本文目录一览：
- 1、如何做有意义的消费者人群分类和用户画像
- 2、用户画像包含什么（客群画像的内容包括）
- 3、什么是用户画像？如何分析用户画像？
- 4、什么是用户画像呢？一般用户画像的作用是什么
- 5、数据分析报告怎么用
- 6、用户画像的标签体系
如何做有意义的消费者人群分类和用户画像
很多人可能都听说过“人生金字塔”的概念，即人们5个层次的需求。第一层需求是最基本的，满足生理需要，如衣食住行。第二个层次是安全需求，在衣食住行得到满足之后，人们开始担心自身的安全，包括生理安全和心理安全。第三个层次是社会需要，在安
用户画像包含什么（客群画像的内容包括）
客户画像客户信息标签化，完美地抽象出一个客户的信息全貌，可以看作企业应用大数据的根基。客户画像的核心工作是为客户打标签，打标签的重要目的之一是为了让
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴标签”，而标签是通过对用户信息
用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的，在
用户画像又称用户角色。Persona。作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往
用户画像实际上是数据和文字，并不是图片。主要是指用户的基本信息，如性别，年纪，性格，爱好，职业等，另外，还包括一些习惯，比如上网时间，上网行为，操作
追灿数据认为用户画像有用处的维度是以需求为基础的，比如用户偏好价格分布、颜色分布、购买渠道分布、关注点分布等，这些维度更能帮助企业了解用户需求。
怎么描述消费者画像。谢谢。
对于大数据的消费人次，迫切需要解决消费者画像，通过大数据找到未来的发展逻辑。公司以优异和多样化产品，覆盖不同细分市场，得到国内消费者的普遍认可与赞同。
有专做pm视频教程的mtedu能看到。根据用户画像，能确定用户需求，然后能具体和精准化的策划产品、做内容和运营，降低投入成本，增加效果。画像内容包含用户来
给某一目标群体画像，这个画像是什么意思能否具体点举例说下比如对买童
目标用户画像是指用户的自然特征，包括年龄、性别、喜好、职业、职位、家庭等方面有的时候为了实现更好的推广，还涉及到一些用户的行为特征，如聚集在QQ
百度百科区域内人群属性特征，基于大数据人群属性模型的精准画像。性别、年龄、收入、婚姻等。通过互联网、云平台获取用户更为精准的反馈信息，进而快速分析
什么是用户画像？如何分析用户画像？
用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。
目前市场是分为 To C 和 To B 两类用户画像需求，网上传播的用户画像一般以 C 端为主，它们模版多，方法全，RFM 模型成熟，并逐渐衍生出一些用户洞察公司，帮助企业完善用户画像。但这些 C 端模版对于 To B 端的企业来说无法直接套用，并且两者用户画像研究群体不同，导致在洞察方法上也略有差异。
此处我以制作 To B 用户画像为例进行阐述，希望可以解决你的疑问，它的的主要内容包括：
1、用户基本信息
用户基本信息很好理解，B 端客户一般为企业，它的基本信息就包括企业信息，组织架构，公司特征等，这些信息对我们建构用户基本框架提供了很大的帮助。根据用户基本信息，可以将用户团队规模大致分为 10 人以下、20 人～50 人、50 人以上等类型。或者可以根据所在行业的核心关注指标来进行不同团队的划分。
此处，我们以 20 人～50 人的公司为例，模版中可以依次填入公司名称、公司特征、组织架构的信息。
完成基本信息的输入，20～50 人创业公司的基本面貌就可以清晰地展现在我们面前，这种信息类似于 C 端用户画像的信息，很好地解决了“用户是谁”这个问题，将一行行数据和文字具象化，让产研人员可以感受到活生生的用户，而不是陷入自我想象的循环圈。
2、购买决策链。
建立用户基本轮廓后，我们可以继续从用户决策链下手。如果我们能充分了解决策链上各个角色的影响力，以及他们对产品的需求，那么才能提高获得订单的成功率，进而完成我们对用户核心诉求的探索。
以蓝湖一个 PM 画像为例，Kevin 是产品负责人，在社区领域经验非常丰富。他们的产品节奏从来不以快为标准，而是以好为标准。目前，很注重流程的管理以及文档沉淀，深知这些是保证高品质输出产品的关键。希望能有一个 All-in-one 工具能更便捷的使用。
人数不同的公司，决策链的长短也有区别，小公司 PM 的影响力可以占到 70%，而中大型团队 PM 还有总监、VP、CEO 等关键角色。所以你可以根据不同的公司情况，有针对性地进行补充其他关键用户画像，完善决策链。
3、用户核心诉求。
在了解各个关键角色的用户画像之后，我们可以对决策者的核心诉求进行归纳总结；一方面，从使用者、决策者的双维度出发，帮助产品不断优化和迭代；另一方面，为客户精细化运营提供抓手和依据，实现产品增长目标，从而提高企业的市场占有率。
如果调研足够深入，甚至还可以得到一些用户的关键数据，例如 DAU、WAU 等，这部分数据对于你填充用户画像的最后一块空白非常有帮助。
在搜集以上信息结束之后，你可以根据在调研中发现的差异点进行个性化补充，比如重新进行用户分类，更改用户的公司规模，增加关键人物画像等。
洞察用户进而输出完整的用户画像报告这是我们每个人都必须了解的事情，无论你是产品、设计还是运营、销售，了解用户可以让我们更有针对性地帮助他们达成目标。
这个模版我已经上传至蓝湖的「超级文档」，大家可以在创建文档时直接选择，希望你能喜欢！
什么是用户画像呢？一般用户画像的作用是什么
怎样为用户“画像”？
为用户画像的焦点工作就是为用户打“标签”，而一个标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、用户偏好等，最后将用户的所有标签综合来看，基本就可以勾勒出该用户的立体“画像”了。
具体来讲，当为用户画像时，需要以下三个步骤：
首先，收集到用户所有的相关数据并将用户数据划分为静态信息数据、动态信息数据两大类，静态数据就是用户相对稳定的信息，如性别、地域、职业、消费等级等，动态数据就是用户不停变化的行为信息，如浏览网页、搜索商品、发表评论、接触渠道等；
其次，通过剖析数据为用户贴上相应的标签及指数，标签代表用户对该内容有兴趣、偏好、需求等，指数代表用户的兴趣程度、需求程度、购买概率等；
最后，用标签为用户建模，包括时间、地点、人物三个要素，简单来说就是什么用户在什么时间什么地点做了什么事。
如何利用用户画像进行精准营销？
消费方式的改变促使用户迫切希望尽快获取自己想要了解的信息，所以说，基于用户画像上的精准营销不管对企业还是对用户来说，都是有需求的，这会给双方交易带来极大便捷，也为双方平等沟通搭建了一个畅通平台。
何谓“用户画像”？
在互联网逐渐步入大数据时代后，不可避免的为企业及消费者行为带来一系列改变与重塑。其中最大的变化莫过于，消费者的一切行为在企业面前似乎都将是“可视化”的。随着大数据技术的深入研究与应用，企业的专注点日益聚焦于怎样利用大数据来为精准营销服务，进而深入挖掘潜在的商业价值。于是，“用户画像”的概念也就应运而生。
用户画像，即用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。
数据分析报告怎么用
数据分析报告怎么用
本文是作者基于自身多年数据分析的经验，总结的一体化数据分析框架，简单地介绍下数据分析能分析能落地的几点。enjoy~
大数据，这个被炒烂了的概念，现如今已被人工智能替代。我们先不讨论人工智能，就大数据而言，我们都是在强调他的技术，例如网络热词：hadoop+spark，data mining。而我们在用大数据时候，经常用它的来神话它的影响。例如，广告投放精准化，社会安全管理有序，医药行业智能化等。
当然这些是我们的畅想，同时确实也离不开数据分析影响，但是我们有没有停下脚步去想一想，到底大数据怎么去落地呢，怎么去分析?怎么利用数据来去使企业做出决策，例如：广告投放精准化?
我们了解什么叫大数据分析么?
麦肯锡给大数据定义：
“一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。“
基于我对以上定义的理解，我总结的大数据分析就是，将获取的数据，打通，整合，找寻规律，立即得出决策信息。
数据获取
我总结的数据源可分类三类：
(1)一方数据：用户事实数据
例如用户在某金融机构购买的理财产品，时间，哪个出单口，姓名，电话等，或者运营数据，例如某互联金融app，用户操作行为数据
(2)二方数据：其实这部分叫做广告投放数据
例如，广告展示量，活动页点击量，广告来源等。也有公司将这部分数据作为第三方数据，因为有些广告监测公司会利用此数据和人群数据整合构建自己dmp这样的公司一般宣称为第三方公司，三方数据
(3)三方数据：行业数据，也叫公开数据
例如行协的数据，或者互联网行为数据，例如某互联网公司用户在此网站的行为数据，或者嵌入sdk的app后我们能采集到的安装活跃列表，以及可采集到线下数据。
打通：其实就是利用关键点的采集整合一二三方数据。例如我们可以通过手机号将一方和三方数据整合，或者利用cookie，或者imei号等将二方、三方数据整合。但是由于现在监管制度对手机号敏感数据的控制，以及互联网和移动端数据的跨平台打通技术难点，我们现实的匹配率很低，例如一方和三方的数据匹配达到20%其实就算比较不错的情况，当然运营商数据除外。
找寻规律：目标就是数据清理，从非结构化数据变成结构化数据，以便统计，数据探索，找寻规律，形成数据分析报告观点。本文将会在第三部分阐述。
立即决策：将数据分析报告中的观点系统化或产品化，目前而言，大部分公司还是会依靠人工决策。
为什么需要大数据分析?看上去大数据分析似乎按照这些步骤来，但是从第一步的数据源来说，其实已经反应了大数据的特点，就是杂乱无章，那么怎么从这些数据找寻规律，分析的内容和目标是否对应上，似乎就是我们需要大数据分析的理由
现在，大数据的分析通常采用的数据报表来反映企业运营状况，同时，对于热点，人群分析，我们看到的统计值，目标核心都是用数据分析报告提炼的观点来指导运营，那么问题来了，怎么用数据分析来指导数据决策呢?
数据分析的报告思路(本文从移动端的角度进行切入)
基于我对数据分析的理解，我将数据报告会分成三大类：市场分析、运营分析、用户行为分析。
市场分析
由于市场分析一般而言是定性、定量分析，最近热播剧《我的前半生》贺函和唐晶的职业就是来去咨询公司的一般会以访谈、问卷调查来一份市场分析报告去告诉客户他们的市场占有量，消费者观点等。
这里，我们以移动互联网数据的市场分析为例，通常来说，数据源是公开数据，或者在第三方数据。正如我们所讲，将sdk嵌入开发者应用，就可以收集到安装以及使用列表，那么开发者使用的sdk越多，我们能收集的数据源也越多，这样就可以形成安装app排名，使用app排名，这里面所说的覆盖率、活跃率也是这个意思，例如：即此款应用安装量、使用量在整体金融类的安装量、使用量占比。
那么，这些市场分析的作用呢，一般而言，是对公司市场营销的总结，比如某金融公司kpi是为了获客，他们做了一系列营销，下个月排名我们可以查询到此款应用的安装量，是否较上个月上升呢?那么我们的竞品表现呢，他们是不是也做了一些列的营销活动排名上升下降?我们都可以通过市场分析，竞品分析来观测，但是这部分的观点由于是市场数据，我们只能通过大量的搜寻官网活动，或者互联网广告推测营销来推测是否竞争对手排名上升和这些营销活动有关。
同时，根据市场的走势图，我们能发现潜在的竞争对手，例如：我们能看出下图中的工商银行由于手机属于高覆盖高活跃组，即安装xxapp活跃人群也是最高的，因此，无疑xx银行是所有银行组潜在竞争对手。需要更加注意他们的市场策略
运营分析
移动互联网提出的方法论：3A3R，笔者之前在做咨询的时候，此方法论也可以将网站分析套用，总结来说3A3R就是：
感知 → 获取 → 活跃 → 获取 → 营收 → 传播 → 感知
这里需要注明下，运营分析只是一个公司的baseline，让产品经理，运营人员，市场人员根据自己本公司的数据参考做出合理的决定，同时，运营的数据只是参考或者叫警示，若要具体，需要特定细节的分析，例如是否app改版，怎么改?需要增加哪家渠道合作?
(1)Awareness 感知
根据广告投放数据进行分析，目的判断渠道广告页对app 或者网站引流情况，同时可以帮助广告主设计监测表格，以数字角度衡量广告投放效果
但是，广告数据一般而言在广告监测公司手中，或者公开的使用工具上例如GA，我们需要依靠广告公司设计营销环节，例如活动页，加监测代码，或者在媒体，app应用商店加入代码便于监测广告表现，而往往这样的数据很难加载，一般是由应用商店，或者媒体提供，同时，以上数据，监测公司数据一般而言也不会提供给广告主，只是会提供统计值，这部分的分析我会在之后详细写出，欢迎大家关注我的运营号
言归正传，我们看感知数据其实目的就是想衡量我们的大量的营销投放钱花的对不对，广告的展示量，点击量等是最好衡量一个公司的广告市场部门绩效，没有广告投放，就无法带来获客，因此钱花的值不值，能带来多少客人，才会有下一步 acquisition。
(2)Acquisition 获客
获客是第一步广告投放拓展，用户点击广告后到达应用商店或者着陆页后去下载app，访问网页后，登陆app后的数据是广告公司或者应用商店提供不了的数据，因此获客其实有两重目的。
目的1：衡量第一步提供的数据是否准确，即是否渠道作弊
目的2：判断渠道是否好坏
目的3：判断营销活动是否有效
例如下图中，我们发现4成用户是搜索流量较上个月增加了6%，是不是我们需要增加和sem的合作呢?而在媒体引荐渠道中，我们通过渠道衡量客户转化率，点击-用户激活的，激活的注册转化，可否重点对某应用商店增加合作
下图是目的3的应用，来衡量三个月内的新增用户，活跃用户是否受活动营销、广告投放、版本更迭等影响。例如：7月28日的版本更迭，增加新用户的利器，那么产品经理需要分析下这个版本到底哪里的改变，让用户增长这么快，而8月份的营销活动会唤醒沉睡用户，反应考核运营人员的绩效，那么，是否我们在做促活时候可以借鉴8月的成功经验呢?而这个成功经验需要进一步做专题分析
(3)Activities 活跃
获客后，我们想看看我们的新增、活跃用户的表现情况，那么就到了第三步 活跃，其实就是为产品经理改版app或者页面提供数据支持
活跃分析可参考以下三个步骤：
第一：从页面浏览次数，独立访问人数，来圈定主要页面分析。
例如某款app首页是pv，uv最高，我们会重点分析首页。
第二：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序
第三：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序
(4)Retention留存分析 Revenue Refer
这几个实际上在企业运用的并不多，这里简要说明下。
① Retention
用户积累到一定数量后，我们想看下用户粘性，那么我们就来到retention，一般是衡量活动效果时候运用的比较多，来看此次活动过后，是否用户依旧会使用我们的app，但是由于金融app属性不会像游戏应用每天进行访问，因此Retention 在实际应用中不会太多，下面的例子是个展示，不做赘述
② Revenue
这些留下来的客户给公司贡献多少现金呢?会看收入步骤， 一般公司不会将现金流数据放入在统计平台中，但是我们需要提出用户贡献的流水金额数据供我们使用，便于人群划分，例如下面简要分析：
Refer 传播：
最后，我们想让这些客户进行传播;核心是口碑营销，即用户自发的转发给其他用户链接，让他们下载app或者参与活动，因此传播的下一个环节又会转换营销，但是传播会受到很多限制，例如没有奖励机制的口碑传播，几乎转发量为0，同时，传播若要衡量比较困难，尤其在大量互联网用户基础上，这样会造成资源代码叠加，系统负担，因此一般企业也不会设计这样活动让营销人员参考
用户分析
若说大数据分析的核心，其实就是在于用户分析，正如我们前面所讲，用户分析的步骤流程如下：
即在力所能及的搜集数据范围内，打通数据，客户用户，精准营销。
第一，我们可以筛选的条件列表，我们可以通过应用条件，位置，标签条件将数据整合，整合的目的就是刻画客户，定出营销策略。
例如：我们想筛选金融客户(应用条件筛选)，出现在五星级酒店(位置条件)，且为母婴人群(标签)
但是需要注意的是，条件越多，用户轮廓越清晰，人群会越少。
第二，根据筛选的人群，我们将线上/线上统计化，或者建模多维度分析。
例如，我们根据筛选的人群，发现男性多于女性，苹果手机属性最高，常手机工具使用，那么我们可以将这部分目标人群用增加手机工具合作、或者和苹果合作获客或者促活。
第三，整合以上数据分析，形成人群画像。
结束语
这篇文章基于我多年数据分析的经验，总结的一体化数据分析框架，其实就是简单介绍下数据分析能分析能落地的几点。当然，这里面需要大量的数据清洗工作，以及对行业的认知，此篇只是从数据分析角度的概要，内容上的细化，其实可以单拿出来细细分析，尤其用户画像那章节。
用户画像的标签体系
一、为什么需要标签？
随着互联网的兴起，每天有大量的内容以视频等形式被生产并上传到各大平台，面对海量的内容，如何提升这些内容的智能分发效率是各大平台面临的重要课题。
而要实现这一目标，第一步就是更好地认识我们的用户。构建用户画像的过程的本质就是对用户信息进行标签化管理的过程。通过标签体系的建设，一方面让数据变得可阅读、易理解，方便业务使用；另一方面通过标签类目体系将标签组织排布，以一种适用性更好的组织方式来匹配未来变化的业务场景需求。如何合理规划标签体系对产品的运营影响非常大，因此，标签是产品策略中特别关键的一环。
二、标签是什么？
对于标签的定义在不同场景中往往是不同的，太纠结或执着于单一概念定义，会无法推进实际的业务和工作。我们所有的技术和业务层面的工作是为了业务目标，并且要实用和适用，并不是纯学术层面的研讨。
一般来说，我们认为标签是指 “利用原始数据，通过一定的加工逻辑产出，能够为业务所直接使用的可阅读、易理解、有业务价值的数据。”
标签体系有两种组织方式：结构化标签和半结构化/非结构化标签。
所谓结构化标签是按照某个分类法制定一个层次标签体系，其中上层的标签是下一层的父节点，在人群覆盖上是包含关系。一些面向品牌广告的受众定向往往采用这种结构化较强的标签体系。需要指出，这一体系中的标签是根据需求方的逻辑而制定，某些在媒体方意义很大的分类标签，如军事等，由于没有明确的需求对应，不宜出现在标签体系中。
另外一种兴趣标签的组织方式，是根据具体需求设置相应的标签，所有的标签并不能为同一个分类体系中所描述，也不存在明确的父子关系。这种半结构化或非结构化的标签体系往往包含一些比较精准的标签的集合，因而主要适用于多种目标，特别是效果目标并存的对内容精准投放的诉求。
选择结构化兴趣标签体系还是非结构化的兴趣标签体系更多地是基于业务场景的决策，当标签仅仅是投放系统需要的中间变量，作为CTR预测或者其他模块的变量输入时，那么结构化的标签体系其实是没有必要的，应该完全按照效果驱动的方式来规划或挖掘标签，而各个标签之间也不太需要层次关系的约束。
还有一种特殊的标签形式，关键词。直接按照搜索或浏览内容的关键词划分人群和投放广告，往往可以达到比较精准的效果。关键词这种标签体系是无层级关系、完全非结构化的，它虽然很容易理解，但并不太容易操作。不过由于搜索在互联网中的重要地位，选择和优化投放关键词这样一项专门技术已经发展得相当充分，因此这种标签也是实践中常用的。
三、如何构建标签体系？
1.确定对象
进行标签建设，首先要清楚对哪类对象建设标签，也就是确定对象。对象是客观世界中研究目标的抽象，有实体的对象，也有虚拟的对象。在企业经营过程中可以抽象出非常多的对象，这些对象在不同业务场景下交叉产生联系，是企业的重要资产，需要全面刻画了解。
经过对多个行业、多个标签体系建设经验的总结，可把对象分为 “人”“物”“关系”三大类 。三种对象是不一样的，“人”往往具有主动性和智慧，能主动参与社会活动，主动发挥推动作用，往往是关系的发出者。“物”往往是被动的，包括原料、设备、建筑物、简单操作的工具或功能集合等，是关系的接收者。当常规意义上的设备具有了充分的人工智能，变成了机器人，那么它就属于“人”这一类对象。“人”和“物”是实体类的对象，即看得到、摸得着的对象，而“关系”属于一种虚拟对象，是对两两实物实体间的联系的定义。因为关系很重要，企业大多数情况下反而是在对关系进行定义、反复发生、记录、分析、优化，因此需要“关系”这种对象存在，对关系进行属性描述和研究。关系按照产生的动因不同，又分为事实关系和归属关系，事实关系会产生可量化的事实度量，归属关系只是一种归属属性。
明确了对象的定义和分类，就可以根据业务的需要确定要对哪些对象建立标签体系。 基于内容的对象非常多，不可能对所有对象都建立独立的标签体系，一般我们会根据业务流量的需求，稿件数量的多少，类目的相似性，类目间的关系进行排名，确定标签的优先级和必要性。
2.设计框架
一般来说，互联网产品需要使用的标签类目数量非常庞大，当标签项超过一定数量时，业务人员要使用或查找标签就开始变得麻烦，管理标签也会变得困难。因此笔者借鉴了图书管理学中的经典方法：海量图书需要有专门的图书分类体系对书本进行编号并按照编号分柜排放，阅读者在查阅图书时只需要按编号索引即可快速找到自己所需图书，图书管理员也可以方便、有效地理清所有图书状况。
构建标签类目体系首先需要确定根目录。根目录就是上文提到的对象，因此有三大类根目录：人、物、关系。根目录就像树根一样直接确定这是一棵什么树。
如果根目录是人，即这个标签类目体系就是人的标签类目体系，每个根目录都有一个识别列来唯一识别具体对象。人这种大类下包括自然人和企业法人两种亚根，同时自然人群体或企业法人群体也可以认为属于人的对象范畴内，也是亚根。自然人实例可以有消费者、员工、加盟商等，因此可以形成消费者的标签类目体系、员工的标签类目体系、加盟商的标签类目体系。同样法人也可以细分为实体公司、营销公司、运输公司等。从最大的“人”根目录、到“自然人/法人/自然人群体/法人群体”亚根，再到实例“用户/员工/加盟商”，都属于根目录的范畴。
根据类似的方式，也可以将物细分为“物品”“物体”“物品集合”“物体集合”等亚类，各亚类下也可以细分根；关系也可以细分“关系记录”“关系集合”。
标签类目体系是对业务所需标签采用类目体系的方法进行设计、归属、分类。类目体系本身是对某一类目标物进行分类、架构组织，分类通常使用一级类目、二级类目、三级类目等作为分类名。
类目结构可以用树状结构来比拟，根上长出的第一级分支，称为一级类目；从第一级分支中长出的第二级分支，称为二级类目；从第二级分支中长出的第三级分支，称为三级类目。一般类目结构设为三级分层结构即可。没有下一级分类的类目叫叶类目，挂在叶类目上的具体叶子就是标签。
需要注意的是，类目框架的建设一般是基于业务展开的，因为类目体系存在的核心意义即为帮用户快速查找、管理数据/标签。
下图为某银行构建的客户标签类目体系，其中客户是根目录，会由custom_id来进行唯一识别，根目录下有“基本特征”“资产特征”“行为特征”“偏好特征”“价值特征”“风险特征”“营销特征”等一级类目。“基本特征”一级类目下又分“ID信息”“人口统计”“地址信息”“职业信息”等二级类目。“地址信息”二级类目下再细分为“账单地址”“家庭地址”“工作地址”“手机地址”等三级类目。“账单地址”三级类目下挂有“账单详细地址”“账单地址邮编”“账单地址所在省”等标签。
标签类目设计完成，整个标签体系的框架就有了，接下来要做的就是往每个叶类目下填充有业务价值并且可以加工出来的标签，进而完成整个标签体系的设计。
3.填充内容
通过标签类目设计，已经有了某类对象的标签体系框架，只是还没有具体的标签内容。标签设计就是设计合适的标签并将其挂载到标签类目。 在这一部分，笔者将尽量脱离技术视角，从产品视角出发，剖析如何“制作标签”。
首先，是如何拆解内容。对内容的拆解首先还是分为三个部分：“用户”“内容”“关系”，作为根目录。接下来，关于“人”这个部分，我们可以拆分为：人口属性、兴趣属性、行为偏好、发表时间等；同理，关于内容，我们可以拆分成“统计类”、“质量类”、“向量类”。接着，我们再对二级类目进行拆分，比如“统计类”中包含“点击率”“时长”“完播率”“转评赞”“跳出率”等。
要特别注意的是，往常习惯给别人打标签、贴标签的动作，其实不是在设计标签，而是在设计特征值。例如对某个人的定义“女、20～30岁、白领、活泼开朗”，分别是性别、年龄段、职业、性格标签的具体特征值。
这些特征会进行一定的交叉，赋予这个特征更多的含义。比如说使用用户画像和内容画像做交叉，可以得到用户的长短期的兴趣匹配、Session兴趣泛化匹配、用户年龄对于某些内容类别的偏好、用户性别对于某些内容类别的偏好等。如果拿用户特征与请求的上下文进行特征的交叉，则会得到用户常驻地在什么地方、用户的兴趣随时间的变化，比如有的用户会在早上看新闻，而在晚上看一些娱乐类的资讯；还有一些场景的刻画，如用户喜欢在地铁上看视频，而在办公的时候喜欢看图文。通过这些特征值组合，我们可以尽可能高效地对用户群进行划分，从而实现内容的精准分发。
现在，我们知道了如何建设标签体系以及如何通过标签体系对用户群进行划分，但想要做好标签，我们不仅要从需要解构技术，还要立足于“好的内容”。在这一部分，笔者将通过运营创作者的视角简单分析如何制作“好的标签”。
要想制定能够打动人心的标签，首先要了解用户，切中他们的痛点。
如何才能了解用户？一种办法是角色转换，换位思考，把自己看作用户，而且是什么都不懂的“小白用户”，以这样的视角去看问题、去思考。
举个例子，你作为一个UP主，接了一份宣传“降噪耳机”的营销单，你的任务是让用户下单，完成内容的价值转化。思考一下，该怎么设计这个故事？
下面的一段参考文案：你在银行做经理，维护客户关系很艰难，你的职位不上不下。你有房贷和车贷，每月按揭五千元。你孩子的数学成绩不好。你老婆在市人民医院做护士，她母亲有尿毒症并透析多年，她不爱你。你年轻的时候觉得能成一番事业，但现在也就这样，朋友们混得都比你好。生活太糟了，你需要一个独立的环境抒发情绪，这时候你戴上了降噪耳机。
这就是一个典型的“用户视角”，它描述的是一个场景，它让你一边看一边产生强烈的代入感，不由自主受到内容的感染，产生情绪波动，在情绪的驱使下完成下单的行为，实现价值转化。
除了上面这种基于内容体验的打标方法，还有另一种方式，也就是我们之前提过的“特征值”，基于算法生成的高精度内容标签，一般是基于视频帧、标题、作者、内容属性、地理属性、时间等。这些由算法生成的内容标签可以替换人工标注，从而节省人力成本，提高内容标签生产效率。目前的内容标签技术，其精度已经达到了90%以上，通过算法对内容的分析自动生成一些标签值。
比如上面这个视频，所生成的标签值就可能是“中华田园犬”“农村”“百万播放”“狗”“华农兄弟”“萌宠”“动物”等。
经过对象确定、框架设计、类目设计、标签设计、打标这几个步骤，我们就完成了整个标签体系的建设，文章写得比较简单，全当抛砖引玉。
四、一些问题
在标签体系落地的过程中我们还会遇到很多问题，以下几个问题也是笔者一直在思考的。如果有任何好的建议可以加笔者微信一起交流：shmusk
内容的时效性： 任何一个内容，包括视频或者图文，是有生命周期在里面的，内容有长有短，其中预测一个内容的生命周期是一个挺难的事情，不论通过算法也好或者其它技术也好；假设我们已经知道内容的生命周期，如何在有效的周期内给予内容有效的曝光量，也是个很难的问题。如何Balance这两个问题，时效性是非常重要的，因为过了内容的生命周期，再给用户推荐，是没有意义的，用户体验会非常差。
内容质量的判定： 怎样判定一个内容质量到底是好还是坏，好的标准到底是什么，以及我们如何去建模，如果可以建模，特征是什么，以及我们的模型如何有效的利用特征去判别？
冷启动问题： 分为内容冷启动与用户冷启动。内容冷启动就是一个新内容进入平台，没有被分发出来；而用户冷启动就是一个新的用户，交互数据和行为非常的稀疏，如何做比较好的推荐、能够引导进行后续更加稠密的交互，增加粘性，以此来提升用户体验，更好的满足用户的需求？
