标签可以作为个性化推荐算法的一部分输入，用户标签体系可以在个性化推荐中起到关键作用。

以电商业务场景为例，我们可以将用户路径划分为6个环节：闲逛-搜索-比价-购买-晒单-分享。每个环节中推荐商品的策略都有所不同，需要有用户标签才能实现推荐信息精准触达目标用户。

闲逛，根据用户全网购物偏好标签，为其推荐符合与其偏好一致的跨品类热门商品。

搜索，根据用户在列表页的点击行为、搜索商品的关键词，结合全网购物偏好，为用户生成个性化排序列表页中的商品。

比价，所对比的商品特征和全网购物偏好，推荐用户最有可能购买的商品。

购买，结合用户购物车中的商品，推荐跨品类搭配商品或相关优惠套装。

晒单，晒单后，根据全网购物偏好，结合会员积分和优惠券进行个性化推荐。

分享，快消品，根据复购周期推荐同类商品；耐用品，根据购物偏好推荐关联商品。

整个路径可以描述从用户没有明确的购买需求，到查看相关信息确认购买目标，再通过不同商品的价格对比制定购买决策，获得优惠信息产生加购或者直接购买行为，最后实现用户晒单等分享行为。

业务导向的用户标签体系是自下而上进行构建的，要求企业能从整体出发判断用户当前所处的场景，再设置对应的业务目标，进而确定为了达成业务目标所需要的标签，再去反推该标签是通过何种算法和规则生成的，最后再去反推标签最底层的元数据是什么。

这样基于业务需求或者实际产品来构建的标签体系，更有助于实现业务目标。而不是凭空给用户打了成百上千个标签，却没有实际效果。

协同推荐指电商平台中推荐系统的一种算法，利用某兴趣相投、拥有共同购物需求的群体喜好来推荐用户感兴趣的信息，例如淘宝的“猜你喜欢”。

在垂直应用领域，企业通常根据用户的偏好标签实现用户的兴趣扩散。协同推荐的算法分为两个方面：不同用户之间的关联度、用户和商品之间的关联度。

举个例子，如果我们现在有U1、U2、U3这些用户数据，想要给第N个用户推荐一些合适的商品，这时候我们需要两部分的内容：

•不同用户之间的相似度

•不同用户和不同商品之间的关联度

协同推荐的基本逻辑如下：

•先通过用户标签找到和第N个用户相似的一批用户，即和第N个人打上相同标签的一批人；

•按照蓝色路径计算，U3、U1与Un的相似度分别是0.45和0.3；

•按照红色路径计算，U2、U1与Un的相似度分别是0.4和0.35；

•所有路径的相似度叠加之后，U1、U3、U2与Un的相似度分别是0.55、0.45和0.4；

•由此判定，U1和Un是最相像的。所以，可以把U1买过但是Un还没有买过的商品推荐给Un，Un可能会把它加入购物车。

当第N个用户进入电商平台中，就能通过两方面的计算结果，展示用户最有可能感兴趣的商品。不难发现，协同推荐的关键是算法对用户的不同标签进行加权计算。

RTB（Real Time Bidding）广告，即“实时竞价”广告，其提升了网络广告投放的精准性，广告主要求获得可观的广告投入产出比，媒体平台则需要有足够的用户浏览量作为实现变现的前提。

RTB广告应用标签时描述的就是一个基本广告投放流程：从用户侧访问到媒体的流量侧，然后将广告主的预算发到广告平台上，最终完成广告投放。

上述三个主体在数据交易方面各有利益倾向：广告平台想要保证最大收益；广告主想要保证总体投入的ROI；流量平台想要保证自己的位置能产生足够的流量变现。

•广告主自己的DSP

通常，广告主会构建自己的DSP，即用于网络投放的数据平台，其中保存大量的用户标签。

•第三方DSP

有的广告主会对接第三方的DSP，作为自己数据的一个加值，加值自身所不具备的数据标签。

•免费产品盈利

很多产品可能是免费使用的，但其实本身他就是采集很多数据，再把这些数据加工成标签，再卖给一些广告平台，通过数据变现产生盈利，然后再去支撑前端免费的业务。

三者之间的利益平衡只能通过“在合适的时间，在合适的广告位置，把合适的广告内容，曝光给合适的人”来实现——这就需要投放算法和构建完善的用户标签体系。

银行业是最早开始进行用户标签体系的行业之一，原因有三：一，银行拥有丰富且高质量的用户数据；二，银行在信用卡等业务版块有着非常强烈的营销需求；三，银行有充足的资金委托第三方公司为其进行用户标签体系的建设。

易观方舟服务的该银行，采用的数据包括行业资深行为数据、该银行内的储藏的数据，以及他们在第三方外部采买的一些数据，如征信的数据和运营商的数据，共同形成用户标签体系。

●系统定位

整合行内各渠道用户行为数据、数据仓库数据及行外第三方数据，挖掘用户潜在需求，形成用户画像；针对不同用户画像制定营销规则，将个性化营销策略推送到各电子渠道，支持未来互联网场景化营销。

●核心功能

我们依据实际应用场景，构建了以下核心功能：

  ○ 用户画像：基于用户交易记录和实时行为，形成个性化的客户标签，通过标签的组合，构建出客户的用户画像。

  ○ 个性化精准推荐：基于推荐算法和规则，通过引擎，实时生成个性化推荐建议。

  ○ 模型实验室：对算法模型进行训练和优化。

  ○ 推荐效果评估：通过模型计算，评估推荐效果，识别推荐的有效性与否。

  ○ 权益投放策略管理：依据营销方案，结合产品、服务特征，实现个性化推荐线上权益的投放策略，及投放效果评估。

  ○ 广告投放策略管理：依据营销方案，结合渠道、内容特征，实现个性化推荐线上广告及投放效果评估。

● 解决方案

落实到解决方案层面，我们主要做了三件事情：

a.构建基础性标签，依据客户浏览、购买、持有、赎回、续约等配置资产行为及对应的产品特征不同，分别统计每个理财有效客户在4类近20个产品上的年日均余额及资产占比，统计得出产品三性偏好基础标签。

b.商业建模，基于基础标签进行商业建模，形成流动性、安全性、收益性标签。流动性标签：产品流动性偏好、交易频次、特殊行为(提前赎回理财转让)等；风险性标签：产品风险性偏好、风险信用等；收益性标签：产品收益性偏好、持有时长等。

c.用户分群，按照用户每个标签的“高-中-低”结果进行分类，将客户分为27类，并制定对应的营销策略。

这是构建用户标签体系的基本思路，掌握其方法论就能以不变应万变。因为底层逻辑始终不变，会随环境变化只是数据的来源和标签体系的应用场景。

我们在给某券商做用户标签体系项目的时候，根据客户属性、客户行为、客户价值，生成了14个一级标签；每个一级标签，下分为若干个二级、三级标签……这些标签的数据来源包括一方数据、埋码采集（BDI）数据和第三方数据。

以“网上开户上网特征”举例，基于该一级标签衍生出2个二级标签：“PC端开户上网特征”和“移动端开户上网特征”；每个二级标签继续衍生出上网时长、上网时段、上网频次、终端类型、操作系统、浏览器等三级标签……这类细致、精准的标签非常利于优化券商开户的用户体验。

因为券商的开户与APP注册不同，除了手机号、姓名之外，还要填写大量繁杂的个人信息。很多用户可能填一半的时候就填不下去了，线上客户流失率较高；这时需要利用到用户标签来筛查是哪些用户的流失率较高，他们使用的终端是什么、浏览器是什么、通常在什么时段开户、该时段的服务器是否稳定……我们可以对症下药，对其进行优化迭代，从而优化用户体验。

通过以上案例不难发现，构建一个完整的用户标签体系是比较复杂的，完善的用户画像可能涉及到几百个标签的构建。

但即使面对一套庞大的标签体系建设，我们依然可以通过自下而上的方式，将场景切割成多个细分垂直的标签类目。

通常来说，构建完善的用户画像可能只需要几个月就可以完成，但构建的完成并不是标签体系的终点。用户标签体系有其自身的生命周期，需要企业在几年甚至更长的时间内持续维护用户标签体系，使其能为我们的业务增长不断助力。