我们这次重点谈一下用户标签。
对于市场层面，用户标签能帮助我们什么？
1.完善数据仓
之前我们讲过，企业或市场要有自己的数据仓来进行线索的存储与培育，用户标签就是存在于此，我们希望用户的标签尽可能完整，这样我们会认为我们的仓库越发丰富有价值，同样有1万人，只有电话号的数据仓库肯定没有信息相对齐全的数据仓库价值高。数据仓库的价值请参考《市场部的数据仓库》。
2、以标签为维度进行业务应用
在我们进行打签的时候要设置好标签的分类和入库规则，这样就可以根据某个标签进行数据抽取，比如电商平台，1万人的数据库经过查询有3000人打上了同一种标签，就是收藏了预售的MacBook，这时候就可以指定相应的精准营销计划。
另外一个标签的用法就是，个性化内容商品推荐，根据标签进行相应的内容展示，提高内容点击，根据标签进行相应的商品展示，提高商品曝光，无论是做哪种相关推荐，都会较无相关的展示相对精准。
3、以标签为维度的数据分析
我们可以通过标签做很多维度的分析，例如以性别维度进行分析统计，以行业进行分析统计，如果以用户的首次来源作为标签，还可以了解用户的渠道信息。用户标签（用户属性）可以作为细分维度支持多视角的数据展示。
如何设计用户标签体系？
1. 业务梳理
搭建用户标签体系容易陷入用户画像陷阱，如果只是照搬模板，照葫芦画瓢，这样设计出来的标签体系将不利于标签体系的维护和后期的扩展。我们可以按下面的思路来梳理标签体系：
（1）有哪些产品线？产品线有哪些来源渠道？我们可以把这些产品线和来源渠道一一列出；
（2）每个产品线有哪些业务对象？比如用户，商品；
（3）最后再根据对象聚合业务，每个对象涉及哪些业务？每个业务下哪些业务数据和用户行为？
结果类似如下：
2. 用户标签的分类
在上一步按业务对象整理了业务数据后，我们可以继续按照对象的属性来对标签进行分类，主要目的为方便管理标签，并便于维护和扩展标签体系，另外，也会使用户标签体系结构清晰，有利于展示标签之间的关系。
梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在四级比较合适，方便管理，到了第四级就是具体的标签实例。
3. 标签的模型
按数据的实效性来看，标签可分为两种类型：
静态属性标签。长期甚至永远都不会发生改变。比如性别，出生日期，这些数据都是既定的事实，几乎不会改变。
动态属性标签。动态属性的标签存在有效期，需要定期地更新，保证标签的有效性。比如用户的购买力，用户的活跃情况。
从数据提取维度来看，标签数据又可以分为三种类型：
事实标签。从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息。
模型标签。没有对应数据，需要定义规则，建立模型来计算得出标签实例，比如支付偏好度。
预测标签。参考已有事实数据，来预测用户的行为或偏好。比如用户w的历史购物行为与群体W相似，使用协同过滤算法，预测用户w也会喜欢某件物品。
4. 标签的处理
为什么要从两个维度来对标签区分？这是为了方便用户标签的进一步处理。
静态动态的划分是面向业务维度，便于运营人员理解业务。这一点能帮助他们理解标签体系的设计以及表达自己的需求。
事实标签，模型标签，预测标签是面向数据处理维度，便于技术人员理解标签模块功能分类，能够帮助他们设计合理数据处理单元，相互独立，协同处理；标签的及时更新及数据响应的效率。
标签最终呈现的形态要满足两个需求：
（1） 标签的最小颗粒度要触达到具体业务事实数据，同时支持对应标签实例的规则自定义；
（2）不同的标签可以相互自由组合为新的标签，同时支持标签间的关系，权重自定义。