01
先熟悉一些名词和概念
1.1 标签（Tag）
对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值（标签值）具备可分类性。
例：
对于“人”这类群体，可将“男”、“女”这类特征进行抽象概括，统称为“性别”，“性别”即一个标签；
对于“手机”这类对象，可将“骁龙835”、“骁龙845”这类特征进行抽象概括，统称为“手机处理器”，“手机处理器”即一个标签。
1.2 标签值（Tag Value）
标签的实例，指某一标签所包含的具体内容，其特点是符合MECE原则（相互独立、完全穷尽）。
例：
对于标签“性别”，其标签值根据MECE原则可分为“男”、“女”、“未知”；
对于标签“年龄”，其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等。
1.3 用户画像（User Profile）
由某一特定群体或对象的多项特征构成，输出结果通常是对特征的具体描述。（也可理解为用户画像是由多个标签组合而成，其实例是由多个标签值构成）。
例：
小明是用户画像的一个实例，小明的输出结果为“男“、“20”、“iPhone”、“北京”、“足球”，是由多个标签中的具体标签值构成。
1.4 标签系统（Tag Library）
标签和用户画像的整合应用中心，通常由标签、标签树、画像中心构成。
02
看一段代码梳理相关关系
观察以上python代码，可发现以下信息：类＝用户画像；属性＝标签。
2.1 一个类有多个属性，用户画像也由多个标签（属性）构成
例：
性别、年龄、手机品牌、省份、爱好这一组标签构成一个用户画像；
2.2 画像实例由多个标签值构成
“小明”是用户画像的一个实例，即用户画像的输出结果，小明的用户画像为“今年20岁，北京人，爱好足球”，共由三个标签值构成。
看不懂代码没关系，看下图：标签、用户画像、画像实例、标签值之间的关系更加简单清晰，左侧为标签、居中为用户画像、右侧为画像实例及标签值。
《XX电商青年客户画像》由多个标签组合而成，包括年龄、性别、居住地、购物行为、兴趣爱好、支付方式等，该画像能够实现千人千面，对平台的每一名用户进行有效的勾画，勾画的结果由多个标签值构成。
03
标签类别和用户画像体系
3.1 标签类别
标签可分为“基础属性标签”和“业务知识标签”两类，简称“基础标签”和“知识标签”。
3.1.1 基础标签：是用来描述客户特征及行为的客观存在，不需要经过深入的转换和分析就能直接得到的属性特征，这些属性往往是用户在使用产品时直接反映出来，或者是用户本身所具有的显性属性的表现，是用户身上数据转化为信息的表现。
如上图中的年龄、性别、居住地都是基础标签，是用户客观存在的信息。
3.1.2 知识标签：具备描述某种业务场景的标签，存在主观的变化性，是基于基础标签的业务规则提炼等方法形成，是信息转化为业务知识的表现。
如上图中的购买力是知识标签，存在主观变化性，A认为月支付金额＞1000为高购买力客户，B认为月支付金额必须＞5000为高购买力客户。
3.2 用户画像体系
用户画像体系会因为行业或业务的不同存在差异，具体划分需要结合业务进行沉淀。
一般而言，用户画像体系都是类似树形结构进行设计，可根据业务进行一级类目、二级类目、三级类目等划分。
笔者随手画了一套标签体系仅供参考：
如上图，该标签体系一共有两个层级：
第一层级为：特征、行为、需求；
第二层级为：人口统计、社会属性、使用行为、消费行为、偏好属性、潜在需求。
如人口统计类中，包含姓名、性别、年龄等标签，社会属性类中包含子女、父母、公司等标签，具体的分类都需要根据相关定义和属性进行划分。
当然，由于每个行业业务不同，标签体系没有一套标准答案，标签也不是越多越好，都需要结合具体业务进行设计和建设。
04
相关应用
标签和用户画像的应用，除了生成《XX画像报告》之外，一般在企业中有以下三种应用形式：
标签取数： 标签和用户画像的数据整合中心，可支撑业务部门的日常取数需求，也可作为其他系统的数据支撑来源。
营销推荐： 精准营销推荐是标签和用户画像重要的数据服务功能之一，通过不同的标签组合，可以圈定一批目标用户进行精准营销，数据可推送至短信平台、促销平台等进行短信、邮件、赠品的下发。
多维分析： 基于标签的用户多维分析是另一项非常重要的数据服务功能，标签可以更好的连接数据和业务人员，降低数据获取和操作的难度，赋能业务人员参与到数据分析之中。
现阶段，多数企业的标签系统投入使用年限均较短，处于初级阶段，需要建立一支专业的运营小组以保障系统的可持续运行。
