1. 用户标签的分类

1.1. 按照维度划分

自然属性

商业属性

行为属性

价值属性

1.2. 按照层级划分

主分类标签

一级标签

二级标签

三级标签

业务标签

四级标签

属性标签

五级标签

1.3. 按照生成方式划分

事实标签

属性标签：

可以直接提取

包括一些基本信息，比如：年龄、性别、城市、职业等

事实标签：

可以从用户数据、行为数据、消费数据中统计得出

这些标签来自基于行为数据的统计信息，比如：1日登录次数、7日登录次数、7日下单次数等

事实标签，构成了用户画像的基础

规则类标签

又叫：建模标签

在统计指标基础上通过规则生成，是对统计类指标的有效补充

需要基于用户行为自定义规则

比如：

活跃用户，定义规则为每天登录一次以上的用户

高净值用户，消费总额在某个阈值以上

在开发过程中，运营人员对业务更熟悉，数据维护人员对数据结构、分布、特征更熟悉，所以多数时候由运营人员和数据人员共同搭建维护；

预测类标签

又叫：机器学习标签

是非确定性标签（前两项都属于确定性标签）

需要基于已有的信息“预测”用户特征，需要挖掘才能获得

实际开发过程中，这类项目开发周期长、成本高，属于探索性项目

有些公司使用外包人员、手动打标签，效果可能会更好、而且投入也很低

1.4. 按数据类型划分

数值型
单值枚举型
多值型枚举型
文本型标签

2. 用户标签落表建模

2.1. 用户标签命名方式

标签命名示例：

2.2. 用户标签需求描述

标签id
标签名称
标签汉语
标签主题
一级标签id
一级标签
二级标签id
二级标签
标签类型
开发方式
是否互斥
更新频率
标签算法规则描述

3. 用户价值标签

4. 用户属性主题标签

性别

省份

年龄/分层

电话号码所在区域/分层

是否临时账户

注册时间

新老用户标识

教育程度

身高

体重

职业类型

收入水平

星座

婚姻状况

生育状态

是否有老人

是否有小孩

是否二胎

5. 用户行为主题标签

订单评价

现金券使用次数
现金券使用额度
虚拟现金券使用次数
虚拟现金券使用额度
邀请注册量
邀请新客量
首单营销方式

近30天行为

近7天行为

单笔订单最小金额

首单距今时间
尾单距今时间
营销方式敏感度

访问深度
购买阶段近5日

高频活跃时间段

购买品类

邮件渠道活跃

邮件渠道活跃时间段

短信渠道活跃

push活跃

渠道黑名单

最近下单距今天数
最近加购距今天数
站内广告偏好

商品
近7天行为

近3天行为

近1天行为

最近行为

历史行为

收藏属性

购物车属性

活跃地

6. 用户偏好

6.1. 价格敏感度

低
中
高

6.2. 优惠偏好

优惠券
折扣
赠品
满减
包邮

6.3. 品类偏好

6.4. 主题偏好

6.5. 购买行为偏好

闪购
Category页面
新品
包邮
best deals
促销
搜索

6.6. 购买单价偏好

偏好低价
中等价位
高价位

6.7. 渠道偏好

站内广告
站外
小红书种草
天猫
聚划算
促销活动
…
折扣
品类
新品
热销

6.8. 店铺偏好

店铺星级
店铺评分
探新店
店铺风格
经营年限
店铺区域

7. 用户价值标签

7.1. 用户资产

7.2. 用户等级

7.3. 生命周期

7.4. 用户购买力

7.5. 用户诚信度

7.6. 用户活跃度

7.7. RFM

重要价值用户
重要发展用户
重要保持用户
重要挽留用户
一般价值用户
一般发展用户
一般保持用户
一般挽留用户

8. 用户风控主题标签

用户画像概述