用户标签分类有哪些？（分析用户画像的3种标签类型）

01 用户画像是(shi)用户有分什么

用户画像，即用户信息标签化，标签通过收集用户的分类社会属性、消费习惯、析用像的型偏好特征等各个维度的户画数据，进(jin)而对用(yong)户或(huo)者产品特征属性(xing)进行刻画，种标并对这些特征进行分(fen)析、签类统计，用户有(you)分挖掘潜在(zai)价值信息，标(biao)签从而(er)抽象出用户的(de)分类信息全貌，如(ru)图1所示。析用像(xiang)的型(xing)

▲图1 某用户标签化

用户画像可看作企业应用大数(shu)据的(de)户画根基，是种标(biao)定向广告投放与个性(xing)化推荐的前置条件，为数据驱动运营奠定了(le)基础。签类由此看来，用户有分如(ru)何从(cong)海量数据中挖掘出有价值的信息越发(fa)重要。

大(da)数据已经兴起多年，其对于互联网公司的应(ying)用来说已经如(ru)水、电、空气对于人们的生活一样，成为不可或缺的重要组成部分。从基础(chu)设施建设到应用层面，主要有数据平台搭建及运维管(guan)理、数据仓库开发、上层应用的统计分(fen)析、报表生成及可(ke)视化、用(yong)户画像建模、个性化推荐与精准营销等应用方向。

很多公司在大数据基础建设上投入很多，也做了不少报表，但业务部门觉得大数据和传统报表没(mei)什么(me)区别(bie)，也没(mei)能体会大数据对业务有什么帮助和(he)价值，究其(qi)原因，其实是“数据静止在数据仓库，是死的”。

而用户画像可以帮助大数(shu)据“走出”数据仓库，针对用户进行个性化推荐、精准营销、个性化服务等(deng)多样化服务，是大数据落地应用的(de)一个重要方向。数据应用体系的层级划分(fen)如图2所示。

▲图2 数据应用体系的层级划分

02 用户画像的3种标(biao)签类型(xing)

用户画像建模其(qi)实就是(shi)对用户“打标(biao)签”，从对用户打标签的方式来看，一般分为3种类(lei)型(xing)：①统计类标(biao)签；②规则类标签；③机器学习挖掘类标签。

下面我们介绍这3种类型(xing)的标签的区(qu)别：

1. 统计类(lei)标签

这类标(biao)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(shuo)，其(qi)性别、年龄、城市、星座、近7日活跃时(shi)长、近7日活跃天数、近7日活跃次(ci)数等字段可以从用户注册数(shu)据、用(yong)户访问、消费数据中统计得出。该类标签构成了用户画像的基础。

2. 规则类标签

该类标签基于用户行(xing)为及确定的规则产生。例如，对平(ping)台上“消费活跃”用(yong)户这一口径的定义为“近30天交易次数≥2”。在实(shi)际开发画像的过(guo)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(biao)签的规则由运营人员和数据人员共(gong)同协商确定；

3. 机器学习挖掘类标签

该类标签通过机器学习挖掘产生(sheng)，用于对(dui)用户的某些属性或某些行为进行预测判断。例如，根据一个用户的行为习惯判断该用户是男性还是女性、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(lei)和规则类(lei)的标签即可以(yi)满足应用需求，在开发中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户性别、用户购买商品偏好、用户流失意向(xiang)等。一般地，机器学习标签开发周期较长，开发成本较高，因此(ci)其开发(fa)所占比例较小(xiao)。

03 用户画像8大系统模块及解决方案

搭建一套用户画像方案整体来说需要考虑8个模块的建(jian)设，如图3所示。

▲图3 用户画像主要(yao)覆盖模块

用户画像基础：需要了解、明确用户画像是什么，包含哪些(xie)模块，数据仓库架构是什么(me)样(yang)子，开(kai)发(fa)流程，表结构设计，ETL设计等。这些都是(shi)框架，大方(fang)向的规划，只有明确(que)了(le)方向后(hou)续才能做好项目的(de)排期和人员投入预算。这对于评估每个开发阶段重要指标和关键(jian)产出非常重要。数据指标体系：根据业务线梳理(li)，包括用户属性、用户行为、用户消费、风险控制等维度的指标体系(xi)。标签数据存储：标签相关数据(ju)可存储在Hive、MySQL、HBase、Elasticsearch等数据库中，不同存储方式适用于不同的应(ying)用场景。标签数据开发：用户画像工(gong)程化的重点(dian)模块，包含统计类、规则类(lei)、挖掘类、流式计算类标(biao)签的开发，以及人群计算功能的开发，打通画像数(shu)据和各业务(wu)系统之间(jian)的通路，提供接(jie)口服务等开(kai)发内容。开发性能调优：标签加工、人群计算等(deng)脚本上线调(diao)度后，为了缩短调度时(shi)间、保障数据的稳定(ding)性等，需要对开发的脚本进行(xing)迭代重构、调优。作业流程调度：标签加工、人群计(ji)算、同步(bu)数据到业务系(xi)统、数据监控预警等脚本开发(fa)完成后，需要调(diao)度工具把整套流程调度起来。用户画像产品化：为了能让用户数据更(geng)好地服务于业(ye)务(wu)方，需要以产品化的形态应用在业务(wu)上。产品化的模块主要包括标签视图、用户标(biao)签查询、用(yong)户分群(qun)、透视分(fen)析等。用户画像应用：画像的应用场景包括用户特征分析、短信、邮件、站内信、Push消息的(de)精准推送、客服针对(dui)用户的不同话术(shu)、针对(dui)高价值用户的极速退货退款等VIP服务应(ying)用。04 一款用户画像产品是什么样的？

画像产品按常见的功能来看，主要包括标签视图与即时查询，用户分群，用户人群透视分析，对用户从事件(jian)、留存、漏斗、分布等多维度展开的(de)深入交互式分析等模块。下面详细介绍画像的产品形态。

1. 标签视图与查询

标签视图与查询功能主要面向业务人员使用，如图4所示。

▲图(tu)4

在标签视图版块中，层级化地展(zhan)示了目前(qian)已经上线使用的(de)全部用户标签。用(yong)户可以层级化地通(tong)过(guo)点击标签，查看每个标签的详细介绍。

在图4中，当点击“用户属性”这个一级类目，可进入到“自然性别”“购物性别”“用户价值”等二级类目，点击“自然性(xing)别”二级类目，可(ke)看到展开的“男性(xing)”“女(nv)性”三级标签，进一步点击三级标签“男性”或是“女性”，可以进入查看该标签的详细介绍，如(ru)图5所示。

▲图5

在该标签详情页中，可以查看人口属性这一个类(lei)目下面的各个标签覆盖用户量情况。

每天通过对标签的覆盖用户量进行监控，可以作为预警使用。例如：某天某个标签的覆盖用户量与前一天相比出现了很大(da)比例的波动，需要排查该标签当日ETL作业是否出现(xian)异常或是否因业务上的操作导致标签量(liang)级的(de)波动。

在标签查询模块中，通过输入用户对应的userid或(huo)cookieid，可以查看该用户的属性信息、行为信息、风控属性等多维度的信息，从多方位了解一个用(yong)户的特征。

2. 用户人群(qun)功能(neng)

用(yong)户人群功能主要面向业务人员使用。产品经理、运营、客服等业务人员在应用标签时，可能不仅仅只查看(kan)某一个标签对应的人群情况，更多地可能需要组合(he)多个标(biao)签来满足其在业务上对人(ren)群的定义。

例如：组合“近30日购买次数”大于3次(ci)和“高活跃”“女性”用户这三个标签进行定义目标人群，查看该类人群覆盖的用户量，以及(ji)该部分人群的各维度特征。下面介绍产品上的实现方式。

在“用户人群(qun)”版块下，点击“新建人群”或编辑之前已添加的分组（如(ru)图6），进入详情页可自定义涵盖某些标签的(de)人群（如图7）。

▲图(tu)6 用户自(zi)定义分群版块

▲图7 用户自定义分群编辑

在自定义编辑用户分群时，对于有统(tong)计值类型的标签，可以(yi)自定义筛选该标签的取值范围，如上图中(zhong)“近30日购买次(ci)数”标签，业务人员可(ke)筛选该标签的数值。对(dui)于分类型标签，如上图中“活跃度”标签，业(ye)务人员选中(zhong)该标(biao)签即可圈出包含该标(biao)签的用户。

“人群名称”和“人群描述”表单用(yong)于业(ye)务人员描述该人群在业务上的定义，方便后续继续查看、应用该人群。

关于(yu)作者：赵宏田，资深大数据技术(shu)专家，先后在中国地质大学（武汉）和武汉大学获得工学和经济学(xue)双学士学位。在大数据、数(shu)据分(fen)析和数据化运营领域有多年的实践经验，擅长Hadoop、Spark等大数(shu)据技术(shu)，以及(ji)业务数据分(fen)析、数据仓库开发、爬虫、用户画像系统(tong)搭建等。

本文摘编自《用户画像：方法论与工(gong)程化解决方案》，经出版方授权发布(bu)。

延伸阅读《用户画像：方法(fa)论与工程化解决方案》