电商用户画像与标签体系构建：从0到1
1. 问题
做用户运营，最基本的痛就是"不了解用户"——不知道他们是谁、喜欢什么、什么时候会买。
没有用户画像，运营就是盲打。有了用户画像但不会建标签体系，就是浪费数据。
2. 学习
从知乎专栏、触脉咨询等文章中，系统学习了用户画像和标签体系的构建方法。
用户画像有两个维度：
- Persona（角色画像）：定性描述，基于调研和访谈，描摹典型用户的特征、动机和场景
- Profile（数据画像）：定量描述，基于行为数据，用标签集合来描述用户特征
电商场景下，我们更常用Profile，因为行为数据量足够大。
3. 分析
标签体系的四大分类
1. 基础属性标签- 人口属性：性别、年龄、地区、职业
- 来源：用户注册时填写或第三方数据
- 特点：相对稳定，几乎不变
- 浏览行为：浏览品类偏好、浏览时长、浏览深度
- 互动行为：收藏、分享、评论
- 购买行为：客单价区间、购买品类分布、购买频次
- 来源：埋点数据和交易数据
- 特点：动态变化，需要定期更新
- RFM分类结果（高价值/一般价值/低价值）
- LTV预测（生命周期价值）
- 复购潜力预测
- 来源：基于交易数据的模型计算
- 品类偏好：最常购买/浏览的TOP3品类
- 价格偏好：高客单价/中等/低价敏感
- 折扣敏感度：折扣订单占比高低
- 上新偏好：是否经常购买新品
标签体系建设步骤
4. 理解
用户画像的核心不是技术问题，而是业务问题。
建100个标签不难，难的是让运营团队愿意用、会用、用好这些标签。
标签体系的价值不在于多，而在于每一个标签都能指导一个具体的运营动作。
5. 内化
好的标签体系 = 覆盖业务场景 + 数据可准确获取 + 运营可以直接使用
不要为了建标签而建标签。先问运营：你们现在做运营决策，需要知道用户的哪些信息？
从这些需求出发建标签，比从数据出发建标签高效10倍。
6. 类比
标签体系就像图书馆的图书分类系统：
- 基础属性标签 = 图书的基本信息（书名、作者、出版社）
- 行为标签 = 借阅记录（谁借过、借了多少次、多久还）
- 价值标签 = 图书的热度评级（热门/冷门）
- 偏好标签 = 读者的阅读偏好（喜欢科幻还是言情）
图书馆的图书分类是为了让读者能快速找到想看的书，
用户标签是为了让运营能快速找到想触达的用户。
7. 迁移
标签体系的构建方法可以迁移到：
- 商品标签体系：品类+风格+价格带+生命周期（新品/爆款/清仓）
- 内容标签体系：类型+风格+时长+质量评分
- 渠道标签体系：渠道类型+获客成本+用户质量
8. 实践
电商用户标签体系的快速搭建步骤：
9. 调整
常见错误【错题本】：
- 标签体系一次性做得太大太细，建了100多个标签，但运营用不上
- 标签没有定期更新。用户的行为偏好是会变的，上个月喜欢吃零食这个月可能改买生鲜
- 标签冲突时没有优先级规则。如"高价值"和"沉睡"同时出现，哪个优先？
- 标签命名不规范。运营看不懂"purchase_avg_30d"是什么意思，要用"近30天平均客单价"
10. 成事
好的标签体系能让运营效率提升数倍：
- 新品上市，直接筛选"偏好该品类+高价值+不敏感折扣"的用户推送
- 大促活动，直接筛选"敏感折扣+活跃"的用户发放优惠券
- 不做全量推送，而是精准触达，ROI能提升50%以上