下载文档原格式
编辑导读：用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。
本文从什么是用户画像、用户画像的作用以及如何做用户画像展现了详细的说明，希望能给你带来启发。
在产品研发过程中，产品、设计、研发等人员经常会提到“我们要为目标用户设计”、“我们的用户是谁”等字眼，可见找准目标用户在产研过程中至关重要。
用户画像作为一种设计工具，可以很好得帮助设计师跳出“为自己设计”的惯性思维，聚焦目标用户，发现核心价值，赋能产品，在互联网各类型产品中有广泛的应用。
本文将介绍用户画像概念、价值以及如何从0到1构建用户画像，希望阅读后能让大家了解用户画像相关理论，并有助于后续对用户画像的深度学习。
目前业界常使用的用户画像概念有2种，一种是User persona，一种User portrait，也有翻译为User profile。
根据Alan Cooper的《About Face》，是基于产品对真实世界的观察，抽象出来的具有代表性的虚拟用户模型，有时也被称为综合的用户原型（Composite User Archetype）。
这个概念最早由Alan Cooper在《The Inmates are Running the Asylum》（软件创新之路）一书中提出，后续在多处书籍进行了不停的完善。
这个画像主要特征如下：（1）描述一个用户画像包括角色描述和用户目标这里角色描述是指如名称、年龄、位置、收入、职业等，这类角色描述主要是为了使用户画像更丰富、真实，具象；重点关注的是用户动机，用户目标是其动机。
（2）可以代表相似的用户群体或类型，也可以代表个体User persona是抽象的、虚拟的，代表一个典型的用户群体；虽然也可以代表个体，但个体并不是实际独立的个人，而是从实际观察研究中综合而来。
（3）须针对具体情境-具体产品的行为和目标User persona研究的是用户在具体情境下对产品的使用，关注其在一定范围内的行为、态度、能力、动机等。
建立消费者画像的标签体系1. 引言消费者画像是指根据消费者的个人特征和行为惯来描述和分类消费者的一种方法。
通过建立消费者画像的标签体系，企业可以更好地了解消费者需求，实施精准营销策略，提高销售与客户忠诚度。
本文旨在介绍建立消费者画像的标签体系的完整方法和步骤。
2. 标签体系的构建步骤建立消费者画像的标签体系需要经过以下几个步骤：2.1 数据收集首先，企业需要收集大量与消费者相关的数据，包括个人信息、购买行为、在线活动等等。
这可以通过市场调研、数据分析工具、社交媒体等多种渠道进行。
2.2 数据清洗和整理收集到的数据需要进行清洗和整理，以确保数据的准确性和一致性。
通过去除异常值、标准化数据格式等操作，可以提高后续数据分析和建模的效果。
2.3 特征工程在进行数据分析前，需要对数据进行特征工程，即通过对原始数据特征的处理和提取，得到更有意义和可用性的特征。
这可以包括特征选择、特征缩放、特征衍生等步骤，以提高分类和聚类等算法的准确度和效果。
2.4 模型构建与评估在进行特征工程后，可以使用机器研究、数据挖掘等技术构建消费者画像的模型。
常用的模型方法包括分类、聚类、关联规则等。
构建模型后，需要对模型进行评估，以验证其准确性和可靠性。
3. 消费者画像标签体系的应用建立完消费者画像的标签体系后，企业可以通过以下方式应用于实际营销活动中：3.1 个性化推荐根据不同的消费者画像标签，企业可以向个体化推荐相关产品或服务，提高消费者购买的可能性。
3.2 精准定位通过消费者画像的标签体系，企业可以更准确地定位目标消费群体，制定更精准的营销策略，提高市场竞争力。
3.3 营销策略优化消费者画像标签体系可以帮助企业分析消费者的偏好和需求，优化营销策略的制定和执行，提高企业的营销效果。
4. 结论建立消费者画像的标签体系对于企业来说具有重要意义。
通过准确地了解消费者需求和行为习惯，企业可以提供更个性化的产品和服务，实现更高的销售与客户满意度。
构建用户标签体系本文根据神策数据业务咨询师钟秉哲以《构建用户标签体系，助力企业精细化运营》为主题的直播内容凝练要点而成，将系统回答业务人员重点关注的如下四类问题：●为什么要做用户标签画像？●如何构建完备的用户标签体系？●标签的生产和创建有哪些细节和经验？●如何利用好用户画像分析赋能业务落地？相信在阅读本文后，您的困惑都将迎刃而解。
一、为什么要做用户标签画像？1. 标签的本质简单地说，所谓的用户标签，就是对用户某个维度特征的描述。
对一群用户来说，我们为了让业务做得更好，会想知道他们的很多特征。
比如，我们这一季度有10 万元的活动预算，应该集中花在哪里？这个问题，其实是希望能对给定用户群体的商业价值做很好的描述，知道哪些人是应该重点服务的对象。
图 1 标签的基本含义用户标签可以有很多种存在形式，可以是用户的自然属性，可以是对用户交易、资产数据的统计指标，也可以是基于某些规则，总结出的一些分层。
无论是哪种形式，都是对用户的某个维度特征做描述与刻画，让使用者能快速获取信息。
图 2 标签的常见形式2. 标签的应用场景按照我们在多家不同企业落地标签体系的经验，用户标签的应用主要有四种场景。
首先是辅助分析洞察，用户标签可以辅助业务人员快速获得用户的信息认知，发现显著特征，获得业务灵感。
其次是丰富数据分析的维度，对我们的业务数据做更深层的对比分析。
分析洞察获得业务灵感后，标签可以辅助业务落地。
再次可以将用户群体切割成更细的粒度，使运营从粗放式到精细化，以多种运营触达手段，像短信、推送、活动、优惠券等等，对用户进行驱动和挽回，达到事半功倍的效果。
最后用户标签还可以作为数据产品的基础，例如个性化推荐系统、广告系统、CRM 管理工作等。
自动化的业务系统能更有效地利用用户标签的威力。
图 3 标签的四大应用场景需要注意的是，虽然用户标签画像体系是有价值的，但不是每个公司都能做。
第一，企业需要有足够丰富的内容、商品、服务或客户属性层次，或者业务进入稳定期的客群量级达到一定规模。
用户画像构建三步走：用户画像并不是随便的给用户打标签今天就用户画像构建的一些思路和想法分析进行一个分享，欢迎一起进行探讨交流。
如果你走在大街上，看到迎面走来了一个前凸后翘、长发飘飘、五官精致、皮肤白皙、大腿修长的人，你内心肯定会一阵惊喜：“哇，美女！”。
假如你对这个美女产生了兴（性）趣，你想追求这个美女，那么你会想办法去了解这个美女，比如约她吃饭，出去玩以了解她的性格特征，从她闺蜜那打听她的兴趣、爱好等。
当你对这个美女的外在和内在都做了详细的了解之后，你觉得的实时机差不多了，就开始了对美女的表白。
其实在你向美女表白前的一些列过程就是在对这个美女进行画像。
你在表白前你肯定会对这个美女有了以下判断：外在，她是一个美女。
判断依据：前凸后翘，长发飘飘，五官精致，皮肤白皙，大腿修长内在，她很温柔、贤惠、知书达理，她喜欢……判断依据：声音好听、细腻，举止优雅，会做饭，能持家，善解人意等其实我们在做产品或者运营过程中的用户画像也是同样的道理和思路，前面是对单个人的特征描述。
在做产品运营过程中的用户画像唯一不同的就是，我们需要对一群人做特征描述，是对一个群体的共性特征的提炼，说白了就是给用户群体打标签。
所以用一句话概括：用户画像就是给用户打标签！当然给用户画像不是随随便便的给用户打几个标签就完事，就像你追美女之前的了解工作一样，你需要对美女的外表进行判断，你需要通过跟美女的交往和沟通，或者从闺蜜那进行打听来了解美女的性格，爱好和需求。
所以我们在构建用户画像的时候需要遵循一定的思路、步骤和方法。
用户画像的思路前面在用美女举例的时候，对美女从内在和外在两个方面进行了判断，用户画像的构建思路其实也是从这两个方面进行展开。
在这里我们称之为：显性画像和隐性画像两个方面，具体的思路都是围绕这两个方面进行展开。
•显性画像：即用户群体的可视化的特征描述。
如目标用户的年龄、性别、职业、地域、兴趣爱好等特征•隐性画像：用户内在的深层次的特征描述。
大数据挖掘的用户画像人才标签体系生成方法大数据时代的到来，给企业提供了大量的用户数据，这些数据蕴含着宝贵的信息，可以帮助企业更好地了解用户需求和行为习惯。
而用户画像作为一种用户特征描述工具，可以帮助企业更好地了解自己的目标用户，从而进行精准的营销和服务。
用户画像的生成是一个关键的环节，需要根据大数据进行挖掘和分析，以得到准确、全面的用户特征。
在大数据挖掘的用户画像人才标签体系生成方法中，通常包括以下几个步骤：1. 数据收集：首先，需要收集大量的用户数据，这些数据可以通过企业自身的数据库、社交媒体、第三方数据提供商等途径获取。
数据的收集可以包括用户的基本信息、消费记录、浏览记录、社交网络等多个方面。
2. 数据清洗：在进行数据挖掘之前，需要对收集到的数据进行清洗和预处理，以去除噪声和无效信息。
数据清洗的过程包括数据去重、缺失值填充、异常值处理等。
3. 数据挖掘：在数据清洗之后，可以使用各种数据挖掘算法对数据进行分析和挖掘。
常用的数据挖掘算法包括聚类分析、关联规则挖掘、决策树、神经网络等。
4. 特征提取：在数据挖掘的过程中，可以提取出一些具有代表性的特征，作为用户画像的标签。
这些标签可以包括用户的年龄、性别、兴趣爱好、购买偏好等。
5. 标签生成：基于提取到的特征，可以根据一定的规则和算法来生成用户画像的标签。
标签可以分为基础标签和深度标签两种。
基础标签通常包括用户的基本信息，如年龄、性别等；而深度标签则是对用户行为和偏好的更深入的描述，如购买偏好、消费能力等。
6. 标签评估：生成用户画像的标签后，需要对其进行评估和验证。
评估的方法可以包括专家评估、用户调查等。
评估的结果可以用于优化和改进标签的准确性和可靠性。
7. 标签应用：最后，生成的用户画像标签可以应用于企业的各个业务环节。
比如，在市场营销方面，可以根据用户的画像标签来制定个性化的营销策略；在产品设计方面，可以根据用户的画像标签来进行产品定位和功能设计；在客户服务方面，可以根据用户的画像标签来提供个性化的服务。
3种思路，打造用户画像的标签体系产品经理实战训练营，2天线下面授+1年在线学习，BAT产品总监亲授，做个优秀的产品经理。
了解详情最近，频繁遇到各类公司找我交流“用户画像该怎么做”这个问题。
什么是用户画像?就是根据某个人表现出来的网络行为，猜他是男是女，挣多挣少，孩子多大，乃至要买什么东西这些背后的特征。
什么是用户画像用户画像，是大数据三百六十行居家旅行、装逼煽情必备的概念，它还有个类似的概念叫受众定向。
个人觉得，“用户画像”这个词听起来更加关注人口属性、生活状态这些基本静态信息，这多少有点误导：我们重点关注的，往往是某用户“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。
俗话说，“画龙画虎难画骨，知人知面不知心。
”为什么知人心这么难呢?道理很简单：猜对了也好，猜错了也罢，都是一头雾水，并没有可靠的正确答案(术语称为“Ground Truth”)。
对此，白居易老先生早有教诲：周公恐惧流言日，王莽谦恭未篡时，向使当初身便死，一生真伪复谁知?用户画像，跟这个也有点类似。
比如你把某人标成“足球爱好者”，对不对他自己都不一定拿得准。
就拿中国足球事业的革命家、教育家高俅同志来说，他到底算“足球爱好者”么?恐怕答案是见仁见智的。
因此，先要给大家解放下思想：除了性别、年龄这些有明确答案的标签，其他大多数兴趣标签，探讨其“准确程度”是没有意义的。
用户画像的标签体系从技术层面看，用户画像的过程比较乏味。
我们今天来讨论一个看起来最简单、却最难以把握精髓的环节：如何设计用户画像的标签体系。
什么是标签体系?简单说就是你把用户分到多少个类里面去。
当然，每个用户是可以分到多个类上的。
这些类都是什么，彼此之间有何联系，就构成了标签体系。
标签体系的设计有两个常见要求，一是便于检索，二是效果显著。
在不同的场景下，对这两点的要求重点是不同的。
笔者见过很多做用户画像的产品经理，往往醉心于设计一个伟大、光荣、正确的标签体系，这往往是形式主义的调调儿。
阐述构建用户画像的流程随着互联网的发展，用户画像成为了许多企业进行精准营销和个性化推荐的重要工具。
通过构建用户画像，企业可以更好地了解用户的兴趣、需求和行为习惯，从而提供更贴近用户的产品和服务。
本文将以阐述构建用户画像的流程为主题，介绍构建用户画像的一般步骤和方法。
一、数据收集构建用户画像的第一步是收集数据。
数据可以从多个渠道获得，包括用户的注册信息、购买记录、浏览行为、社交媒体活动等。
企业可以通过自己的网站、APP或第三方平台收集数据，并进行整合和分析。
同时，还可以通过在线调查、问卷调查等方式获取用户的个人信息和偏好。
二、数据清洗与整合收集到的数据往往是杂乱无章的，包含大量的重复、缺失或错误的信息。
为了提高数据的质量和准确性，需要进行数据清洗和整合。
数据清洗是指对数据进行去重、去噪、填补缺失值等处理，以消除数据中的噪声和异常值。
数据整合是指将来自不同渠道的数据进行统一，建立一个完整的用户信息库。
三、数据分析与建模在完成数据清洗和整合后，需要对数据进行分析和建模。
数据分析可以通过统计分析、数据挖掘等方法，对用户的行为和偏好进行探索和发现。
数据建模是指利用机器学习、数据挖掘等技术，构建用户画像的模型。
常用的建模方法包括聚类分析、关联规则挖掘、预测模型等。
通过数据分析和建模，可以从海量数据中挖掘出有价值的用户信息和模式。
四、用户分群与标签化在完成数据分析和建模后，可以根据用户的特征和行为将用户进行分群，并为每个用户打上相应的标签。
用户分群是指将用户划分为不同的群体，每个群体具有相似的特征和需求。
常见的用户分群方法包括基于用户行为的分群、基于用户属性的分群等。
标签化是指为每个用户打上标签，标记用户的兴趣、偏好和需求。
通过用户分群和标签化，可以更好地理解用户，为用户提供个性化的产品和服务。
五、用户画像应用构建用户画像的最终目的是为了应用，为企业的精准营销和个性化推荐提供支持。
通过用户画像，企业可以了解用户的购买习惯、喜好和需求，从而进行精准的推广和营销活动。
精细化运营数据分析⽅法之—⽤户画像搭建提到⽤户画像，很多⼈都可能存在的错误认知，即把⽤户画像简单理解成⽤户各种特征，⽐如说姓名、性别、职业、收⼊、养猫、喜欢美剧等等。
这些特征表⾯上看没有什么问题，但是实际上组成⽤户画像要跟业务/产品结合。
⽐如，海底捞要做⽤户画像，最后列出来⼩明是⼀个⼤学⽣、⾼富帅、独⽣⼦、四川⼈，爱玩游戏、爱看动漫等⽤户标签。
⽽事实上，对于海底捞⽽⾔，⽤户帅不帅、是否爱玩游戏真的没有关系。
因此对很多企业来说，搭建的⽤户画像标签并没有真正起到有效的作⽤。
那到底什么是⽤户画像，⽤户画像对企业来说主要⽤在什么地⽅？以及企业该如何搭建⼀套有效的⽤户画像？今天⼩亿就来为⼤家分享⼀下。
⼀、什么是⽤户画像？1.定义⽤户画像即⽤户信息标签化，通过收集⽤户的社会属性、消费习惯、偏好特征等各个维度的数据，进⽽对⽤户或产品特征属性进⾏刻画，并对这些特征进⾏分析、统计，挖掘潜在价值信息，从⽽抽象出⽤户的信息全貌。
⽤户画像包含的内容并不完全固定，根据⾏业和产品的不同所关注的特征也有不同。
对于⼤部分公司，可以从⽤户特征、业务场景和⽤户⾏为三个⽅⾯构建⼀个标签化的⽤户模型。
2.类型（1）统计类标签这类标签是最为基础也最为常见的标签类型，例如：对于某个⽤户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从⽤户注册数据、⽤户消费数据中得出，该类数据构成了⽤户画像的基础。
（2）规则类标签基于⽤户的⾏为以及规则，在实际开发画像的过程中，由于运营⼈员对业务更为熟悉，⽽数据⼈员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营⼈员和数据⼈员共同协商确定（3）学习挖掘类标签通过机器学习挖掘产⽣，根据⽤户的⾏为和规则进⾏预测和判断。
⽐如某个⽤户购买卫⽣⼱，我们可以通过这个⾏为来推出⽤户性别为⼥性、根据⼀个⽤户的消费习惯判断其对某商品的偏好程度。
该类标签需要通过算法挖掘产⽣。
在项⽬⼯程实践中，⼀般统计类和规则类的标签即可以满⾜应⽤需求，在开发中占有较⼤⽐例。
最近在学习用户画像，翻看了七十多份材料，简约过了一遍赵宏田老师的书，最近又看了很多里的文章。
全体感受就是，材料太杂、内容太乱、反复的太多、相互间也会有些冲突。
但大致可以归为两类：赵宏田老师的一套，另外其它的一套。
有那么七八张图在各种文档、文章里反复消灭，我也搞不清楚哪个是原创了。
用户画像的描述至少在六个地方看到连文字都是一样的。
原来想着直接抄一下权威老师的作业就好了，但发觉了一些问题，比如标签分类违反了分类的基本准绳、混淆了标签与标签取值的区分。
可能是我较真了但还是期望能依据我认为的更好的方式去实现。
最终，由于以下内容大多源于最近看过的材料，原创声明确定是不能写的，有参考到的比较好的文章我会在文末逐一列出来。
2 标签体系概览2.1 什么是对象2.2 什么是标签标签是人为设定的、依据业务场景需求，对目标对象运用肯定的算法得到的高度精炼的特征标识。
标签是对对象某个维度特征的描述与刻画，是某一种用户特征的符号表示，每一种标签都规定了我们观看生疏描述对象的一个角度，用于对象的标注、刻画、分类和特征提取。
现实世界中标签还有三种表现外形：实物标签、网络标签和电子标签。
•实物标签(Label)是用于标明物品的品名、分量、体积、用途等信息的简要标牌，例如：商品标签、价格标签、车检标签、服装吊牌、车票、登机牌都是实物标签；•网络标签(Tag)是一种互联网内容组织方式，是相关性很强的关键字，它能挂念人们通过关键词快速建立对内容总体印象；•电子标签又称RFID射频标签(Label)，是一种识别效率和精确度都比较高的识别工具，通过射频信号自动识别目标对象并猎取相关数据，识别工作无须人工干涉，可工作于各种恶劣环境。
用户画像里的标签，实际上属于网络标签(Tag)。
2.3 什么是标签体系所谓标签体系，就是对企业需要的多种标签进行归类、同时对标签属性加以定义，从而更便利的对标签进行管理维护。
标签体系包含两部分（标签分类体系即标签类目+标签内容信息），最好能通过标签系统来维护。
如何搭建用户画像的标签体系
1摘要
1.用户标签是构成用户画像的核心因素，是将用户在平台内所
产生的行为数据，分析提炼后生成具有差异性特征的形容词。
即用户通过平台，在什么时间什么场景下做了什么行为，平
台将用户所有行为数据提炼出来形成支撑业务实现的可视化
信息。
2.标签分为三种属性：静态标签判断用户基础需求，动态标签
提升用户体验，预测标签提升用户转化，提高产品价值。
3.“贴标签”形式有两种：用户主动选择特定标签和平台结合用
户行为给用户“贴标签”。
4.标签优化方式：机器优化和人工优化。
5.搭建标签体系流程：收集需求-建立规则-填充数据-标签维护。
6.在公司中，搭建标签需运营、产品、技术协调配合完成；运营
负责制定规则，产品结合业务审核标签合理性，技术负责实
现。
7.标签的作用：增强公司竞争壁垒，提升产品价值，提高运营
效率。
Tips：
1.业务导向：用户标签要贴近产品业务场景及产品所处行业建
立，避免标签脱离业务。
2.数据验证：标签的准确性和数据息息相关，不能只通过用户
1、2次点击某商品或内容，就确定用户对此感兴趣，要结合
数据趋势变化，不断验证，以免片面下结论导致用户画像不
准确。
3.持续优化：伴随用户年龄、偏好等阶段变化，用户需求和在
平台内的行为会不断变化，保持敏锐的用户嗅觉，利于产品
优化迭代，利于公司可持续发展。
2用户标签是什么
用户标签是构成用户画像的核心因素，是将用户在平台内所产生的行为数据，分析提炼后生成具有差异性特征的形容词。
即用户通过平台，在什么时间什么场景下做了什么行为，平台将用户所有行为数据提炼出来形成支撑业务实现的可视化信息。
3标签体系的目标
产品的本质是用户，用户画像的本质是标签，给用户“贴标签”，最主要的作用是构建产品的用户画像，而精准的用户画像是多方共赢的前提。
公司战略：公司可持续发展的核心，一方面使公司更具竞争壁垒，及时洞察市场风向，预测产品所占市场规模及前景发展，及时优化公司战略，避免过早陷入发展瓶颈；另一方面沉淀大批用户数据，既利于孵化创新产品，也丰富盈利模式（比如与第三方合作）。
产品设计：提升产品价值关键因素，基于精准人群的需求分析和功能设计，更容易得到用户认可，更容易打造产品亮点，提供精准个性化的服务，比如对于社区产品，内容个性化推荐将有效提升社区粘度。
运营管理：用户标签是精细化运营的基础，能有效提高流量的分发效率和转化效率。
提高运营效率；如今的新用户获客成本居高不下的情况下，利用现有用户画像，做好存量用户的维护，通过精准营销策略，提升存量用户的留存与活跃。
4标签体系的应用场景
4.1应用场景分类
标签和画像实际上是对数据的再加工，根据不同的加工输出可分成四大类应用场景（如下图）：
图标签画像的应用总结
（1）精细化运营
企业逐渐从粗放式到精细化，希望将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
（2）用户分析
用户画像也是了解用户的必要补充，在产品用户量扩大后，需要辅以用户画像配合研究，如新增的用户有什么特征，核心用户的属性是否变化等。
本质上来讲，标签就是对用户的描述，所以对标签的加工，相当于更深层地分析出贴近业务的用户信息，这个信息会减少大家基于原数据重新跑一些业务分析和用户分析的场景。
在这里强调一点，我发现很多企业在使用数据时，会忽略思考数据背后代表的意义，但是企业需要在使用数据解释业务特征时，更深层次地剖析数据代表的用户特征，因为增添这一层思考，意味着企业的业务自始至终真正服务的对象都是用户，而不是把这些业务作为服务用户的手段。
所以，当企业开始探索业务的持续性发展时，企业对用户的了解和认知非常重要。
举个例子：我在给一些证券客户做咨询的时候，会首先引导企业梳理现有数据，基于客户视角把客户资产盘点一次。
（3）数据分析
标签可以理解成作为用户分层分类的规则之一，数据查询平台和这些数据打通后能支持更加丰富和深层的分析及对比。
另外，数据分
析的应用，可以更具像到一个概念，即产品的应用。
（4）产品应用
用户标签是很多数据产品的基础，诸如广告系统、个性化推荐系统、CRM 基础搭建等，事实上，自动化运营本质上在技术角度对底层的要求就是标签体系。
大多数处于对标签和画像探索阶段的客户，在早期会侧重在类似客户生命周期管理、高价值的客户深入开发、交叉营销等角度（如图左侧），其本质原因是，企业希望把现有客户资产挖掘和客户运营做的更好。
另外一类需求主要与个性化相关（如图右侧），之所以将两类需求分开是因为图1左侧这一类是以分群的思路来考虑的几个方面，把客户划分成几类，还没有细化到为某个客户做定制化的服务，相反，图1右侧的几个方面个性化程度会更深一点，整体的投入成本也会显著比左边高。
举个例子：个性化推荐本身对于数据资源、基础硬件、人力成本等方面的消耗都大于左边。
因此，每个企业都有不同的发展阶段、业务诉求、投入产出比、可投入成本等决定企业是以上图左侧为主，还是以图1右侧为主。
事实上，从早期应用来说，我们也会推荐客户先主攻图1左侧部分，因为相对而言，这部分使用较小的投入、可产生更大的边际价值，当这部分达到业务提升的天花板时，可以开始通过图1中右侧的手
段来进一步增加价值。
也就是说，左侧的方式到达一定的上限以后，企业需要使用更极致的手段实现突破，如个性化推送、个性化推荐、个性化实时营销。
如头部电商企业基本都实现了个性化实时营销，当用户准备购买一个商品，却在付款页面流失了，表明客户是有成单意愿，但存在某些疑虑，或者就是被打断后忘记回来了，系统就会在大概十分钟之后，基本上等于实时给客户做营销推送，Push 用户成单。
当然，如果业务发展快，有明确的场景和充分的资源，想要两者一起来做，那当然也是可以的。
4.2精准推送
该场景对标签的实效性要求并不高，可以只考虑离线的历史数据，不需要结合实时数据，是标签首选的实践场景。
运营人员使用标签筛选出目标用户，定向推送活动。
推送渠道根据活动的需要来进行多渠道投放，能够支持微信，App，短信。
运营主要工作基本就是不停地生产活动，向用户投食，监测活动的效果，不断优化投放策略：找到不同用户对应的最佳匹配活动。
这块主要关注活动以下环节：
●活动前：目标用户，活动内容，投放渠道。
●活动中：效果监控和跟踪。
●活动后：效果复盘和优化。
确定商业目的，设定目标
明确目标人群特征
抽取标签及属性值定义
除精准推送外，用户标签还有其它的应用场景。
在技术层面上，对算法建模及响应性能也有更高的要求：
●推荐栏位
●消费周期评估
●广告投放
●促销排期
另外，用户的数据信息不仅局限于应用内本身。
仅通过用户昵称或手机号已经足以爬取到用户在全网内留下的所有信息，从而构建丰富的用户画像。
你多大？在哪里工作？家庭人员情况？在技术面前，都是一张透明的白纸。
只不过目前这样做要花费很多人力，成本太高。
5标签体系业务框架
标签系统可以分为三个部分：数据加工层，数据服务层，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。
以M电商公司为例，来说明该系统的构成。
数据加工层。
数据加工层收集，清洗和提取来处理数据。
M公司有多个产品线：电商交易，电子书阅读，金融支付，智能硬件等等。
每个产品线的业务数据又是分属在不同位置。
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。
在这一层，运营人员和产品能够参与进来，提出业务要求：将原材料进行切割。
主要完成以下核心任务：
定义业务方需要的标签。
创建标签实例。
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品和运营人员标签的工具能力，聚合业务数据，转化为用户的枪火弹药，提供数据应用服务。
业务方能够根据自己的需求来使用，共享业务标签，但彼此业务又互不影响。
实践中可应用到以下几块：
精准化营销。
个性化推送。
6标签体系模型。
