以做，但牢記整個原則：不同類目標不混合。特別是涉及錢的目標。到底公司賺沒賺錢，是個很嚴肅的事。搞混了，是要喝西北風的。
▌問題五：結果缺少檢驗。
打用戶標籤是希望區分用戶，那麼最後區分效果，在目標上的差異越大越好，如果差異不大，那打標意義就不大，可以取消標籤，或者再做優化（如下圖所示）。
遺憾的是，很多公司都是為了打標而打標。至於打了標籤幹什麼，用在哪裡，效果如何，從來沒考慮過。
亂象背後深層問題，是這幾年大肆吹噓的「數據中台」、「用戶畫像」的概念。很多企業不是從需求出發，先思考我們要解決什麼問題。而是從朋友圈文章出發：哇塞，領導轉發《震驚！阿里數據中台秘密，終於揭露了》，領導喜歡，我們就做，搞起搞起。
於是不管數據採集如何，不問業務落地場景，也不想最後實現什麼效果，盲目打標籤。臨到年底彙報，還喜氣洋洋說：我們完成了10萬標籤組成的海量資料庫！數倉、模型、可視化啥都有了，就是沒人用，最後一地雞毛。
本質上，想取得好結果，還是得從結果本身出發，根據問題找工具，而不是拿著錘子看什麼都像釘子。不過很多同學自己也沒有見過，天天喊用戶畫像，也沒見幾個具體落地成果。啤酒與尿布聽得很多，可就是橫豎沒見過一家超市是這麼擺的（於是編故事的人們，會註上：國外某超市，嗯嗯）。
其實，想做出好的業務效果，遠沒大家想得複雜，關鍵在於做好「打標-驗證-積累-二次打標」的過程，持續地進行疊代。