标签分类的三种方式：按用途、按统计方式和按时效分类

按统计方式分类的标签可分为事实类标签、规则类标签、预测类标签。与按用途分类不同的是，按统计方式分类的3类标签通常面向研发人员，意指标签是按何种方式计算而来，其复杂程度、产研成本由低至高。

1) 事实类标签

事实类标签是用户画像最基础、最常见的标签，通常是基于原始数据清理后的归类，用于描述客观事实。例如，姓名、会员等级、终端类型、购买次数、购买金额等。

2) 规则类标签

规则类标签，顾名思义，是基于确定的规则而产生。与事实类标签不同的是，规则类标签拥有更多的业务属性，其业务规则需与业务人员共同制定。例如，将“活跃用户”标签可定义为，“过去30天发生a行为x次”&“过去30天发生b行为x次”，进行综合评定。

① 用户活跃度标签

实际业务场景中会涉及根据用户的活跃情况，给用户贴上高活跃、中活跃、低活跃、流失等标签。那这个过程中高中低活跃度对应的时间范围是如何划分的呢？

在这里，靠拍脑门可行不通，标签讲究定义有依据、建设有方法。

首先划分用户的流失周期，运用拐点理论：X轴上数值的增加会带来Y轴数值大幅增益（减益），直到超过某个点之后，当X增加时Y的数据增益（减益）大幅下降，即经济学里面的边际收益的大幅减少，那个点就是图表中的“拐点”。

比如图中流失周期增加到5周的时候，用户回访率的缩减速度明显下降，所以这里的5周就是拐点。

我们可以用5周作为定义用户流失的期限，即一个之前访问/登录过的用户，如果之后连续5周都没有访问/登录，则定义该用户流失。划分完流失周期之后，初期可根据根据四分位数，将用户的活跃情况划分为高中低，后期根据数据情况更新规则。

② 四分位数

也称为四分位点，是指在统计学中把所有数值从小到大排列并分为四等分，处于三个分割点位置的数值。

如历史数据，选择近1个月访问APP次数在0-8之间，则取3/4分位点为6、1/4分位点为2。

③ RFM标签

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：最近一次消费时间、消费频率、消费金额。

我们在设计RFM标签时，可根据二八定律来进行标签分级。

④ 二八定律

二八定律又名80/20定律、帕累托法则，它是在19世纪末由意大利经济学家帕累托发现的。

帕累托认为，在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的。给一个公司带来80%利润的是20%的客户，按照这个原则，如果能把这20%的客户找出来，提供更好的服务，这对于公司的发展和业绩增长起到至关重要的作用。

客户类型可划分为：

3) 预测类标签

预测类标签，基于现有事实及规则无法得出，需要运用决策树算法、贝叶斯算法等进行数据挖掘与训练，得出标签预测结果。

预测类标签复杂度高、开发周期长、开发成本高，且需要算法工程师参与，通常此类标签的占比较少。

按时效分类，可分为静态标签、动态标签，方便业务人员在需求提出时做好时间维度的限制，同时方便开发人员在标签更新时，设置静态标签的更新时间更长，提升数据产出效率。

1）静态标签

静态标签通常用于描述固有属性，不随时间的变化而改变，如性别、身高、体重等。

2）动态标签

动态标签需要动态更新，来保持标签的有效性，如近7天购买次数、近30天加购次数等。

随着标签的增多，当标签数量发展到成百上千量级时，业务方要从中找一个标签就会十分困难。所以标签在建设初期就需要进行分级分类的管理，就像整理电脑文件夹一般，分类清晰的标签更便于查询使用。

标签常用的分级结构为：一级标签、二级标签、三级标签、四级……逐级往下分。

注意：建设初期要注意的是层级不必生搬硬套、划分过细，根据标签建设实际情况划分即可。如果公司只有几十个标签，则划分至二级足矣，过细反而累赘。