在运营工作中，我们经常需要做好用户标签设计，优化用户画像，以更好地服务平台和业务运营，这篇文章里，作者就结合实际案例，针对用户标签设计等问题进行了示例总结，一起来看。

源起

房产频道内页对于平台效果广告贡献虽然多，但仍然有些保量任务消耗不完。

同时平台频道内页对于目标用户的留存活跃有所依赖，提供更多的留资转化用以增强广告主对平台的信心。

通过两方面着手：

1. 优化现有用户画像；
2. 搭建平台内的资源位系统，推荐目标人群合适的楼盘。

一、优化现有用户画像

从房产购房的目标用户群入手，调研线上用户购房目标预期，然后细拆不同目标用户类型，用以推荐相关楼盘信息。其实从新闻的视角我们可以获取较为全面的用户标签，然而，从定义实际的房产垂类来说，仍然存在一定的gap造成短时间内不能快速的获取目标用户类型。也因此造成了需要详细落地的方案带动标签精准度。

从目标用户入手，大类画像可以分为：养老、自助\刚需上车、投资、落户。商品就可以按照这几类大的范围去推送排序。

从以下几个维度区分不同的画像群体：户型、城际交通、小学教育资源、附近商圈、医疗配套、生活配套、2km地铁。

二、搭建用户侧标签

接下来是用户侧的数据准备，完整的应当包含：事实行为（事件事实标签）、总体特征（计算标签）、特征（特征预测标签）。

事实行为——客观量化的标签信息，即用户/商户/地标/物品 在“真实世界”中，所产生的数据，比如，A用户在昨天16:44进入房产频道页申请了去看房的资源。在这条记录信息中：

• 用户浏览
• 用户搜索
• 用户是否留资
• 城市天气
• 交通路况

都可以拆解到更细粒度的标签。

总体特征——在某个时间段中，用户/商户/地标/物品的 “总体数量” ，即经过特定计算加工后的结果值。通常是由一些条件限制得出来的结论。比如：统计在过去7天浏览地铁房的用户量；

• 近７天下单次数的总和 （统计方式：总和）
• 近７天下单最后一次的品类 (统计方式：最后归因)
• 近30天 城市温度的平均值　（统计方式：平均）

标签——用户/商户/地标/物品 所具备的”特征”，即经过规则、模型分析后的推测。比如：对老破小改造的视频感兴趣的用户：

• 用户浏览户型偏好
• 用户收藏喜好

以上三类标签，在不同场景使用频率不同，一般来说，能够高频被各类场景调用最多的是特征预测标签，无论资源位、推荐流都会用来实时给用户即时的反馈；而计算标签主要使用在投放广告、资源位、促活等运营策略当中，用以盘活线上可能参与的活跃用户；最后的事实标签主要依赖对线上用户的总分布特征、分析平台服务的全量用户分布。

三、用户标签系统示例

展示一份从用户画像当中提取的基础标签信息——聚类用户标签的维度。