数据化运营时代，运营方式从过去粗放式转向精细化。用户画像受到热宠，不搞用户画像都不好意思说在做精细化运营了。各种用户画像标签体系建设、从0到1教你构建用户画像之类的文章广泛传播。前几天听到有同学在规划CDP平台时，认为画像即标签，标签就是画像，用户画像和用户分群是同一主体的不同叫法，产品架构设计时，边界不清，功能交错。于是，觉得还是要回归到最基本的问题，把这几个概念厘清一下。
一、用户画像
用户画像的概念并不新，甚至在互联网时代之前就已经出现了，最早由交互设计之父AlanCooper 提出:“Personasare a concrete representation of target users.”是指真实的用户可以用一系列的属性数据建立的目标用户模型来代表。
从概念可以看出，用户画像用户特征的抽象概括，例如，我想知道购买了北京环球度假区的用户有什么特征，这样在产品设计、营销策略、广告投放时，可以更加精准。就像两个人谈恋爱，只有了解了对方的脾气、性格、饮食习惯，才能投其所好、避其锋芒，愉快地相处。用户画像是高度抽象聚合后的结果，一般应该于数据分析、辅助决策。可以分为个体画像、群体画像。
个体画像主要应用于客服场景，帮助客服人员快速掌握咨询者特征以灵活调整话术，提升服务一次性解决率。随着个人信息保护法的实施，个体画像的数据安全问题也越发重要。群体画像是指某一类用户群体的画像特征分布，如微信公众号用户年龄分布，是Z时代多，还是80后更多呢?
二、画像标签
用来勾勒用户画像的特征维度，当你的团队有新同学加入时，你会从哪些维度去快速了解他呢?家乡、年龄、单身/已婚、工作履历、兴趣爱好等。举个例子，用户画像标签中有一个生命周期的标签，根据业务特点或算法挖掘，任务最近一次下单时间距今180天以上，即定义为流失用户。而数据标签则是最近一次下单时间，或最近一次下单距今时长。一般认为，画像标签是由数据标签经过分析、加工处理，形成的更加抽象、易于理解的复合标签。
按照标签数据的特征以及处理方式的不同，画像标签可以分为：
统计类标签：可以直接通过数据统计分析得到的指标，如累计消费金额，0-100，100-300,300-500
规则类标签：将统计值进行业务规则的转换，形成更加直观的标签值，例如：高频消费用户，定义为近半年消费订单数超过5单。
算法预测类标签：统计数据无法直接得出，需要借助于数据挖掘算法得出，例如用户价格敏感度标签，需要利用一系列的统计算法、机器学习预测算法得出。
三、标签体系
标签的本质也是一个评价指标，但是在维度上更细，一般是用户维度或商品资源维度的标签，例如近30天订单数是一个指标，从宏观到微观一次是：全部、业务线、流量入口、品类、商品、用户。即标签体系更强调单个用户或商品个体的指标数值。
标签体系是结合业务场景构建的标签分类，如一级分类：基础属性、行为属性、营销属性、风控属性等，再进行逐层级的拆分和丰富。标签体系一是要便于扩展，二是要便于理解和使用。标签体系比画像标签更全面、丰富，利用基础标签得到画像标签也是标签体系的输入。相比较画像标签预设了标签值的规则，数据标签的灵活性更高，具有更加强大的人群圈选分层能力。
四、用户分群
用户分群是指按照特定的条件选出目标用户，进行洞察分析查看用户特征，或者直接对这些用户进行运营触达。用户分群依赖于标签资产(指标类标签+画像标签)，例如，对流失用户进行召回，按照：末次访问时间距今180天以上、历史订单数小于等于1等条件筛选出目标用户，再利用短信、Push推送等营销手段进行召回策略的触达。用户分群的输入是标签，输出是用户集合，应用场景以精细化运营为主。
五、用户洞察
用户洞察是针对目标用户群体进行特征分析，例如，针对某次活动的下单用户，查看用户的画像特征。或者针对运营活动的不同人群，进行对比分析，判断不同标签筛选出来的用户在转化效果上的差异，调整下一次运营策略。用户洞察的输入是人群，输出是群体的画像特征。
六、用户画像、画像标签、标签体系、用户分群的关系
根据上述定义，梳理这几个名称之间的关系如下图：
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。
