数据分析 | 想做好用户画像？先学会这个基础操作

本篇要分享的，是一个非常基础的，估计人人都听过的，却经常弄混淆的概念：用户标签。虽然名字简单，但它确是用户画像、精准营销、个性推荐、智能投放等等各种系统的砖石。今天系统分享一下。

1

什么是用户标签

性别：男女，就是一个标签。简单吧！

所谓标签，就是

1、由原始数据，经过整理、加工、分类所得

2、一个抽象的符号

3、代表一类人/物的特征

用来描述商品的，就是商品标签；用来描述业务的，就是业务标签；用来描述用户的，就是用户标签了。我们常说“小太阳家庭”“中产阶层”“爱好时尚”等都是用户标签。有意思的是，我们总是说：生活中不要给轻易给人贴标签。可为什么还要大张旗鼓做用户标签呢？

2

用户标签的作用

因为面对一个人，出于尊重他人、不带偏见的考虑，我们说不能乱贴标签。但企业经营面对数以千万的用户，就不能一个个去理解，时间和成本都烧不起。如果不加区分，把所有顾客一视同仁，就只能这么地毯式轰炸（如下图所示）

如果有用户标签，就能快速、方便地细分用户群体，锁定更有需求的人，实现更精准的营销/服务。（如下图所示）

不打标签，每次都基于原始数据分析，运营会很纠结的：到底是选买过3次的还是4次的才加活动呢？消费分段选3000,3200,还是3300呢？理论上，每次都这么纠结也是可行的。但是这样做效率太低，并且能思考的维度太少，很有可能累秃了头也没啥进展。因此可以基于过往分析成果，预先打上标签，能极大提升效率，实现更复杂、更精准的分析。

并且，还能把最后效果记录进标签库，积累分析经验。如果标签打的对，那我们按标签做的事就能起到效果，标签本身质量也被确认；如果标签打错了，那按标签做的事就会没有效果，后续就能修订标签，打新标签。

我们做用户分层和分群，做精准营销，所有结果也可以以标签形式保存。在后续多次验证，从而沉淀管用、区分度高的标签，提升用户画像的准确度与有用性。

想要达成这种好的区分效果，当然只靠“男女”这种简单的标签是不够的，于是就有了制作标签的过程（俗称：打标）。具体怎么做？一起来看个简单通俗的例子。

3

用户标签的制作流程

比如谈恋爱，未来的丈母娘上来问的肯定是：

• 多大？
• 哪里人？
• 有房吗？
• 有车吗？
• 公务员吗？
• ……

你看，问的全是用户标签，人家丝毫不在乎你有多痴情，你有多努力。甭整那虚了吧唧的玩意，Show me the 房产证！十八姑娘一枝花，追的人多了去了，就是要大量过滤那些馋身子的小垃圾……

然而如果只知道回答是“有房”，是不是就能区分好青年了呢？——当然不可以。因为单一维度的标签，信息量很有限。就像单纯说“有房”，那到底是上海的房子还是盐城的房子，是60平小两房还是120平大三房，是全款的还是欠了一屁股债的，通通不知道。因此，丈母娘才会问一大堆信息，逐步规整判断：到底这个小伙靠不靠谱。

这就是制作用户标签的直观步骤：

归纳一下，共有7步：

1、从单维度开始

2、设定区分目标

3、进行维度拆解

4、观察区分效果

5、总结经验

6、多维度交叉

7、不断提升效

做用户标签可以很简单，但想做有效的标签，就会很复杂。它是一个从单维度到多维度，从简单到复杂，不断迭代验证的过程。在这个过程中，经常出现问题。

4

用户标签的五大常见问题

▌问题一：没有目标，盲目干活。

很多人被“比如性别：男女就是个标签”这句话误导，以为只要做了分类，就算是标签了。至于分出来的类别之间有什么差异，有多大差异，压根没检验过。甚至，你问他为啥这么打标签，他说不知道。领导让打，咱就打，管他呢。

实际上，即使是同一个原始数据，在不同目标下，打标方式会完全不同。拿用户年龄举例，可能有好几种分类贴标签的方式（如下图）

▌问题二：不区分时间状态。

比如打一个“高价值用户”标签，这里“高价值”指的是历史消费水平高，还是未来消费的多？很多人傻傻不分，就统计下历史消费金额，然后消费多的就是价值高。但是谁保证用户过去买的多，未来一定买的多？？完全不一定。

注意：如果我们要打的标签是个未来情况，比如未来消费多，意味着我们要做一个预测：用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论，不能简单基于历史数据统计。

▌问题三：行为动机乱归因。

比如用户买了产品A，于是就打个“A产品喜爱者”标签。然而用户真的喜欢A产品吗？我们只知道用户买了A的行为，并不能直接推导出动机。如果想推倒动机，需要基于一段时间数据分析，并且综合多个维度判断。

在推导动机的时候要特别谨慎，因为错误的、随意的归因会误导业务行动。明明用户喜欢的是打折，结果缺误判为产品粉丝，最后很有可能狂推一堆产品却没有响应。

▌问题四：多目标混合不清。

比如评高价值用户，把活跃度和付费金额，付费金额和毛利几个指标混合在一起，美其名曰“综合评价”。结果搞出来一毛不花天天白嫖的用户也是高价值用户。要是都这么折腾公司就得破产了。

这类问题，主要是做数据的同学嫌一个维度一个维度切分不体现数据能力，非得整个模型，算个权重才显牛逼。降维可以做，但牢记整个原则：不同类目标不混合。特别是涉及钱的目标。到底公司赚没赚钱，是个很严肃的事。搞混了，是要喝西北风的。

▌问题五：结果缺少检验。

打用户标签是希望区分用户，那么最后区分效果，在目标上的差异越大越好，如果差异不大，那打标意义就不大，可以取消标签，或者再做优化（如下图所示）。

遗憾的是，很多公司都是为了打标而打标。至于打了标签干什么，用在哪里，效果如何，从来没考虑过。

乱象背后深层问题，是这几年大肆吹嘘的“数据中台”、“用户画像”的概念。很多企业不是从需求出现，先思考：我们要解决什么问题。而是从朋友圈文章出发：哇塞，领导转发《震惊！阿里数据中台秘密，终于揭露了》，领导喜欢，我们就做，搞起搞起。

于是不管数据采集如何，不问业务落地场景，也不想最后实现什么效果，盲目打标签。临到年底汇报，还喜气洋洋说：我们完成了10万标签组成的海量数据库！数仓、模型、可视化啥都有了，就是没人用，最后一地鸡毛。

本质上，想取得好结果，还是得从结果本身出发，根据问题找工具，而不是拿着锤子看什么都像钉子。不过很多同学自己也没有见过，天天喊用户画像，也没见几个具体落地成果。啤酒与尿布听得很多，可就是横竖没见过一家超市是这么摆的（于是编故事的人们，会注上：国外某超市，嗯嗯）。

其实，想做出好的业务效果，远没大家想的复杂，关键在于做好：打标-验证-积累-二次打标的过程，持续的进行迭代。有兴趣的话，本文超过60在看，我们分享一期如何给B2B企业客户打标签的例子，毕竟研究对象是人的时候，很多行为容易理解，遇到B2B问题，很多同学就歇菜了。