亚马逊的CEO Jeff Bezos曾说过他的梦想，「如果我有一百万的用户，我就会做一百万个不同的网站！」，做这个基础是先对用户打标签。
而目前基于标签的智能推荐系统，已经有了成熟商业应用，比如：淘宝的千人千面，美团外卖的智能推荐，腾讯的社交广告。
一、思考的背景
从16年开始，互联网用户增长趋缓，同比仅增长。一方面，不论是线上还是线下，新用户的获取成本都很高。另一方面，用户时间增长也在趋缓。在用户花费时间趋向饱和情况下，不同的产品之间同样存在竞争关系。
在这个背景下，随着用户量增长，运营人员面临新的挑战，有以下核心诉求：
- 一般运营活动中，怎么对不同用户群体分层，提高流量的分发效率？
- 对于个体用户，怎么深入到日常使用场景，提高流量的转化效率？
落到产品设计层面，需要解决以下问题：
- 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？
- 怎么使用用户标签，创造商业价值？
二、怎样建立用户的标签体系？
讲到用户运营，我觉得有两项基本工作是可以拿出来讲讲的：
一个是用户触达体系，一个是用户成长激励体系。
用户触达简单来说就是给用户推送提醒、活动、召回等各类消息，加上标签化，就可以更有针对性及个性化的为用户推送；
而用户成长激励就是我们在各类APP上常见的新手任务、日常任务、营销活动、会员体系等等；两者亦有相辅相成的作用。
其实，这两项内容的基础建设做起来并不难，但由于网上缺少这类实操案例的讲解，让很多初次上手去做的运营缺少认知和了解（比如：我早期需要独立完成这些工作的时候，就搜不到很清楚的内容能够帮助我），导致接到任务在构思时，缺少参考内容。
所以，这次就跟大家聊聊这两块的经验，希望对你所有启发。
2.1 做标签体系前先理清“用户类型”
首先，运营推送分两种，一种我们叫全量推送，比如节日活动、产品重大更新等，我们需要尽可能多的覆盖用户；所以这种直接通过后台push、短信、公众号等就可以操作。
而另一种是精准推送，比如新手引导、沉默预警、流失召回等行为，我们需要更有针对性的进行推送，但在推送之前，我们肯定要事先知道“这些用户”是谁，对吧。
因此，用户标签体系工作的开展逻辑就分为三部分，我们运营先理清楚这个“人”，然后通过“条件”标签化定义这个人，最后是策略“触达”这个人。
给谁推送（运营需求）>如何定义这个人（技术实现）- 何时触发推送（ 运营制定）
题外话：我们运营在上手执行任何工作之前，一定要自我事先理清楚任务的目的、逻辑和顺序，这样才不会忙一两天的作业交上去，又被领导打回来改来改去，好像领导不理解你的想法或者你做完成却发现不理解领导到底想要什么；原因就是虽然你的执行效率上去了，但却没留时间让自己思考这到底是为什么。
现在流行的精细化运营，需要我们对用户进行多维度多方面的划分；我就不详细列举了，这里概以我们常用到的用户分层为例讲解。
那不同的产品根据业务类型不同，对用户层级的划分会有不同的界定，以我们家的工具产品为例。大致可分为四层：新增用户-活跃用户-会员用户-核心用户
2.2 做标签体系前理清“推送需求”
通过用户分层，我们明确了想要推送的四类用户，那下一步要思考的是，我要针对不同层级的用户哪些行为进行推送呢？例如：
- 新增用户：作为运营，我想在用户注册后推送一条欢迎&引导上手文案，并且希望在当天内触成用户完成核心功能的体验，三天内督促完善新手任务；这期间我就需要根据用户行为和完成状态的不同，推送不同的文案；
- 活跃用户：作为运营，我想能够判断出当前用户的活跃次数&天数，以此发放不同的优惠政策，看是否通过不同的营销切入点，最大化转化非会员用户；
- 再如分群：运营希望给当前的月卡且在本月将到期的会员用户，单独推送到期提醒及续费优惠活动等。
以此类推，那可能有人要问了，为什么做标签体系之前，我自己要梳理的这么清楚？直接按照人口属性、行为属性定义后，提需求给技术不就行了，需要说明两点：
- 标签体系化工作是一个长期过程，需要阶段性的进行，因此你不可能一上来全面覆盖全面标签化，它是随着产品&业务的发展深度，而进行动态演化的；所以你也不要担心想的不全面；回归需求本身，清楚现产品阶段，你最关心什么，要给谁推送，按照节奏进行。
- 标签是分级的，等下看图会更详细，那为什么标签要这样划分级别要清楚，假设第一级标签，你在后台筛选的是活跃用户，那么按照用户的活跃状态，我还可以再分一级，筛选出低频活跃用户或者高频活跃用户。如果你不自己不清楚怎么算低频活跃怎么算高频活跃，那怎么对标签下定义呢？
2.3 标签定义的四个维度
当你理清楚了人并且也清楚当前最想要对他的什么行为&状态进行推送，那标签体系化的第一期工作，就可以进入到落地执行环节了。
我们一般做标签体系，大致先满足四个维度：人口属性、行为属性、商业属性、消费属性，四个方面来进行标签填充。
人口属性：指的是用户运营画像。比如性别、年龄、地域、设备型号等。这一维度告诉我们他是谁。
题外话：用户画像一般分两种，一种是用户产品画像，产品经理通过海量用户抽象出产品使用者画像，类似于高度概括的那种，以便判断这个功能是否能够满足这一群体用户的需要；另一种是用户运营画像，因为运营更多是精准触达、活动等，所需的是具体的属性。
行为属性：指用户使用产品的日常行为和关键行为，比如注册、签到、活跃状态、功能使用等，这一维度告诉我们他当前做了什么。
商业属性：指用户在产品上的当前付费状态。比如免费用户、会员用户、免费用户也可根据时间划分为 3 天/ 7 天/ 30天的免费试用用户，按付费类型可为年卡/季卡/月卡用户。这一维度告诉了我们他在产品上的状态。
消费属性：这里用到的是 RFM 模型。RFM 模型大家都知道， Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），我们一般分为8个维度。
除了上述四个基本层面的标签建设外，还有一个可根据运营需要添加或不添加。
偏好属性：记录用户在产品上的行为偏好。比如每日都会签到的用户、参与过会员促销活动的用户、参与过拉新活动的用户等等。这一部分用户有的属于利益驱动型用户，可以作为运营上线活动，第一批种子用户或者测试用户。
2.4 标签化的推送制定
在完成了标签定义之后，就是推送制定，针对不同的用户层级，我们的运营动作也所有不同，在上面略有提及，如果是固定的文案&营销推送，可以做成自动化，比如会员到期提醒、沉默预警提醒、流失召回等。
如果有活动或者AB测试的需求，则可以通过后台按照以上标签筛选进行针对性推送。
至于推送的文案&时间&活动类型，各家的产品&使用环境都不同，我就不要误导你什么21点推送&新手推引导，活跃推营销等等啦，方法只有一个站在你的角度，多推多看多琢磨。
三、标签系统的结构
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。
四、标签体系的设计
3.1. 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，不利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：
- 有哪些产品线？产品线有哪些来源渠道？一一列出。
- 每个产品线有哪些业务对象？比如用户，商品。
- 最后再根据对象聚合业务，每个对象涉及哪些业务？每个业务下哪些业务数据和用户行为？
结果类似如下：
3.2. 标签的分类
按业务对象整理了业务数据后，可以继续按照对象的属性来进行分类，主要目的：
- 方便管理标签，便于维护和扩展。
- 结构清晰，展示标签之间的关联关系。
- 为标签建模提供子集。方便独立计算某个标签下的属性偏好或者权重。
梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在四级比较合适，方便管理，到了第四级就是具体的标签实例。
3.3 标签的模型
按数据的实效性来看，标签可分为
- 静态属性标签。长期甚至永远都不会发生改变。比如性别，出生日期，这些数据都是既定的事实，几乎不会改变。
- 动态属性标签。存在有效期，需要定期地更新，保证标签的有效性。比如用户的购买力，用户的活跃情况。
从数据提取维度来看，标签数据又可以分为3种类型。
- 事实标签。既定事实，从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息。
- 模型标签。没有对应数据，需要定义规则，建立模型来计算得出标签实例。比如支付偏好度。
- 预测标签。参考已有事实数据，来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品。
3.4. 标签的处理
为什么要从两个维度来对标签区分？这是为了方便用户标签的进一步处理。
静态动态的划分是面向业务维度，便于运营人员理解业务。这一点能帮助他们：
- 理解标签体系的设计。
- 表达自己的需求。
事实标签，模型标签，预测标签是面向数据处理维度，便于技术人员理解标签模块功能分类，帮助他们：
- 设计合理数据处理单元，相互独立，协同处理。
- 标签的及时更新及数据响应的效率。
以上面的标签图表为例，面临以下问题：
- 属性信息缺失怎么办？比如，现实中总有用户未设置用户性别，那怎么才能知道用户的性别呢？
- 行为属性，消费属性的标签能不能灵活设置？比如，活跃运营中需要做A/B test，不能将品牌偏好规则写死，怎么办？
- 既有的属性创建不了我想要的标签？比如，用户消费能力需要综合结合多项业务的数据才合理，如何解决？
模型标签的定义解决的就是从无到有的问题。建立模型，计算用户相应属性匹配度。现实中，事实标签也存在数据缺失情况。
比如用户性别未知，但是可以根据用户浏览商品，购买商品的历史行为来计算性别偏好度。当用户购买的女性化妆品和内衣较多，偏好值趋近于性别女，即可以推断用户性别为女。
模型计算规则的开放解决的是标签灵活配置的问题。运营人员能够根据自己的需求，灵活更改标签实例的定义规则。比如图表中支付频度实例的规则定义，可以做到：
- 时间的开放。支持时间任意选择：昨天，前天，近x天，自定义某段时间等等。
- 支付笔数的开放。大于，等于，小于某个值，或者在某两个值区间。
标签的组合解决就是标签扩展的问题。除了原有属性的规则定义，还可以使用对多个标签进行组合，创建新的复合型标签。比如定义用户的消费能力等级。
标签最终呈现的形态要满足两个需求：
- 标签的最小颗粒度要触达到具体业务事实数据，同时支持对应标签实例的规则自定义。
- 不同的标签可以相互自由组合为新的标签，同时支持标签间的关系，权重自定义。
五、实践分享
数据应用层即为标签的使用场景，最典型的应用场景是：精准推送。
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。
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。
前天，产品群里有人问为啥有的产品引导用户关联第三方账号？同样是为了获取用户数据，用户一般并不知晓，以为只是增加新的登录方式。
建议及想法
如果你的产品微信粉丝数量接近千万级，不防试一试，用标签做精准营销。微信聚合了大量的粉丝，向商家端开放了粉丝的基本信息，提供了开放接口能力及多种消息触达方式，是最好的试验场。
微信聚合了最大和最优质的流量。从这个角度出发，基于微信提供的能力，做一款针对C端营销的CRM营销产品，存在着很大的商业机会。
