在工作过程中，我们会逐渐意识到，业务效果与质量的提升往往需要工具的帮助。某些运营策略如果没有数据系统、数据算法的加持，很难实施并发挥出价值；同时，技术和业务是相辅相成的，只有基于一个确定的业务目标去反推系统应该具备的能力，才能够做出真正有价值的数据产品。

一、为什么要给用户打标签

推送运营的核心问题是：在什么时间，向什么受众，推送什么样的内容。我们看到的常见推送运营误区是：因为全量推送不会有遗漏用户，所以能够最大化推送效果。

事实并非如此。当我们在做推送运营这件事情时，我们在利用的资源不是能推送什么内容，而是用户愿意容忍我们推送的上限，即用户的注意力资源。

我们可以用这样一个公式总结它：每日用户注意力资源 = 日活用户数 * 全局触达限制。

在注意力资源有限的背景下，如何更好地利用它去达到业务效果最优化，唯有靠「精细化运营」。

某游戏平台做「规则推荐」，它面向全球用户提供游戏信息流推荐服务。针对此，我们一起进行了一次简单的规则推荐实验：根据用户的所在地域不同，推荐该地域下载量较高的游戏，是一个「千人十面」的简单规则。

通过短时间的实验，即使是如此简单的推荐，推荐游戏的点击率也要高于一视同仁的推荐游戏的点击率，这就是「精细化运营」的威力。

精细化运营的演化路线，可以用以下例子来说明：

1. 某产品的日活用户为 100 万，一开始的时候对所有用户一视同仁地全量推送热门内容 A，最终内容的点击率是 2%；

2. 通过分析发现了细分人群（50 万）的偏好以后，对细分人群推送点击率为 2.5% 的精准内容 B，对其他人群仍然推送热门内容 A。这时整体的点击率是 2.25%，比之前有所提升。

3. 之后，继续找到比一视同仁的推送更好的细分人群和精准内容，当精准推送覆盖的用户比例越来越高时，业务效果也会变得越来越好。

由此可见，每一个的洞察用户的细节都让业务变得更好，精细化运营的底层能力是分析用户标签的能力。

用户标签通常来自于用户自然属性、用户交易数据、用户资产数据、用户行为特征、第三方来源等等：

1.属性类标签。通过系统直接采集用户信息获得，比如用户在注册资料中填写的性别、年龄等。

2.统计类标签。通过数据统计分析获得，比如推断“浏览女装超过 5 次”的用户为女性等。

3.规则类标签。根据经验/规则等获得，如根据用户上一次启动的时间为半个月前判定其为预流失用户等。

4.算法类标签。比如基于人脸识别等技术通过数据计算获得。

无论哪一种标签，都是通过对用户某个维度特征做描述和刻画，对用户信息进行总结。它可以是具体的文本，可以是统计指标，也可以是一个关键日期……只要使用它的业务人员可以快速获取到信息，它就是有效的用户标签。

用户标签的存在意义体现在于其可应用的业务场景，参见下图：

但即使对用户标签的应用感到心动，也并不是每个公司都能做用户标签：

1. 它取决于公司本身有没有足够丰富的内容、商品或服务，业务发展阶段是否已经无法靠简单的人工运营解决客户问题。

2. 用户标签体系不是拿来即用的，需要有经验的团队适配公司业务流程，才有可能建立有价值、可落地的用户标签体系。同时，如果没有一定的行为数据采集能力，标签计算也是巧妇难为无米之炊。

二、如何构建可落地的用户标签体系

当一家企业有了强烈的意愿和足够的能力时，怎样才能建设出符合其业务流程的标准化用户标签体系呢？

我们在和客户合作标签画像项目的时候，发现很多人都会希望总结他们已有的数据，尽可能全面地覆盖例如人口学、消费能力、业务次数等等耳熟能详的标签体系，但千辛万苦建出来的标签使用率却很低，业务人员反馈不知道应该怎么用。

我们前面提到，标签的核心意义在于业务人员能通过用户标签快速获得业务信息。因此，只有从业务应用出发，才能反推出可落地的标签。

业务部门虽然五花八门，但执行业务的路径却非常相似：

第一步，寻找目标用户。

为了达到商业目标，只有把有限的资源投入到最有价值用户，才能获得更高投入产出比，因此寻找目标是业务部门在寻求增长过程中的首要问题。

这时候，天然地会需要对用户有「价值分层」主题的标签。业务部门也可能需要对全体用户做针对性的动作，因此对用户做「生命周期」主题的标签划分，也有助于他们选择自己的策略 。

第二步，洞悉目标用户群的需求。

在确定了目标人群之后，业务部门希望能通过画像分析，了解目标人群的诉求：他们处于什么业务阶段，有什么潜在未满足的诉求，可能遇上了什么难题，表达出了什么「行为偏好」，这是业务部门进行增长的突破点。

第三步，投其所好，通过营销偏好执行策略。

当发现突破点后，业务部门还需要了解自己手上哪些运营手段对解决用户目前遇到的问题比较有效：推送什么内容？什么时候推送？是否应该发券？多大的金额比较好？如果说行为偏好是对「用户需要什么」的解答，那营销偏好就是「用户喜欢我们做什么」的解答。

从价值分层、生命周期去定位目标人群，从行为偏好中找到突破点，根据营销偏好制定运营策略，这就是业务部门运用标签的自然流程中推理出来的四大标签主题。

1. 价值分层主题

常见做法是通过分布分析对用户价值指标做分布分层，如「30 天内用户累计支付金额」这个指标，可以表达用户的购买力。这将用户分为高、中、低三层。

但是，假如一个用户的累积付费金额是 1000 元，当你看到这个标签时，是否能够快速作出反应？

标签的目的是为了让使用者能快速获取业务信息。

所以如果是由人类使用标签，比起原始数值，不如根据业务经验将数值分为高中低三个层级，业务人员可以直观地获得标签的含义。但如果这个标签是用于推荐算法等数据产品，使用原始数值可以保留最精确的信息价值。

2.生命周期主题

我们希望用户能够完成完整的业务流程，用户在业务流程上每一个可能产生流失的触点，都是生命周期的关键节点。因此在定义生命周期的时候，可以从注册流程、下单流程、风险测评流程等等业务的节点着手。

3. 行为偏好主题

在思考用户的行为偏好时，需要考虑用户在关键事件上的关键抉择。

例如，用户在点击商品时，是什么因素影响他查看这个商品的详情，什么因素影响他是否选择购买？他可能会点击不同的品类，对商品的价格做排序，筛选不同的规格……这些是影响用户转化的关键维度。因此，我们可以去关心「商品品类偏好」「商品价格偏好」「商品规格偏好」这些行为偏好标签。

在计算行为偏好时，具体选择多长时间范围内的行为很有讲究。例如商品价格偏好，我可以使用「点击商品」这个事件去计算，也可以使用「支付订单」这个事件去计算。通常来说，用户做出一个事件的成本越高，这个事件表达出来的偏好就越可信，因此使用支付订单做出来的价格偏好是最可信的。

但是，使用成本高的事件计算出来的标签，可能只能覆盖很少的用户。标签覆盖率如果不够高，业务分析时就会捉襟见肘。这个时候，便可以用覆盖率较高的事件如「商品点击」去计算行为偏好标签。

在计算行为偏好标签时，既可以使用最近 7 天的数据，也可以使用最近 30 天的数据，甚至可以选择过去一年 365 天的数据。在这个场合下，要考虑行为偏好会随着时间衰减。如果无法对时间窗口做决定，可以使用一个经验法则：使用业务指标的周期做基准。例如如果关注的是月留存率，那就可以用前两个月的数据计算行为偏好。

4. 营销偏好主题

这类主题标签要从业务人员实际可以干预的维度出发，如：适合推送的时间段、优惠券的金额范围、适合的推送通道、文案的风格等等，业务人员可以根据这些标签来优化他们的工作。

以上四个主题标签源于对业务流程的思考，它们通过以下四个步骤完成梳理：

1）还原业务流程

完整的业务流程一般包括：启动、注册、活跃、深度行为、付费、流失……不同环节中能够影响用户决策的属性，将会对企业梳理业务行为偏好起到关键作用。

2）覆盖生命周期

对于某些没有没有行为偏好或行为偏好已过期的用户，如新用户、沉默用户，一般需要针对其所处的生命周期节点来做决策。

3）明确商业目标

可能是提高付费率，也可能是提高留存率等，然后拆解业务流程，针对不同的用户群定义不同的行为路径。

4）从策略推标签

在不同的行为路径上推断可实现的策略，由此区分用户，实现策略标签的梳理。

通过以上四步，可以有条理地梳理出符合企业业务模型的标准体系，当中不仅需要业务经验，还需要具备商业意识。

三、如何利用用户画像分析赋能业务落地

接下来，我们以一个具体一点的例子，来讲解用户画像应该怎么洞察。

某电商平台尝试通过活动营销，提升购买环节的转化率，那么，该如何利用用户标签体系赋能转化率增长呢？

我们回归到业务应用用户画像的三个问题：

1. 目标人群是谁？
2. 目标喜欢什么？
3. 怎么执行策略？

首先，基于漏斗分析，选择购买环节的流失用户，查看漏斗流失用户群画像，可以完整了解这部分用户的价值分层、行为偏好、生命周期以及营销偏好标签分布。如下图所示：

数据分析的精髓在于对比，只有在分析用户群和目标用户群之间做对比，才能挖掘出有效的业务突破点。

基于此，我们可以将流失用户画像与付费购买用户画像进行对比，其差别所在就是企业的增长机会点。

最后，我们通过用户画像的洞察分析，得到了这样的营销方案：

通过短信发送带有秒杀提醒关键词的营销信息，选择运动鞋作为活动类目，集中选择 100 元以下商品展示提高浏览量，选择主体用户活跃的时间段推送。

我们总结的用户画像分析应用流程如下：

1.选择关心的问题场景人群。

2.抽样用户，查看单体画像获取灵感。

3.通过用户的典型特征，查看用户群画像进行对比。

4.对比另一个用户群画像进行对比。

5.从差异特征出发构思策略。

本文由@神策数据 原创发布于运营派，未经许可，禁止转载

题图来自Unsplash, 基于CC0协议