周宏明/文
单个渠道来源获得的某个用户的信息具有一些随机性、偶然性，如果假以时日，积累了较大量的用户信息，价值就慢慢显现出来。那么，你也许会问，这么多来源，这么多维度，这么多品种的数据，哪些才是最关键，最值得重视的呢？
有了一定量的用户数据之后，只是完成了第一步工作，我们需要进一步地对数据进行分析研究，得到用户画像之后，才算完成1CM阶段的任务。
我们建议，对用户数据进行分类打标签，对每一个用户都进行形象的标签化。
我们认为，标签是某一类用户特征的符号表达，每个标签都规定了我们观察、认识和描述用户的一个角度，通过标签对用户进行细分，识别用户的额兴趣爱好、购物偏好等特征，当然，用户画像是一个整体，各个维度不孤立，标签之间有联系，可转化。
面对纷繁复杂的原始数据，我们要通过分类和打标签的形式去解读用户。
一般来看，有四类标签是可以指导实践的。
四类标签
⊙人口属性标签，用户的性别、年龄、行业、活动领域等
⊙消费指标标签，是否有小孩，是否有宠物，喜欢参加什么类型的聚会等
⊙业务标签，会员价值高还是低，会员卡级别是金卡还是银卡
⊙营销标签，喜爱什么风格，感兴趣的款式是什么，消费档次处于低中高等
打标签的方法有很多，其目标就在于利用多种建模方式构建消费者标签，核心模型为消费偏好分析模型。
一个行之有效的方法是将商品或者品牌标签反打到消费者，根据消费者每次消费行为积累不同标签权重，依赖权重进行标签标定，动态生成精准的用户标签。
若某个用户在消费某品牌商品超过N元，或者在某品牌商品前停留了超过20分钟，就可以归纳出他的特征偏好、品牌偏好和相应的消费档次来。
我们看到的比较常规的方式是把整体用户群体，按照年龄、性别、地域、收入水平等显而易见的标签进行分类，这叫人口属性标签，这样的做法在一定意义上能够对用户画像提供更加准确的参考，但对于洞察用户的实际需求和向用户推荐产品或服务的核心价值并无多少助力。
还有一种常见的方式，是业务标签，是根据用户过去的付费水平进行分类，比如付费超过一定额度，就可以视为VIP，在后续的服务中享受优惠折扣或额外服务，这一方式在金融、电信、航空等公共领域运用得特别普遍。
可以说，在老客户运营和维护方面收到一些效果，但是，整体而言，这样的做法简单粗暴了些，客户过去的付费能力并不等于未来的付费意愿，在针对VIP客户的服务上，投入更多、成本更高，却因为折扣优惠而收费更低，相应的成本很可能是转嫁在新客户身上，因此，在新客户挖掘方面常常显得力不从心，其原因正在于此。
通过充分利用互联网的工具，结合产品和服务的核心内容，按照用户的兴趣点分成不同的社群，使这些社群中的用户能够相互交流、相互影响，这样的分类涉及到消费指标标签和营销标签，明确这两点才是最具有价值的。
比如，做户外用品的品牌商，按照不同的旅游方式，把客户区分为“自驾游”“穷游”“跟团游”；按照不同的旅游目的地，分成“国内游”“日韩旅行”“欧美旅行”等各种分类方式，在不同的社群中实时推送相关的旅游路线和价格信息，鼓励社群中的用户实时交流和相互交流，根据不同的出行需求，可以实时植入不同的户外产品信息。
又如，做减肥健康的品牌商，可以按照客户的偏好，建立“跑步”“健身”“美食”“营养”等为标签的社群，这些标签都指向健身减肥和体重管理，平时在群里推荐的都是相关的科学知识，再将自身的品牌理念和产品信息巧妙植入，可以起到潜移默化的宣传作用。
我们建议以用户的兴趣点为维度对用户进行分类，这种方式并非以过去看到的用户的某个特质来简单分类，而是基于兴趣与需求是可以相互转化的这一点，对用户兴趣点得把握，其实就是把握住了用户未来的潜在需求方向，把握住了用户未来的购买力。
我们建议这样的社群应该是开放和透明的，要按照社群运营的思路来做，鼓励用户之间、好友之间实时互动和交流，更重要的不是转化率，而是社群得活跃度。
运用打标签的办法，我们可以掌握用户的精准画像。
比如，通过上述标签综合分析，我们可以拥有这样得用户画像：李女士，36岁，金融行业，活跃于北京朝阳区，有小孩，无宠物，常参加商务高端聚会，金卡会员，高价值会员，喜爱英伦风，对时尚短靴和平底单鞋感兴趣，属于高消费档次人群。
又如，张先生，32岁，互联网行业，活跃于杭州城西银泰，最近三个月在京东消费超过20000元，已婚，有小孩，追求时尚品牌，喜好数码产品，对手表和西装感兴趣，属于中高档消费人群。有了这些信息，对于精准营销和需求挖掘，就有很扎实的数据基础。
【欢迎索取「用户力提升项目导引白皮书」（公众号即可获取），一起加入成功提升用户力的研究列队中】
我们认为，1CM搜集和分类的用户数据，是任何一个品牌企业必须要构建完成的基础设施。
更进一步，在品牌企业内部要将数据汇总在一个综合的数据管理平台上，要满足三个要求：
一是，用户数据模块化，实现接口、部件、子系统、整体架构的全方位标准化和模块化，达到基础设施高利用率、低消耗、易于管理的目标；
二是，用户数据要有效整合，借助数据智能化项目推进，打破各个业务部门、各级经营部门数据使用的瓶颈，在决策层实现最大限度的数据共享；
三是，架构升级扩展。扩展现有平台的HADOOP+HIVE架构，Hadoop是一个能够对大量数据进行分布式处理的软件框架，以一种可靠、高效、可伸缩的方式进行数据处理，Hive是建立在 Hadoop 上的数据仓库基础构架，这种组合架构提供了一系列的工具，用来进行数据存储、查询和分析，增加数据流式计算和实时处理的能力。
同时，结合标签化的用户分类，我们还可以根据用户的活跃度，设计不同的营销方法，实现所谓的“千人千面”。
我们建议，在用户活跃期，促销力度可以稍微低一点，以会员专享和积分兑换等方式，提醒会员福利；在用户静默期，促销力度可以中等，以会员专属优惠，全年微折扣优惠券等，增加客户粘性；在用户沉睡期，采用较高的促销力度，以双倍会员积分促销，低门槛提升转化，实现用户叫醒，激活生命周期。在我们掌握足够多用户标签化信息之后，对于用户的消费偏好能够大致把握住，就可以进行精准营销的动作了。
图/来自网络
閱讀更多 小數據研究中心 的文章
