如何设计一个完善的用户标签体系？

　　构建完善的用户标签体系，神策数据有丰富的实践经验分享给你！下面主要分为三步来回答你的问题：用户标签画像的价值如何构建可落地的用户标签体系如何利用用户画像分析赋能业务落地一、用户标签画像的价值
　　用户标签洞察是精细化运营的底层能力。
　　举一个例子，一个电商产品的运营部门，其产品的日活大约 100 万，销售额目标是 5000 万，有 10 万元的营销预算。在预算有限的情况下，为了达到销售目标，需要弄清楚三个问题：预算花在谁身上？如果确定发券，要发多少张券，面值多少，面向什么品类，有效期多久？我应在什么时候发这张券？
　　这些问题会决定你的资源利用情况，洞察用户标签，能为制定营销策略提供灵感：
　　比如，你可以给对销售额贡献最大的群体发券——往往 80% 的销售额会产生于 20% 的头部用户，找对目标就已经成功一半。我们可以事先根据群体的单品偏好和品类偏好标签，去制定要发什么类型的优惠券；活动策略制定好以后，我们希望目标人群大部分人都能收到推送，这样优惠券的效果能覆盖最多的人群。最终可以根据他们的活跃特征，去选择推送的时间段。
　　经过测试后发券策略有效，应该将运营策略常态化。如果能把用户标签和智能运营平台打通，将个性化消息推送和个性化优惠券自动化，运营部门就可以抽出人力，开始分析并测试下一个运营策略……一个个小细节的优化堆砌起来后，业务的增长和产品的优化就实现了。
　　每一个细节都让业务变得更好，用户标签洞察是精细化运营的底层能力。
　　1、标签是什么？
　　简单地说，所谓的用户标签，就是对用户某个维度特征的描述与刻画。
　　用户标签可以有很多种存在形式，可以是用户的自然属性，可以是对用户交易、资产数据的统计指标，也可以是基于某些规则，总结出的一些分层。无论是哪种形式，都是对用户的某个维度特征做描述与刻画，让使用者能快速获取信息。
　　2、用户标签应用场景
　　按照我们在多家不同企业落地标签体系的经验，用户标签的应用主要有四种场景。
　　首先是辅助分析洞察，用户标签可以辅助业务人员快速获得用户的信息认知，发现显著特征，获得业务灵感。
　　其次是丰富数据分析的维度，对我们的业务数据做更深层的对比分析。分析洞察获得业务灵感后，标签可以辅助业务落地。
　　再次可以将用户群体切割成更细的粒度，使运营从粗放式到精细化，以多种运营触达手段，像短信、推送、活动、优惠券等等，对用户进行驱动和挽回，达到事半功倍的效果。
　　最后用户标签还可以作为数据产品的基础，例如个性化推荐系统、广告系统、CRM 管理工作等。自动化的数据产品系统能更有效地利用用户标签的威力。
　　3、建设标签画像体系的要求与成本
　　需要注意的是，虽然用户标签画像体系是有价值的，但不是每个公司都能做。
　　第一，企业需要有足够丰富的内容、商品、服务或客户属性层次，或者业务进入稳定期，客群量级达到一定规模。
　　第二，标签画像体系并不是一个拿来即用的东西，它需要投入一定的人力和资源去建设和维护，才能和公司的业务场景很好地结合，发挥它的价值。
　　第三，用户标签体系有建设和维护成本，公司需要有相对完备的用户行为数据采集能力，如果没有丰富的数据源，用户标签也是巧妇难为无米之炊。需要衡量资源投入的性价比。
　　第四，公司在建设标签画像体系之前，应该先想好它需要落地的业务场景。如果没有明确可落地的业务流程和人员，即使花了大力气去建设用户标签体系，它也只是一堆死数据，只能摆在那里存着，这就没什么意义。技术并不是万能的，要和商业进行结合。二、如何构建可落地的用户标签体系？
　　1、四大标签主题
　　在神策，建设标签体系的第一个问题，是它应如何与业务流程结合。
　　业务部门应用标签的流程，通常可以归纳为三个问题：目标人群是谁？目标喜欢什么？怎么执行策略？
　　这三个问题其实需要通过四个不同的标签主题解答：价值分层、生命周期、行为偏好和营销偏好：
　　1. 在进行目标选择时，从价值分层标签或生命周期标签入手
　　2. 定好目标人群后，关注行为偏好寻找策略切入点
　　3. 最后，通过营销偏好标签，优化营销策略
　　这四个主题标签同时也构成我们完整的标签体系，下图展示了四个主题的标签示例和适用场景。
　　（1）价值分层
　　价值分层的目的是将有限的资源投入到最重要的地方。如果有明确想要促进的业务指标，或者需要对目标人群做分群精细化运营，可以重点梳理商业价值分层的标签。
　　例如在电商行业中，通过历史付费次数、历史付费金额和最近一次付费时间这三个标签能够指导用户分层，找到＂最有价值的用户＂——贡献 80% 价值的 20% 的头部用户。
　　对于不同行业，他们所关注的价值指标具有一定差异性。例如在线教育行业可能关注持续活跃，再如社交电商中希望用户能够将商品分享到社群中，最关注的是分享次数……对不同行业的关键指标，也可以通过 RFM 分层思路找到各自场景下最有价值的用户。
　　在设计价值分层标签时，标签是否便于理解也是值得关注的问题。例如累计付费金额 500 元，与累计付费金额属于＂中等＂，哪种标签容易理解？我们认为，应用于数据产品如推荐算法时，可以使用原始数值，保留精确的信息价值；如果是业务人员分析应用时，数值型的标签应该根据业务经验进行概括性的分层，以快速传递业务认知。
　　（2）生命周期
　　生命周期的状态应该如何定义呢？一般来说，每一个可能产生流失的触点，都是生命周期的关键状态。＂待激活新用户＂经过激活后变成＂活跃用户＂，持续几天不活跃后变成＂沉默流失用户＂，这是比较通用的定义。例如在线教育行业，新注册的老师经过认证后，进行上传课件，在线授课，最后彻底离开平台……这都是用户生命周期的关键状态。
　　通常，如果我们定义了一个状态类的标签，还应该要定义状态改变的标签。生命周期状态标签能帮助我们主动触达用户的关键时间节点，挽救用户的流失，使他们完成完整的业务流程。
　　（3）行为偏好
　　如果产品提供服务较多元，需要为营销或产品改进寻找切入点时，可以重点梳理行为偏好主题的标签。
　　简单地说，用户行为偏好，即是用户在关键事件上的关键选择。例如用户搜索商品时选择筛选的类目，会影响用户最终是否做出付费这个关键业务决策。在这个例子中，「搜索商品」就是关键事件，「筛选类目」则是关键选择。
　　我们可以梳理出常见的关键事件和关键属性，如用户搜索商品时出现类目的 top3，用户点击商品详情页出现最多的商品价格段的 top3，用户实际购买的商品出现付款方式的 top3……
　　这么一看，关键的事件和属性都很多。在制定用户偏好标签时，可以按照以下几个原则选择：
　　原则一：用户做得最多的事件是越可靠，成本越高的事件越可靠。
　　在定义行为偏好标签时，前提要有足够的事件量，像＂收藏＂这种事件可能数量相对较少时，可以通过＂点击详情页＂这种覆盖面较广的常用动作去定义行为偏好。另一方面，用户做决策的成本越高，则这个关键事件就越可信，＂付费＂是用户成本最高的事件，因此通过＂付费＂这一关键事件的关键属性来定义用户的行为偏好准确率会较高。
　　实际分析应用时，要综合考虑标签的覆盖面和可信度。当我们分析老用户或者复购用户时，可以使用＂付费＂偏好标签；而对于未曾购物的用户，则只能用＂点击详情页＂偏好标签了。
　　原则二：基于运营动作周期去制定不同时间范围的用户偏好标签。
　　如果最近一个月用户点击商品详情页出现类目最多是鞋子，但是当数据时间放宽到半年时，用户点击类目最多的是衣服，那么我们应该发衣服的优惠券，还是鞋子的优惠券？
　　一般来说，运营活动具有一定业务周期。运营人员可以根据具体运营目标——按照次日留存、周留存，还是月留存做召回，来选择不同时间范围的数据去生成行为偏好标签。
　　有时，我们还要看业务应用的场景来选择行为偏好标签。例如我们想要在用户把商品加入购物车后但 1 小时后未提交订单时，进行高时效性的优惠券触达，这时应用＂点击详情页＂偏好标签作为推送依据，会比应用＂付费＂偏好标签会比较有时效性。
　　（4）营销偏好
　　如果我们不是要构思新的运营活动，而是要提高常规的运营活动的转化率，我们可以创建一些用户的营销偏好标签，优化营销策略的每个可优化项。例如，我们可以提炼目标用户群喜欢的推送时间、推送通道、推送文案主题、优惠券金额等标签去优化推送策略。
　　至此，我们根据业务部门的标签应用流程,反推出了易于落地到业务场景的四大标签主题。
　　以上内容讲解主要围绕电商行业，那对于其他行业，应该如何建立贴合自己业务场景的标签体系呢?
　　2、标签框架搭建四步法
　　接下来介绍神策数据基于最佳实践总结出的标签梳理框架，我们称之为四步法。
　　第一步，还原业务流程。要将业务流程漏斗梳理出来，判断漏斗中哪些关键属性和关键维度是用户在做决策时特别关注的，我们据此来构建「用户偏好」标签。
　　比如，电商企业的业务漏斗是：启动 APP-注册登录-浏览活跃-深度行为-付费-重复付费，在漏斗环节中，如启动 APP 环节，用户是通过哪些渠道而来，是自然流量，线上广告，还是用户分享等……诸如此类，多次列举后，基本的用户偏好特征就有了。
　　第二步，覆盖生命周期。新用户对我们来说是一张白纸，我们因为缺乏数据而难以了解其商品价格偏好。而沉默流失的老用户，因为历史数据过于久远而参考价值较弱。
　　这时，需要定义生命周期，来覆盖用户的关键节点。生命周期可以是业务中的关键实体，比如在线教育中老师生命周期、学生生命周期、课程生命周期等，依据用户 生命周期的状态，作为营销的触点标签，提供通用分层。
　　图 6 标签框架四步法之覆盖生命周期
　　第三步，明确商业目标。商业目标可以是交易金额、月活、分享量等，明确商业目标后可以定义价值分层，从而确定应重点运营的价值人群。基于前面步骤拆解的业务流程，我们判断哪些步骤能够提升商业目标。
　　在如图的例子中：
　　1. 建设用户标签体系，目的是通过精细化运营提高整体的交易金额。
　　2. 接下来对交易金额的商业目标，我们通过业务流程进行拆解为新用户的交易额和老用户的交易额。
　　3. 交易过程拆分为新增启动、注册、浏览详情、深度行为、付费。
　　4. 对拆解出来的每一个环节，可以去想在这个环节能有什么策略去提高交易金额。
　　比如对于老用户，是不是可以通过挽回具有付费倾向的潜在流失人群，去提高整体的交易金额呢？这就是我们梳理出来的标签可以落地应用的场景。
　　图 7 标签框架四步法之明确商业目标
　　第四步，从策略推标签。比如，我们决定挽回具有付费倾向的潜在流失人群，那就需要知道用户交易的价值，交易到流失的生命周期，他们下个月的流失概率，以及如果我要对他们做营销，他们喜欢的优惠券类型。
　　到这里，我们就从纯粹的业务流程梳理，落实到了具体的标签需求。我们刚才把交易金额拆分了很多环节，每个环节都有不同的可以落地的业务策略，它们的可行性和收益各不相同。最终，可以根据业务实际的需要，去决定不同策略需要用到的标签。
　　图 8 标签框架四步法之从策略推标签三、如何利用用户画像分析赋能业务落地
　　前面提到的都是关于搭建用户标签体系的细节，我们以一个具体用例来讲解如何实现用户画像的洞察。
　　假想有一个综合电商平台叫神策商城，需要做一场活动营销，我们首先要明确三个问题：目标人群是谁？目标喜欢什么？我要怎么做？怎么执行策略？
　　第一步，目标人群是谁。我们的目的很明确，就是要提高购买漏斗的转化，减少购买漏斗的流失。我们可以从漏斗的流失人群出发，去分析他们的画像。
　　第二步，通过描述这个群体的标签值分布，把某个群体的显著标签画像展示出来。
　　我们通过观察漏斗流失用户的画像可以看到，在商业价值上，该群体主体都是低付费用户，在生命周期上，主体由新用户构成，购买意向等级为中；在行为偏好上，他们都在看 50-100 元价格区间的白色运动鞋；营销偏好上，主体用户的活跃时间是 12-20 点，秒杀提醒的点击率不低。
　　数据分析的精髓在于对比。了解了流失群体的特征，我们还应该把他们的画像和我们的商业目标群体做对比，也就是购买用户群。
　　通过将流失用户和购买用户群画像做对比，我们可以看到，购买用户的近期偏好的价格区间和流失用户群很不一样，平均商品浏览数也很多，但在购买意愿等级分布上，购买用户群和流失用户群是类似的。
　　根据两个用户群的画像对比，我们做出一个推测，是否在流失用户群所偏好的这个价格区间内，神策商城提供的商品有问题，SKU 的数量不够多？或者是这个价位上，神策商城没有他们满意的商品。
　　因此，我们可以尝试提高流失用户在该价格区间的商品浏览数，构思出以下营销计划：通过短信发送秒杀提醒营销信息集中选择 100 元以下商品展示提高浏览量选择运动鞋作为活动类目选择秒杀提醒文案作为短信文案选择主体用户活跃的时间段进行推送
　　至此，一次完整的用户标签画像赋能运营的应用就完成了。
　　更多问题和经验分享，可以关注神策数据哦~及时获取资讯！
　　用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们谈及用户画像，它也是和精准营销、精细化运营直接钩挂的。这篇文章主要讲产品运营角度的用户画像。
　　希望看完后，解决你一切关于用户画像的疑问。
　　什么是用户画像
　　用户画像一点也不神秘，它是根据用户在互联网留下的种种数据，主动或被动地收集，最后加工成一系列的标签。比如猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？
　　我们常把用户标签和用户画像对等。但凡用户画像的文章，类似上文图片都会出现，有用烂的趋势。标签化是最直观的解释，但它不等于用户画像。
　　用户画像的正式名称是User Profile，大家往往把它和User Persona混淆，后者更恰当的名字是用户角色。是产品设计和用户调研的一种方式方法。当我们讨论产品、需求、场景、用户体验的时候，往往需要将焦点聚集在某类人群上，用户角色便是一种抽象的方法，是目标用户的集合。
　　用户角色不指代具体的谁。「她是一位25岁的白领，211大学毕业，现在从事于互联网行业的设计工作，居住在北京。单身，平时喜爱摇滚乐」，这段话语，常用来描述产品的典型用户。
　　本文谈的User Profile，更多是运营和数据息息相关的平台级应用，本质是对任何一个用户都能用标签和数据描述。
　　用户画像的应用
　　它在企业迈大迈强的过程中有举足轻重的作用。以下是主要的应用。
　　精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
　　数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。
　　用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。
　　数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。
　　对大部分产品，用户画像用不到推荐系统，个性化推荐也提高不了几个利润，毕竟它需要大量的用户和数据作支撑。所以这些产品，更适合以用户画像为基础去驱动业务。
　　提了那么多好处，但是据我了解，不少公司，花了一大笔钱招了不少人建设用户画像系统，结果用不起来。或者做了一份用户画像的报告，性别用户地理位置用户消费金额，看上去挺高大上的，看完也就看完了。
　　归根结底，难以用好。
　　很多用户画像初衷是好的，但是沦为了形式主义。
　　举身边的例子，朋友在公司建立用户画像划分了百来个维度。用户消费、属性、行为无所不包。本来这不错啊，但是上线后运营看着这个干瞪眼。
　　问题包含但不限于，用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？
　　设立好标签，怎么验证用户画像的有效性？我怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？
　　策略的执行也是一个纠结的问题。从岗位的执行看，运营背负着KPI。当月底KPI完不成时，你觉得他们更喜欢选择全量运营，还是精细化呢?
　　我想不少公司都存在这样类似情况：使用过用户画像一段时间后，发现也就那么一回事，也就渐渐不再使用。
　　这是用户画像在业务层面遇到老大难的问题。虽然企业自称建立用户画像，应用还是挺粗糙的。
　　怎样深入理解用户画像
　　画虎不全反类汪，想要用好它，首先得深入理解用户画像。
　　现在运营按用户生命周期设立了几个标签，比如新用户、活跃用户、流失用户，这些标签当然够细分。但它真的是一个好标签么？不是。
　　因为这些都是滞后性的。按流失用户的一般定义，往往是用户很长一段时间没有回应和行动，但是都几个月没有响应了，哪怕知道是流失用户也于事无补。它有价值，但太滞后。
　　聪明的运营会设立一个新的标签，最近一次活跃距今天数，用户有六个月没有活跃，那么天数就是180天。这个比单纯的流失用户标签好，能凭此划分不同的距今天数，设立30天，90天，180天的时间节点。
　　距今天数也不是最好的。用户有差异，同样两个用户A和B，哪怕不活跃天数相同，我也不能认为它们的流失可能性相等。该问题在低频场景更凸显，旅游APP，半年没有活跃也是正常的，此时距今天数力有未逮。
　　回过头看流失用户，我们定义它，不是为了设立一个高大上的系统。任何企业，肯定一开始就希望流失用户越少越好，其次才是如何挽回。这种业务前提下，预防性的减少流失用户比已经流失的标签更重要。
　　所以最好的标签的标签是用户流失概率，流失概率>距今消费天数>流失标签。
　　不要想当然的归纳一个齐全完备的体系，却忽略了画像的核心价值。用户画像首先得是商业目的下的用户标签集合。
　　猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。
　　不是我有了用户画像，便能驱动和提高业务。而是为了驱动和提高业务，才需要用户画像。这是很容易犯的错误。
　　用户画像的标签一般通过两种形式获得，基于已有数据或者一定规则加工，流失标签和距今天数皆是。另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。
　　概率是介于0~1之间的数值。拿性别举例，除非能直接获取用户的身份证信息，用户很少会填写性别，填写的性别也不一定准确，网游中性别为女的扣脚大汉一抓一大把呢。
　　这里就要增加一层推断用户真实性别的算法。中国人的性别和名字是强相关，建国建军，翠花翠兰，很容易判断。算法中常用贝叶斯，通过已有的姓名性别库预测新加入的用户性别。
　　特殊情况下，不少姓名是中性，男女不辩。像晓晶，可男可女。更特殊的情况，看上去是男性的名字，也有可能是女性，我的初中老师就叫建军，然而是个和蔼可亲的小姐姐。
　　特殊情况意味着特殊的概率，所以不能用非此即彼的二分法。所谓概率，它更习惯告诉你，通过模型推断，建军有95％的可能是男性姓名，表示为0.95；晓晶有55％的可能是男性，表示为0.55。
　　虽然为了方便，模型会设立阈值，将50％以上的概率默认为男性，以下默认为女性。但业务部门的同学要清楚，用户标签的本质往往是0 1之间的概率。
　　概率型的标签很难验证。某位用户被标上学生标签，要么真的哄他上传学籍证明，否则很难知道他是不是真的学生。这种黑箱情况下，针对学生用户进行营销活动，效果好与不好，都受标签准确率的影响。广告、推荐、精准营销都会遇到这个问题。
　　概率肯定有多有少。90%流失概率的用户，和30%流失概率的用户，虽然是模型建立出的预测值，非真实，我们还是会认为前者更有离开的可能性，凭此设立运营策略。
　　这带来一个新的问题，如何选择概率的阈值？
　　我们想要挽回流失用户，选择80%以上概率的人群，还是60%呢？答案已经说过了，要考虑业务，挽回流失用户是手段不是目的，实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的收入和成本，选择最优解。
　　推而广之，推荐系统也好，广告系统也罢，它们有更复杂的维度、标签、特征，本质也是找出用户最近想不想买车，用户最近想不想旅游。把最合适的信息在最恰当时机推给用户，获取最大的利益。
　　我列举的案例，是简化过的。像姓名，在电商和消费行业，除了生理上的性别，还会建立消费模型上的性别标签，有些人虽然是男性，但购物行为是女性，这是要区分的。
　　看到这里别怕，想要建好用户画像，说简单不简单，说难也不难。
　　如何建立正确的用户画像
　　用户画像首先是基于业务模型的。业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。数据部门也别关门造车，这和做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果无人问津。
　　理解消费者的决策，考虑业务场景，考虑业务形态，考虑业务部门的需求…这些概念说得很虚，但是一个好的用户画像离不开它们。本文没有说数据、模型和算法，是我认为，它们比技术层面更重要。
　　我们从一个故事开始设立用户画像吧。
　　老王是一家互联网创业公司的核心人员，产品主营绿色健康沙拉，老王和绿色比较搭嘛。这家公司推出了APP专卖各式各样的沙拉，现在需要建立用户画像指导运营。
　　公司现阶段在业务层面，更关注营销和销售：如何将沙拉卖得更好。下图是老王简单梳理的运营流程。
　　老王将顾客按是否购买过沙拉，划分成潜在用户和新客。潜在用户是注册过APP但还没有下单，新客是只购买过一次沙拉的用户，除此以外还有老客，即消费了两次及以上的人群。
　　为了便于大家理解，我用JSON格式表示一个简易的用户画像。
　　为什么独立出新客标签？因为老王的沙拉针对未消费用户会有新人红包引导消费，万事开头难。这也带来新客一次后不再消费的问题，所以需要潜在、新客、老客的划分。
　　作为一个有追求的运营人员，划分老客也是不够，这里继续用户分层。
　　传统的分层用RFM三个维度衡量，沙拉的客单价比较固定，F和M取一个就够用了。老王现在计算不同消费档次的用户留存度差异，譬如某时间段内消费达XX元的用户,在未来时间段是否依旧消费。
　　沙拉这类餐饮是高频消费，XX应该选择一个较窄的时间窗口，统计365天内的消费意义不大。还有一点需要注意的是，沙拉不同季节的销量是有差异的，冬天沙拉肯定卖的不如夏天，要综合考虑消费分布。
　　这里姑且定义，30天内消费200元以上为VIP用户。老王的生意如果特别好，也可以继续划分超级VIP。这种标签往往配合业务，譬如VIP有赠送饮料，优先配送的权益。非VIP人群，也需要激励往VIP发展。
　　画像的人口统计属性，老王靠用户填写订单上的收货人姓名搞定。籍贯年龄这几个，对沙拉生意没有特别大的帮助，难道为四川籍用户提高麻辣沙拉？
　　用户地址，可以通过收货地设立规则判断，比如某个地址出现X次，可以将其认为常用地地址。再依据送货地在写字楼还是学校，推算用户是白领还是学生。
　　老王针对不同属性的人群，采取了特殊的运营策略。像学生群体，因为7,8月份是暑假，所以老王提前预估到校园地区的销售额下降。当9月开学季，又能对返校学生进行召回。
　　白领相关的群体，更关注消费体验，对价格敏感是次要的。如果平台女用户的消费占比高，老王就主打减肥功能的沙拉，并且以包月套餐的形式提高销量。
　　以一家沙拉店来看，老王的用户画像已经不错了，但他还是焦头烂额，因为用户流失率开始上升。用户流失有各种各样的原因：对手老李沙拉的竞争、沙拉的口味、用户觉得性价比不高、老王不够帅等。
　　流失是一个老大难的预测问题。老王对流失用户的定义是30天没有消费。想要准确预测，这里得尝试用机器学习建模，技术方面先这里略过。所谓建模，最好要找到用户开始不消费的时间点之前的关键因素，可是是行为，可以是属性。
　　用户历史窗口内消费金额少，有可能流失；用户历史窗口内消费频次低，有可能流失；用户历史窗口内打开APP次数少，有可能流失；用户给过差评，有可能流失；用户等餐时间长，有可能流失；用户的性别差异，有可能流失；餐饮的季度因素，有可能流失…
　　老王依据业务，挑选了可能影响业务的特征，提交给数据组尝试预测流失。需要注意的是，这些用户行为不能反应真实的情况。大家不妨想一下，流失用户的行为，是不是一个动态的变化过程？
　　我曾经消费过很多次，但是突然吃腻了，于是减少消费次数，再之后不怎么消费，最终流失。单位时间段内的消费忠诚度是梯度下降的，为了更好的描述变化过程，将时间窗口细分成多个等距段。前30~20天、前20~10天、前10天内，这种切分比前30天内可以更好地表达下降趋势，也更好的预测流失。
　　从老王的思路看，所谓流失，可以通过用户行为的细节预判。机器学习的建模虽然依赖统计手段，也离不开业务洞察。这里再次证明，用户画像建立在业务模型上。
　　流失概率解决了老王的心头之患，通过提前发现降低流失用户。挽回流失推行一段时间后，老王发现虽然流失用户减少了，但是成本提高了，因为挽回用户也是要花钱的呀。亏本可不行，老王心头又生一计，他只挽回有价值的，那种拿了红包才消费的用户老王他不要了！老王要的是真爱粉。于是他配合消费档次区别对待，虽然流失用户的数量没有控制好，但是利润提高了。
　　上述的用户画像，没有一个标签脱离于业务之外。基于业务场景，我们还能想象很多用户画像的玩法。沙拉有不同的口味，蔬果鸡肉海鲜。用户的口味偏好，可以用矩阵分解、模糊聚类或者多分类的问题计算，也以0 1之间的数字表示喜好程度，相似的，还有价格偏好，即价格敏感度。
　　再深入想一下业务场景，如果某个办公地点，每天都有五六笔的订单，分属不同的客户不同的时间段，外卖小哥得送个五六次，对人力成本是多大的浪费呀。运营可以在后台分析相关的数据，以团购或拼单的形式，促成订单合并，或许销售额的利润会下降，但是外卖的人力成本也节约了。这也是用画像作为数据分析的依据。
　　老王的运营故事说完了，现在对用户画像的建立有一套想法了吧。
　　用户画像的架构
　　不同业务的画像标签体系并不一致，这需要数据和运营目的性的提炼。
　　用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。
　　上图是随手画的的例子，画一个架构不难，难得是了解每个标签背后的业务逻辑和落地方式，至于算法，又能单独扯很多文章了。
　　从数据流向和加工看，用户画像包含上下级递进关系。
　　以上文的流失系数举例，它通过建模，其依赖于用户早期的历史行为。而用户早期的历史行为，即10天内的消费金额、消费次数、登录次数等，本身也是一个标签，它们是通过原始的明细数据获得。
　　上图列举了标签加工和计算的过程，很好理解。最上层的策略标签，是针对业务的落地，运营人员通过多个标签的组合形成一个用户群组，方便执行。
　　公司越大，用户画像越复杂。某家主打内容分发的公司进入了全新的视频领域，现在有两款APP，那么用户画像的结构也需要改变。既有内容相关的标签，也有视频相关的标签，两者是并行且关联的。
　　比如A用户在内容标签下是重度使用，而在视频标签下是轻度。比如B用户很久没打开内容APP有流失风险，但在视频APP的使用时长上看很忠诚。如此种种，看的是灵活应用。当然，姓名性别这类人口统计标签，是通用的。
　　用户画像作为平台级的应用，很多运营策略及工具，都是在其基础上构建的。
　　基于营销和消费相关的标签，新客、老客、用户的流失和忠诚、用户的消费水平和频率等，都是构成CRM（客户关系管理）的基础，可能大家更习惯叫它用户/会员管理运营平台。
　　它的作用在于，将数据化的标签，转换成产品运营策略。不同的标签对应不同的用户群体，也对应不同的营销手段。CRM的结构中会包含各类触达用户的常用渠道比如短信、邮件、推送等。也包含CMS（内容管理系统），执行人员通过其快速配置活动页、活动通道、优惠券等，靠营销活动拉动数据。
　　老王的沙拉业务要是做大，那么运营平台就会以图中的结构搭建。老王在CRM中组合标签，新客老客流失客的数据借助BI监控，然后通过CMS系统配置红包啊优惠券啊等等，再通过短或Push触达。
　　好的用户画像系统，既是数据生态体系，也是业务和运营的生态体系，它是一门复杂的交叉领域。因为篇幅有限，算法，数据产品没有更多的涉及，以后有机会再讲吧。核心思想希望大家能吃透。若有吐槽和疑问欢迎留言。
　　万千用法，存乎一心。