浅谈用户标签的实现困境和搭建方法

标签体系，在各大企业的业务场景中都有所应用，尤其是在用户价值分层、精准营销等方面发挥着很大的作用。但是有很多刚启动数字化转型的企业，对于如何搭建一套完善的、覆盖整个用户生命周期的标签体系，还没有非常成熟的认知。本章就之前笔者经历的一个项目为例，向各位读者展示目前用户标签体系的实现困境和搭建思路。

每一个需求背后都有对应的痛点和问题，在讲具体的方法之前，笔者想简单阐述一下标签体系搭建和实践过程中企业一般会遇到的问题/困境，方便读者理解本文的搭建思路、目的和未来的优化方向。

①  用户标签的一大作用是用户分层，但是目前很多企业在搭建标签的时候颗粒度太粗，导致用户分层的边界比较模糊，无法保证层之间的用户差异性；

②  制定的标签并未结合真正的使用场景，业务方难以使用，更多时候用户分层和制定策略还是会强依赖业务的判断。

在笔者的经历的案例中，某车企希望搭建一套能够覆盖汽车售前、售中和售后各环节的用户标签体系。

Step 1: 标签体系规划

我们首先根据标签的用途进行划分，将标签体系分为4个大类：

① 用户基本信息标签

包含用户各类基本信息的标签，其中又包括人口基础特征、社会特征等。可利用此标签对不同基础特征的用户进行分层和有针对性的广告投放与营销。

② 价值分层标签

包含用户产生多少价值的标签，其中又包括用户消费带来的直接经济价值，也包括用户在内容创作/互动、车友会（活动）发起、用户裂变（邀请好友、推荐试驾）等方面促进了平台活跃，抑或是产生了其他层面的间接价值。

通过对用户进行价值分层，我们可以对不同价值的用户实施不同的营销策略，在营销资源有限时我们也可以将资源倾斜至高价值的用户。

③ 用户偏好标签

通过用户的偏好对用户进行分层，从而向用户推荐他们感兴趣的产品/服务/内容等。其中包括启动偏好、注册登录偏好、车辆偏好、活动偏好、内容偏好、商城偏好等。

④ 用户行为特征标签

列举用户在各板块的关键行为，计算用户在各板块的行为次数/天数等绝对数量级数据，从而可以分析用户对于某一板块/功能的粘性。

标签体系规划思维导图如下：

Step 2: 标签体系中各部分进行搭建

在规划完我们的标架签体系框架后，我们需要通过一定的方法去往框架里填充具体的标签，从而保证标签搭建完整、颗粒度精细，可以为业务方理解并直接使用：

① 用户基本信息标签

在车企场景中，“用户”的主体一般是“潜客”、“粉丝”或“车主”，但是从广义上来说，“车主”使用的是“车”，车辆相关标签也可以作为数据应用的维度，其中包括了车辆的使用、养修等标签，所以我们将此部分的标签分为“人”的信息标签和“车”的信息标签，但是“车”相关的标签并不是本文重点，故不做赘述。

“人”的标签，我们可以初步分为“人口属性标签”、“社会属性标签”、“业务属性标签”：“人口属性标签”中包括和用户本身相关的信息，比如年龄、性别、生日等；“社会属性标签”展现了用户在社会中的身份特征，其中包括职业、收入、教育程度等；

“业务属性标签”中包括用户在车企各触点（app、小程序等）中业务强相关标签，包括但不限于会员等级、当前积分数、是否车主、拥有本品牌车辆数量等，这些标签既不属于“人口属性”相关标签，也不属于“社会属性”相关标签，但是在用户分析和分层方面也起到了一定的作用；需要注意的是，“业务属性标签”有可能会和之后板块里的标签重合，但是用途不同。

上述标签在搭建的时候，可以综合考虑目前数据库用户表中有什么属性，并根据实际的需求进行构建，切勿漫无目的，不切实际。

② 价值分层标签

前面我们说过，价值分层标签分成“直接价值标签”和“间接价值标签”：“直接价值标签”一定涉及到用户给平台带来了直接的“金钱”收益，在车企中一般能直接带来收益的无外乎整车销售、精品商城销售和售后服务，这部分标签我们可以使用最经典的RFM模型，从最近一次消费距今天数、消费频次和消费金额这些维度对前述三个板块进行进一步拆解，区分用户消费带来的直接价值。

但是对车企来说，用户带来的价值不只是“金钱”价值，还有平台促活，拉新获客等方面的间接价值。我们在对用户生命周期各版块进行梳理盘点后，发现以下几个模块能够体现用户带来的“间接价值”：社区内容生产与互动（数量、质量）、粉丝人数、裂变拉新成功、积分消耗等，并就这些版块搭建相应的标签，反映用户的间接价值。

③ 用户偏好标签

我们首先梳理了车企触点上的用户生命旅程：售前-售中-售后，这其中“售前”版块又包含渠道拉新、触点（app、小程序）启动、整车浏览，售中版块包含试驾、整车订购，售后版块包含社区（内容、活动）、车友会、精品商城、售后维修保养、客服服务等，就这些版块搭建相应的标签，包括xx行为的某一属性偏好（例如商城浏览/购买品类偏好top、整车浏览的车型偏好top等）。

④ 用户行为特征标签

该类标签包含两部分，一个是用户生命周期，还有用户具体行为的次数。同样的，我们也按照前一类标签的方法，找出用户在生命旅程上的关键行为，并进行相应的计数，将某一行为的累计次数/天数作为标签打在用户身上。

另外通过关键行为的次数等指标可以推导用户所处的生命周期（新用户、活跃用户、核心用户、流失用户）。关于各生命周期阶段的临界值（例如多少次/天的活跃才能算是活跃用户），建议初期可以先根据业务经验，各方商讨得出，后续则需要结合实际的数据对临界值进行动态调整。

以上就是用户标签在实践过程中一些困境以及搭建方法的简述。由于本文涉及方法论是由一个真实的案例脱敏、转化得来，不方便透露过多细节，如有对用户标签体系感兴趣的读者，可联系笔者作进一步交流。

在本篇最后，有一点需要和读者澄清：

标签的搭建方式和划分方法不止一种，除了本文提到的按照标签用途划分，还可以按照统计方式和时效进行分类：

按照统计方式分类，可以将标签分为事实类（最基础，无需大量业务判断的标签，例如会员等级、年龄、收入等）、规则类（需要一定业务经验和判断的标签，例如最常见的RFM）和预测类（需要使用机器学习的算法预测标签值）；

按照实效分类，也可以将标签分为静态标签（标签值不会随时间变化，例如出生年月等）和动态标签（标签值会随时间变化）。本文介绍的搭建方式仅供各位读者参考，在实践过程中，可不拘泥于本文所提供的方法，甚至可以将多种方法结合使用。