大資料助力企業營銷的核心在於：在「合適的時間」，基於對使用者的瞭解，把你希望推送的東西通過「合適的載體」，以「合適的方式」，推送給「合適的人」。

一：什麼是標籤體系

說到客戶標籤，不得不說使用者畫像。使用者畫像，有個類似的概念叫「受眾定向」。“使用者畫像”既有人口屬性、生活狀態這些基本靜態資訊，又包括使用者“最近要不要旅遊”、“準備買多少錢的車”這樣能驅動直接效果的動態資訊。從這層意思來看，用“受眾定向”更加準確。

客戶標籤簡單說就是你把使用者分到多少個類裡面去。一個客戶標籤通常是一個或多個客戶特徵的集合。這些類都是什麼，彼此之間有何聯絡，就構成了標籤體系。

二：標籤系統組成

標籤系統可以分為三個部分：

A：資料加工層

B：資料服務層

C：資料應用層

每個層面面向使用者物件不一樣，處理事務有所不同。層級越往下，與業務的耦合度就越小。層級越往上，業務關聯性就越強。

資料加工層。多個產品線採集資料，為了搭建完善的使用者標籤體系，需要儘可能彙總最大範圍內的資料。同時每個產品線的也要集合所有端的資料，比如： App ， web ，微信，其它第三方合作渠道。收集了所有資料之後，需要經過清洗：去重，去刷單資料，去無效資料，去異常資料等等。然後再是提取特徵資料，這部分就要根據產品和運營人員提的業務資料要求來做就好。

資料業務層。資料加工層為業務層提供最基礎資料能力，提供資料原材料。業務層屬於公共資源層，並不歸屬某個產品或業務線。它主要用來維護整個標籤體系，集中在一個地方來進行管理。

資料應用層。應用層的任務是賦予產品和運營人員標籤的工具能力，聚合業務資料，提供資料應用服務。應用場景：精準化營銷、個性化推送。

三：標籤模型設計

1、按「資料實效性維度」分類

A：靜態屬性標籤

長期甚至永遠都不會發生改變。比如性別，出生日期。

B：動態屬性標籤

存在有效期，需要定期地更新，保證標籤的有效性。比如使用者的購買力，使用者的活躍情況。

2、按「資料提取維度」分類

A：事實標籤

既定事實，從原始資料中提取。比如通過使用者設定獲取性別，通過實名認證獲取生日，星座等資訊。可以通過使用者行為直接獲取，比如：使用者在網站或者APP上主動填寫的資料，嚴格一些平臺會要求客戶上傳身份證、學生證、駕駛證等，這樣的資料準確性較高。

B：模型標籤

沒有對應資料，需要定義規則，建立模型來計算得出標籤例項。比如支付偏好度。通過一系列的演算法或者規則挖掘得到。比如：一個使用者最近開始購買母嬰類商品，奶粉尿布等，那麼可以根據客戶購買的頻次和數量，結合客戶的年齡、性別推斷是否為新媽媽/爸爸。

C：預測標籤

參考已有事實資料，來預測使用者的行為或偏好。比如使用者a的歷史購物行為與群體A相似，使用協同過濾演算法，預測使用者a也會喜歡某件物品

模型標籤的定義解決的就是從無到有的問題。建立模型，計算使用者相應屬性匹配度。現實中，事實標籤也存在資料缺失情況。比如使用者性別未知，但是可以根據使用者瀏覽商品，購買商品的歷史行為來計算性別偏好度。當用戶購買的女性化妝品和內衣較多，偏好值趨近於性別女，即可以推斷使用者性別為女。

四：應用場景

A：分類統計 簡單來說，藉助使用者畫像的資訊標籤，可以計算出諸如“喜歡某類東西的人有多少”、“處在 25 到 30 歲年齡段的女性使用者佔多少”等等。

B：精準化營銷 以資料為基礎，建立使用者畫像，利用標籤，讓系統進行智慧分組，獲得不同型別的目標使用者群，針對每一個群體策劃並推送針對性的營銷。

C：相關資料探勘 在使用者畫像資料的基礎上，通過關聯規則計算，可以由 A 可以聯想到 B 。