互联网新用户获取本钱不绝增高，用户时间增长也在趋缓，在这个配景下，更要求运营人员能做好用户群体分层，提高流量的分发效率；深入到个别用户的日常利用场景，提高流量的转化效率。而设计一个完善的用户标签体系，可以帮运营人员到达这些方针。

亚马逊的CEO Jeff Bezos曾说过他的空想;

「假如我有一百万的用户，我就会做一百万个差异的网站！」

做这个基本是先对用户打标签。

而今朝基于标签的智能推荐系统，已经有了成熟贸易应用，好比： *** 的千人千面，美团外卖的智能推荐，腾讯的社交告白。

一、思考的配景

从16年开始，互联网用户增长趋缓，同比仅增长。一方面，岂论是线上照旧线下，新用户的获取本钱都很高。另一方面，用户时间增长也在趋缓。在用户耗费时间趋向饱和环境下，差异的产物之间同样存在竞争干系。

在这个配景下，跟着用户量增长，运营人员面对新的挑战，有以下焦点诉求：

一般运营勾当中，怎么对差异用户群体分层，提高流量的分发效率？

对付个别用户，怎么深入到日常利用场景，提高流量的转化效率？

落到产物设计层面，需要办理以下问题：

怎么设计一个完善的用户标签体系？怎么打标签？打哪些标签？谁来打？

怎么利用用户标签，缔造贸易代价？

二、标签系统的布局

标签系统可以分为三个部门：数据加工层，数据处事层，数据应用层。每个层面面向用户工具纷歧样，处理惩罚事务有所差异。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。

以M电商公司为例，来说明该系统的组成。

数据加工层。数据加工层收集，清洗和提取来处理惩罚数据。M公司有多个产物线：电商生意业务，电子书阅读，金融付出，智能硬件等等。每个产物线的业务数据又是分属在差异位置。为了搭建完善的用户标签体系，需要尽大概汇总更大范畴内的数据。同时每个产物线的也要荟萃所有端的数据，好比：App，web，微信，其它第三方相助渠道。

收集了所有数据之后，需要颠末清洗：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，这部门就要按照产物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本数据本领，提供数据原质料。业务层属于民众资源层，并不归属某个产物或业务线。它主要用来维护整个标签体系，会合在一个处所来举办打点。

在这一层，运营人员和产物可以或许参加进来，提出业务要求：将原质料举办切割。主要完成以下焦点任务：

界说业务方需要的标签。

建设标签实例。

执行业务标签实例，提供相应数据。

数据应用层。应用层的任务是赋予产物和运营人员标签的东西本领，聚合业务数据，转化为用户的枪火弹药，提供数据应用处事。

业务方可以或许按照本身的需求来利用，共享业务标签，但互相业务又互不影响。实践中可应用到以下几块：

精准化营销。

本性化推送。

三、标签体系的设计 1. 业务梳理

搭建用户标签体系容易陷入用户画像陷阱，照葫芦画瓢，倒霉于标签体系的维护和后期的扩展。可以按下面的思路来梳理标签体系：

有哪些产物线？产物线有哪些来历渠道？一一列出。

每个产物线有哪些业务工具？好比用户，商品。

最后再按照工具聚合业务，每个工具涉及哪些业务？每个业务下哪些业务数据和用户行为？

功效雷同如下：

2. 标签的分类

按业务工具整理了业务数据后，可以继承凭据工具的属性来举办分类，主要目标：

利便打点标签，便于维护和扩展。

布局清晰，展示标签之间的关联干系。

为标签建模提供子集。利便独立计较某个标签下的属性偏好可能权重。

梳理标签分类时，尽大概凭据MECE原则，彼此独立，完全穷尽。每一个子集的组合都能包围到父集所有数据。标签深度节制在四级较量符合，利便打点，到了第四级就是详细的标签实例。

3. 标签的模子

按数据的实效性来看，标签可分为

静态属性标签。恒久甚至永远都不会产生改变。好比性别，出生日期，这些数据都是既定的事实，险些不会改变。

动态属性标签。存在有效期，需要按期地更新，担保标签的有效性。好比用户的购置力，用户的活泼环境。

从数据提取维度来看，标签数据又可以分为范例。

事实标签。既定事实，从原始数据中提取。好比通过用户配置获取性别，通过实名认证获取生日，星座等信息。

模子标签。没有对应数据，需要界说法则，成立模子来计较得出标签实例。好比付出偏好度。