编辑指南：用户画像、画像标签和用户分组。做操作的学生必须熟悉这些术语。乍一看，这三个名字似乎都在说同一件事，但它们之间有什么具体的区别呢？作者对此进行了分析，让我们来看看。
数据运营时代，运营模式由粗放式向精细化转变。用户画像大行其道，他们不好意思说自己不搞用户画像就是在做精细操作。各种用户画像标签系统的构建，教你从0到1构建用户画像等文章广为流传。前几天听到有同学策划CDP平台，以为人像就是标签，标签就是人像，用户人像和用户分组是同一个主题的不同名称。设计产品架构时，界限不清，功能交错。所以我觉得应该回到最基本的问题上来，把这些概念说清楚。
# 1.用户画像。
用户画像的概念并不新鲜，即使是在互联网时代之前。交互设计之父AlanCooper最早提出了：“人物角色是一个具象”。
目标用户的表示。“意味着真实用户可以由一系列属性数据建立的目标用户模型来表示。
从概念上可以看出，用户画像是对用户特征的抽象概括。比如我想知道购买北京环球度假区的用户有哪些特点，这样他们在产品设计、营销策略、广告投放等方面才能更精准。就像两个人谈恋爱一样，只有了解对方的脾气、性格和饮食习惯，才能愉快地相处。用户画像是高度抽象聚合的结果，应该用于数据分析和决策。它可以分为个人肖像和团体肖像。
个人画像主要用于客服场景，帮助客服人员快速掌握咨询师特点，灵活调整演讲技巧，提高一次性服务解决率。随着《个人信息保护法》的实施，个人肖像的数据安全变得越来越重要。群像是指某类用户群的人像特征分布，如微信官方账号中微信用户的年龄分布。是Z时代多还是80年代多？
# 2.图片标签。
它用于勾勒用户画像的特征尺寸。当你的团队有了新同学，你会从哪些维度快速了解他们？家乡、年龄、单身/已婚、工作经历、爱好等。例如，在用户肖像标签中有一个生命周期标签。根据业务特征或算法挖掘，任务最后一次放置是180多天前，定义为流失用户。而数据标签是最后一次下单，或者最后一次下单。一般来说，人像标签是通过对数据标签进行分析处理而形成的更抽象、更容易理解的复合标签。
根据标签数据的特点和不同的处理方法，人像标签可以分为：
可通过数据统计分析直接获得的统计类标签:指标，如累计消费金额，0-100，100-300，300-500。
规则类标签:通过业务规则将统计值转化为更直观的标签值，例如，高频消费用户定义为过去6个月消费订单超过5个的用户。
算法预测类标签:统计数据不能直接获得，需要通过数据挖掘算法获得。例如，用户价格敏感度标签需要通过一系列统计算法和机器学习预测算法来获得。
#三。标签系统。
标签本质上也是一个评价指标，但在维度上更为细致，一般是用户维度或商品资源维度的标签。比如最近30天的订单数就是一个指标，从宏观到微观，都是，业务线，流量入口，品类，商品，用户。即标签体系强调单个用户或单个商品的指数值。
标签体系是结合业务场景构建的标签分类，如初级分类：基本属性、行为属性、营销属性、风险控制属性等。然后逐级拆分和丰富它们。标签系统应该易于扩展，并且易于理解和使用。标签系统比人像标签更全面、丰富，利用基础标签获取人像标签也是标签系统的输入。与肖像标签中预设标签值的规则相比，数据标签具有更高的灵活性和更强的人群圈层和分层能力。
#四。用户分组。
用户分组是指根据具体情况选择目标用户，进行洞察分析，查看用户特征，或者直接操作触摸这些用户。用户分组取决于标签资产(索引标签纵向标签)。比如召回流失用户，根据上次访问时间在180天以上，历史订单数小于等于1的情况筛选出目标用户。然后利用短信、推送等营销手段达成召回策略。用户分组的输入是标签，输出是用户集合，应用场景主要是精细化操作。
# 5.用户洞察。
用户洞察是分析目标用户群体的特征，例如，查看用户的画像特征，以便在一项活动中对用户进行排序。或者针对运营活动中的不同人群，进行对比分析，判断不同标签筛选出的用户在转化效果上的差异，调整下一步的运营策略。用户洞察的输入是人群，输出是人群的画像特征。
#六。用户画像、画像标签、标签系统与用户分组的关系。
根据上述定义，将这些名称之间的关系整理如下：
img src='https://p26.toutiaoimg.com/large/pgc-image/SjLhnHC23gqYiW' alt='用户画像、画像标签、用户分群是一回事吗？' />通过对用户属性数据、行为数据、交易数据、商品数据等多种数据源的采集，形成数据标签体系。标签体系可继续按照业务规则的抽象和标签值的处理，形成画像标签。也可以直接当作筛选条件用于CDP平台的人群圈选。
画像标签是经过抽象化的数据标签，可用于用户个人画像、群体画像分析，也可作为用户圈选的标签条件。
用户分群的用户筛选条件可以来自于数据标签和画像标签，应用场景包括：人群画像分析、精细化运营和精准营销。
# 七、小结
用户画像、画像标签、用户分群这些概念单独都很简单容易理解，但是放到一起后，你能准确区分它们之间的关系和边界吗?了解它们之间的差异点，在数据化运营应用或数据产品设计时，才会更加的清晰。
## #专栏作家#
数据干饭人，微信号公众号：数据干饭人，人人都是产品经理专栏作家。专注数据中台产品领域，覆盖开发套件，数据资产与数据治理，BI与数据可视化，精准营销平台等数据产品。擅长大数据解决方案规划与产品方案设计。
本文原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议
