一文看懂用户画像标签体系(包括维度、应用场景)
互联网相关企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标签体系外，还会基于用户使用设备维度(cookieid)建立相应的标签体系。
基于cookieid维度的标签应用也很容易理解，当用户没有登录账户而访问设备时，也可以基于用户在设备上的行为对该设备推送相关的广告、产品和服务。
建立的用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类，相关内容在《手把手教你做用户画像：3种标签类型、8大系统模块》中有详细介绍。从建立的标签维度来看，可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。
01 用户属性维度
1. 常见用户属性
用户属性是刻画用户的基础。常见用户属性指标包括：用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购买状态、历史购买金额等。
用户属性维度的标签建成后可以提供客服电话服务，为运营人员了解用户基本情况提供帮助。
用户属性标签包含统计类、规则类、机器学习挖掘类等类型。本节主要介绍常见用户属性标签主要包括的维度。表2-1给出了常用的用户属性维度标签。
表2-1 用户属性维度标签示例
表2-1对于相同的一级标签类型，需要判断多个标签之间的关系为互斥关系还是非互斥关系。例如，在判断性别时，用户性别为男的情况下就不能同时为女，所以标签之间为互斥关系；在判断用户是否在黑名单内时，用户既可能在短信黑名单中，也可能同时在邮件黑名单中，所以这种就为非互斥关系。
对于根据数值进行统计、分类的标签开发相对容易。例如，用户的“性别”“年龄”“城市”“历史购买金额”等确定性的标签。
而在对规则类的标签进行开发前则首先需要进行数据调研。例如，对于用户价值度划分(RFM)，如何确定一个用户是重要价值用户还是一般价值用户，对于用户活跃度的划分如何确定是高活跃、中活跃、低活跃还是已经流失，需要结合数据调研情况给出科学的规则并进行划分。
2. 用户性别
用户性别可细分为自然性别和购物性别两种。
自然性别是指用户的实际性别，一般可通过用户注册信息、填写调查问卷表单等途径获得。该标签只需要从相应的表中抽取数据即可，加工起来较为方便。
用户购物性别是指用户购买物品时的性别取向。例如，一位实际性别为男性的用户，可能经常给妻子购买女性的衣物、包等商品，那么这位用户的购物性别则是女性。
02 用户行为维度
用户行为是另一种刻画用户的常见维度，通过用户行为可以挖掘其偏好和特征。常见用户行为维度指标(见表2-2)包括：用户订单相关行为、下单/访问行为、用户近30天行为类型指标、用户高频活跃时间段、用户购买品类、点击偏好、营销敏感度等相关行为。
表2-2 用户行为维度标签示例
03 用户消费维度
对于用户消费维度指标体系的建设，可从用户浏览、加购、下单、收藏、搜索商品对应的品类入手，品类越细越精确，给用户推荐或营销商品的准确性越高。如图2-1所示，根据用户相关行为对应商品品类建设指标体系，本案例精确到商品三级品类。
▲图2-1 用户消费维度指标梳理
表2-3为用户消费维度的标签设计。
表2-3 用户消费维度标签示例
这里通过一个场景来介绍构建用户消费维度的标签的应用。
