标签分类的三种方式：按用途、按统计方式和按时效分类

编辑导语：标签体系是整个用户画像建设的基础，若没有建设好，对后面的调研及规划会有一定的影响，标签体系的分类能够给我们节省时间、提高效率。本文对标签体系进行简单的介绍，希望对你进行标签分类有帮助。

标签体系是整个用户画像建设的地基，不打好地基，摩天大楼就不可能平地而起。草帽小子在做调研及规划过程中，就深深认识到标签体系的重要性，接下来草帽小子会重点介绍标签体系。

一、标签分类

不同公司的标签分类有所不同，目前市面上有三种常用的标签分类方式：

• 按用途分类，可分为基础信息、用户行为、业务偏好、场景标签；
• 按统计方式分类，可分为事实类标签、规则类标签、预测类标签；
• 按时效分类，可分为静态标签、动态标签。

1. 按用途分类

按用途分类的标签，可分为基础信息、用户行为、业务偏好、场景标签。通常面向产品/业务人员，分类时需要根据实际的业务需要进行类别划分，以便适配业务人员在通用场景和定制场景下标签的使用。

1) 基础信息

标签基础信息标签，是用于描述用户的基础属性，包含自然属性、社会属性、业务属性等，如性别、年龄、常驻城市、RFM、会员等级等标签。

① 年龄

人们在一生中购买不同的商品和服务，在幼年时吃婴儿食品，在发育时期和成年时期吃各类食物，在晚年吃特殊的低热量食品。人们对衣服、家居和娱乐等的喜好也跟年龄有关，这也就是为什么年龄是画像中常用的标签。

② 职业和收入水平

职业影响一个人的消费模式，如蓝领工人通常会买工作服，公司的董事长则会买名牌服装及高端产品。不同职业的人群收入水平不同，针对高收入水平的消费者，可向其推荐更优质的商品，促进商品转化率。

2) 用户行为标签

心理学家马洛斯认为，在某一特定时间，人们会受到特定需求的趋势。

他的理论是，人类的需求是按层次排列的，从最迫切的需求到最不迫切的需求。按重要程度排列，这五种需求分别是：生理需求、安全需求、社会需求、尊重需求和自我实现需求。

消费者总是先寻求满足最重要的需求，当最重要的需求得到满足之后，他就会寻求满足下一个最迫切的需求。

用户行为类标签，主要通过洞察用户在最近一段时间内的各类行为，如浏览、搜索、收藏、加购等，进一步提炼出用户的需求。

用户搜索或加购某一类型的商品频率越高，其消费需求就表现得愈加强烈。提炼出的常见标签包括近7天上网时段、近30天收藏品类、近30天消费频度等。运营者可通过组合圈选择有多种行为的用户，为其定向推送相关商品。

3) 业务偏好标签

业务偏好标签，用于描述用户的偏好业务内容，根据公司业务不同，划分不同的分类，通常电商行业业务偏好类标签包含运动户外、数码家电、食品保健等，其他行业的业务偏好标签根据实际业务而定。

一般情况下，以上这3类标签即可满足常用的标签使用需求，因为其已描述who（基础信息）do（用户行为）what（业务偏好）的整个过程，该用户的行为合集构成了整个用户画像。

但随着标签的使用，业务人员发现，经常会有些同类似的活动，使用到了类似的标签组合，类似的人群包。于是这类标签组合便可沉淀下来，针对特定场景使用。

4) 场景应用标签

场景应用标签，用于特定场景下使用，由业务使用经验积淀而来，例如618/双十一活动标签，双十一预付定金人群、双十一下单人群等。标签建设初期可不设置此分类。

2. 按统计方式分类

按统计方式分类的标签可分为事实类标签、规则类标签、预测类标签。与按用途分类不同的是，按统计方式分类的3类标签通常面向研发人员，意指标签是按何种方式计算而来，其复杂程度、产研成本由低至高。

1) 事实类标签

事实类标签是用户画像最基础、最常见的标签，通常是基于原始数据清理后的归类，用于描述客观事实。例如，姓名、会员等级、终端类型、购买次数、购买金额等。

2) 规则类标签

规则类标签，顾名思义，是基于确定的规则而产生。与事实类标签不同的是，规则类标签拥有更多的业务属性，其业务规则需与业务人员共同制定。例如，将“活跃用户”标签可定义为，“过去30天发生a行为x次”&“过去30天发生b行为x次”，进行综合评定。

① 用户活跃度标签

实际业务场景中会涉及根据用户的活跃情况，给用户贴上高活跃、中活跃、低活跃、流失等标签。那这个过程中高中低活跃度对应的时间范围是如何划分的呢？

在这里，靠拍脑门可行不通，标签讲究定义有依据、建设有方法。

首先划分用户的流失周期，运用拐点理论：X轴上数值的增加会带来Y轴数值大幅增益（减益），直到超过某个点之后，当X增加时Y的数据增益（减益）大幅下降，即经济学里面的边际收益的大幅减少，那个点就是图表中的“拐点”。

比如图中流失周期增加到5周的时候，用户回访率的缩减速度明显下降，所以这里的5周就是拐点。

我们可以用5周作为定义用户流失的期限，即一个之前访问/登录过的用户，如果之后连续5周都没有访问/登录，则定义该用户流失。划分完流失周期之后，初期可根据根据四分位数，将用户的活跃情况划分为高中低，后期根据数据情况更新规则。

② 四分位数

也称为四分位点，是指在统计学中把所有数值从小到大排列并分为四等分，处于三个分割点位置的数值。

如历史数据，选择近1个月访问APP次数在0-8之间，则取3/4分位点为6、1/4分位点为2。

• 高活跃用户：近1个月访问APP次数在[6,8]区间的用户
• 中活跃用户：近1个月访问APP次数在[2,6]区间的用户
• 低活跃用户：近1个月访问APP次数在[0,2]区间的用户

③ RFM标签

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：最近一次消费时间、消费频率、消费金额。

• 最近一次消费（Recency）：指用户上一次购买的的时间，一般上一次消费时间越近的顾客是质量更佳的顾客。最近一次消费是维系顾客关系的一个重要指标。
• 消费频率（Frequency）：顾客在限定时间周期内消费的次数。消费频率高的顾客，也是满意度最高的顾客。根据这个指标，可以把客户分成几等份，相当于划分了一个忠诚度的阶梯。
• 消费金额（Monetary）：消费金额时产能最直接的衡量指标，也可以验证“二八定律”，公司80%的收入来自于20%的顾客。

我们在设计RFM标签时，可根据二八定律来进行标签分级。

④ 二八定律

二八定律又名80/20定律、帕累托法则，它是在19世纪末由意大利经济学家帕累托发现的。

帕累托认为，在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的。给一个公司带来80%利润的是20%的客户，按照这个原则，如果能把这20%的客户找出来，提供更好的服务，这对于公司的发展和业绩增长起到至关重要的作用。

• R：如历史数据中80%的用户最近访问<90日为“近”，用户最近访问>=90日为“远”。
• F：如历史交易订单量80%的用户订单量<10单为“低频”，订单量>=10单为“高频”。
• M：如历史交易订单金额80%的用户交易金额<2000元为“低额”，交易金额>=2000元的为“高额”。

客户类型可划分为：

• 重要价值客户：R↑ F↑ M↑，消费金额、消费频次大且最近有消费的用户，则为优质客户；可倾斜更多资源、提供VIP服务、专属客服通道、个性化服务
• 重要保持客户：R↓ F↑ M↑，消费金额和消费频次大，但最近无消费，需要唤回；可提供有用资源，通过续订或更新产品赢回他们
• 重要发展客户：R↑ F↓ M↑，消费金额大，且最近有交易，但消费频次不高，需要重点识别；可交叉销售，提供会员/忠诚计划，推荐其他产品
• 重要挽留客户：R↓ F↓ M↑，消费金额大，但消费频次不高且最近吴晓飞，此为最潜在有价值的客户，需要挽留；可采取push消息触达，回访等措施，来提高留存率
• 一般价值客户：R↑ F↑ M↓，消费频次高且最近有消费，但消费金额较小；需要进一步挖掘，向上销售更高价值的产品
• 一般保持客户：R↓ F↑ M↓，消费频次高，但最近无消费且消费金额较小；可向上销售更高价值的产品
• 一般发展客户：R↑ F↓ M↓，最近有消费，但消费频次及金额较小；可按消费类型推荐其感兴趣的产品
• 一般挽留客户：R↓ F↓ M↓，无消费的新用户；可开展活动，免费试用，提高客户兴趣，建立品牌认知度

3) 预测类标签

预测类标签，基于现有事实及规则无法得出，需要运用决策树算法、贝叶斯算法等进行数据挖掘与训练，得出标签预测结果。

预测类标签复杂度高、开发周期长、开发成本高，且需要算法工程师参与，通常此类标签的占比较少。

3. 按时效分类

按时效分类，可分为静态标签、动态标签，方便业务人员在需求提出时做好时间维度的限制，同时方便开发人员在标签更新时，设置静态标签的更新时间更长，提升数据产出效率。

1）静态标签

静态标签通常用于描述固有属性，不随时间的变化而改变，如性别、身高、体重等。

2）动态标签

动态标签需要动态更新，来保持标签的有效性，如近7天购买次数、近30天加购次数等。

二、标签分级

随着标签的增多，当标签数量发展到成百上千量级时，业务方要从中找一个标签就会十分困难。所以标签在建设初期就需要进行分级分类的管理，就像整理电脑文件夹一般，分类清晰的标签更便于查询使用。

标签常用的分级结构为：一级标签、二级标签、三级标签、四级……逐级往下分。

注意：建设初期要注意的是层级不必生搬硬套、划分过细，根据标签建设实际情况划分即可。如果公司只有几十个标签，则划分至二级足矣，过细反而累赘。

草帽小子，数据产品经理一枚；用户画像、埋点、指标体系、BI、广告投放等系列作者；《大数据实践之路:数据中台+数据分析+产品应用》作者；“数据人创作组联盟”成员。

本文由@一个数据人的自留地 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议