用户画像系列（二）用户标签指标体系

用户画像

发布日期: 2021-05-05

更新日期: 2021-05-15

阅读次数:

§1.标签类型

用户画像建模其实就是对用户进行打标签，从对用户打标签的方式来看，一般分为三种类型：
1、基于统计类的标签；
2、基于规则类的标签；
3、基于挖掘类的标签。
下面我们介绍这三种类型标签的区别：

统计类标签：
- 这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出。该类标签构成了用户画像的基础；
规则类标签：
- 该类标签基于用户行为及确定的规则产生。例如对平台上“消费活跃” 用户这一口径的定义为近30天交易次数>=2。在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则确定由运营人员和数据人员共同协商确定；
机器学习挖掘类标签：
- 该类标签通过数据挖掘产生，应用在对用户的某些属性或某些行为进行预测判断。例如根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。

在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，开发中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户性别是男是女，判断用户购买商品偏好、判断用户流失意向等。一般地机器学习标签开发周期较长，耗费开发成本较大，因此其开发所占比例较小。

§2.标签命名方式

标签主题： 用于刻画属于那种类型的标签，如用户属性、用户行为、用户消费、风险控制等多种类型，可用A、 B、 C、 D等字母表示各标签主题；
标签类型： 标签类型可划为分类型和统计型这两种类型，其中分类型用于刻画用户属于哪种类型，如是男是女、是否是会员、是否已流失等标签，统计型标签用于刻画统计用户的某些行为次数，如历史购买金额、优惠券使用次数、近30日登陆次数等标签，这类标签都需要对应一个用户相应行为的权重次数；
**开发方式： **开发方式可分为统计型开发和算法型开发两大开发方式。其中统计型开发可直接从数据仓库中各主题表建模加工而成，算法型开发需要对数据做机器学习的算法处理得到相应的标签；
是否互斥标签： 对应同一级类目下（如一级标签、二级标签），各标签之间的关系是否为互斥，可将标签划分为互斥关系和非互斥关系。例如对于男、女标签就是互斥关系，同一个用户不是被打上男性标签就是女性标签，对于高活跃、中活跃、低活跃标签也是互斥关系；
用户维度：* 用于刻画该标签是打在用户唯一标识（userid）上，还是打在用户使用的设备（cookieid）上*。可用U、 C等字母分别标识userid和cookieid维度。
示例
- 对于用户是男是女这个标签， 标签主题是用户属性， 标签类型属于分类型，开发方式为统计型，为互斥关系， 用户维度为userid。这样给男性用户打上标签“A111U001_001” ，女性用户打上标签“A111U001_002” ，其中“A111U” 为上面介绍的命名方式， “001” 为一级标签的id，后面对于用户属性维度的其他一级标签可用“002” 、“003” 等方式追加命名， “_” 后面的“001” 和“002” 为该一级标签下的标签明细，如果是划分高、中、低活跃用户的，对应一级标签下的明细可划分为“001” 、 “002” 、 “003” 。