1、为什么需要用户标签
我们将数字化营销分为四大模型：数字化识别与洞察、数字化触达与连接、数字化沟通与互动、数字化转化与激励，其中的核心是识别与洞察用户，洞察用户的方式是将用户在全旅程的营销过程数据标签化，形成用户画像，精准的找到营销的目标人群，实现精准转化，用户标签维度的丰富度将决定对用户洞察的深度。

2、用户标签是怎样的
1）按业务分类：共10大类，人口属性、位置属性、设备属性、客户属性、会员属性、行为属性、消费属性、活动属性、内容属性和社交属性；

2）按照开发复杂度来分类：基础标签、统计标签和算法标签
基础标签：不用做任何计算，直接赋值的标签，比如年龄、性别、学历等；
统计标签：需要进行简单的统计计算的标签，如近7天访问次数、近30天阅读次数等；
算法标签：统计机器学习算法进行模型训练输出的模型类标签，如线索评级、车型偏好等

3）按照数据源来分类：一方数据生成的为一方标签、二方数据生成的为二方标签、三方数据生成的为三方标签；
一方标签：主要以车企自有业务系统产生的业务数据来生产标签，比如用户中心主要加工用户基本信息相关标签，APP主要加工行为属性相关标签等；
二方标签：主要是将广告投放后产生投放数据、点击数据、效果数据进行标签化，将公域投放的数据和私域运营的数据打通；
三方标签：主要是外部合作的数据源进行标签化，一般外部主要是在合规情况下进行数据共享或者联合建模，以补充用户其他维度的标签来丰富用户滑行，以达到更精准转化的目的；

3、怎么开发用户标签
根据开发复杂度划分的基础标签、统计标签和算法标签分别对应底层不同的技术架构，主要分为非算法类开发方式和算法类开发方式。

1）非算法类开发方式：
主要利用大数据平台进行开发，包含数据集成、数仓建模、数据开发、聚合标签宽表、标签输出
数据集成：主要是通过数据同步工具，将一方、二方和三方数据同步到大数据平台；
数仓建模：通过维度建模方法进行数仓分层建模，形成ODS、DWD、DWS、ADS层
数据开发：根据标签的业务过程，拆解原子指标、计算方法（求和、平均）和修饰词（时间窗口），通过SQL脚本进行开发；
聚合标签宽表：各个维度标签进行聚合形成用户标签宽表；
标签输出：标签宽表输出后服务化，对外提供使用；

2）算法类开发方式：
主要利用机器学习平台进行开发，包含业务理解、样本定义、数据准备、特征工程、模型训练、模型评估、模型部署；

业务理解：主要是定义模型要解决的业务问题，确定模型要达到的目标；
数据理解：系统的探索模型相关的源数据，结合业务梳理相关数据口径，形成对数据的全面认知；
数据准备：主要是数据EDA（探索性数据分析）工作，主要包含查看数据分布、缺失率分析等；
特征工程：特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限；
模型训练：根据相关算法使用样本进行模型训练，常用算法有分类（逻辑回归、决策数等）、聚类（kmeans、支持向量机）等；
模型评估：主要是用相关指标来评估模型好坏，如精确率、召回率、AUC等；
模型部署：将模型服务化，通过输入需要的数据后直接输出模型结果；

4、怎么应用用户标签
用户标签形成对用户的完整画像，主要应用在精准营销场景，这也是数字化营销的价值所在，如下图精准营销的场景，通过在什么时间、什么渠道、给什么人群、推什么权益来为用户提供更好的营销体验，从而实现车企的营销增长。

作者：赵松，微信公众号：松果子聊数字化，数跑科技营销增长平台产品线负责人、阿里云大数据MVP，前阿里影业数据产品专家，7年数字化从业经历。