有了丰富的指标和标签，才能对用户进行描述。
之所以单独强调用户标签，是因为大量未经分类整理的指标很难用，对业务直接意义不大。标签可以做得很复杂，可以附加业务含义。这些带了业务含义的标签，甚至可以直接组合出业务落地方案，因此非常好用。
用户画像是底座
大量的用户指标与标签，形成了用户画像。用户画像是一个统称，通常一讲用户画像用户画像系统，大家都知道是在说用户的指标与标签问题。用户画像是数据服务业务的底座，有了用户画像才可以进一步地工作。
用户分群是方法
用户分群是用户画像运用的方法，即不把用户视为一个整体，而是从用户特征、行为等方面找差异，划分为不同群体。比如按性别、年龄、城市、消费多少、活跃程度进行划分，分为不同群体。
分群以后，能便于业务更好地识别不同类型的用户，做精细化运营动作。简单的用户分群，可以直接拿用户标签（特别是物理特征）做分类，复杂的分群，则可以用更多数据。用户分层就是一种典型的复杂分群。
用户分层是一种特殊的分群
如果把分群的标准，定为用户价值的高低，这种分群就是用户分层。用户分层不只是简单的分群，而是要区分出价值的高中低，从而更进一步地进行服务。
注意：“价值”本身，可以有很多种定义
1、活跃价值：用户在平台登录次数多，活跃时间长
2、转介绍价值：用户会转介绍很多次，带来很多新用户
3、历史消费价值：用户历史上累计消费很多钱
4、未来消费价值：用户未来会消费很多钱
因此讨论分层前，首先要搞清楚分层的标准，该用何指标定义。
定义指标以后，就可以着手进行层次划分了。很多同学会纠结到底分界线定在哪里合适。定分界线的原则是：
1、分层后，各层级有明显区分度（10%或更多）
2、分界限本身简单清晰，容易辨识
3、分层后，每个群体的规模足够大，有价值做
只要符合这三个标准的，都是好分层。
另一个分层的注意事项是：要区分历史行为和未来行为。很多同学做分层，就只知道拿历史消费，历史活跃数据。这样是有风险的，因为历史消费高不见得意味着未来消费高，特别是这种历史消费高峰是在促销期，或者买耐用品买出来的。这时候用户是很少有未来消费需求的。拿历史消费记录排个序，就说：这是我的高价值用户 or 这是我的优质用户，很可能在未来被打脸。
所以历史消费与未来消费之间的关系需要验证一下，如果不直接挂钩，可以试着从用户特征等方面进行区分。
明着分/暗着分
注意，用户分层有明分和暗分两种，明分，即向用户公开分群规则，比如1年内消费满1万成为金卡，金卡用户可以享受3888入会大礼包和9折购物优惠。
暗分，即内部设定好标准，比如A类用户促销敏感度低，B类用户促销敏感度高，之后在抽奖的时候，不给A类用户中奖，只给B类用户中奖。明分和暗分，在业务上、数据上，会产生明显的效果差异，所以在实操的时候一定要分清楚。
明着分用户画像系统，能直接拉动用户消费，促使用户升级。只要给的奖励够吸引，你可以看到一个普通用户一夜之间变成VVVIP。因此如果要公布分群规则，最好直接把这种分群当成促销活动。考核额外给到的资源、新拉动的消费数量，评估分群效果。
注意，这么做也是有限制的。
1、分群规则不能复杂，否则用户看不懂，一切白搭。
2、分群奖励门槛要高，否则躺着进来的人太多，成本会爆炸
3、分群奖励要够给力，否则没人为三瓜俩枣掏腰包
4、身份认证要做好，否则几个用户凑一张金卡薅羊毛也是常事
5、奖励重叠要控制，避免金卡优惠和其他优惠重叠太多，成本失控
暗着分，其实就是大数据杀熟，暗搓搓地搞价格歧视。暗着分在控制成本、拉动运营指标上比明着分更有效果。
比如运营部门发现最近转化率降了，如果直接搞大促销，有相当大一部分成本是被原本就会消费的用户薅走的，那么可以通过复杂的内部规则（或者干脆训练购买预测模型），找到更大概率不会自然消费的用户，只针对他们投。这样暗箱操作，可以让成本更少，指标提升效果更明显。
不过这样做也有前提条件：
1、有封闭信息，直接推送给用户个人的APP/小程序
2、用户的活跃度得高，得有能力接收到信息
3、下单时间有限制，避免用户多平台比价/更换账号比价
而且，一般暗搓搓地给优惠，没法直接丢3888大礼包，也不方便直接收用户1万元。意味着这种暗搓搓做法不太适合做消费量，更适合打转化率，让用户小花几笔钱，先下两单。
但是这样也有问题，就是转化低用户活，跃率很有可能也不高，如果用户不活跃，是收不到推送信息的，后边的分层推送也就没机会了。所以还是需要有一些大规模的宣传/促销做支持，先解决活跃问题再说。
那用户分层和推荐系统又是啥关系？
看到这里，肯定有同学会联想：那推荐系统和用户分层又有啥区别？不都是推个东西给用户吗？
虽然都是推个东西，但是解决的业务问题不一样：
推荐系统解决的是降低用户搜索难度，不用搜海量商品的问题。
用户分层解决的是拉动用户消费，提升用户活跃的问题。
很多公司的SKU就一二百款，产品线就5、6个，即使搞推荐系统，搞来搞去也就那几款。而电商/短视频平台的SKU动辄以亿为单位，所以必须得搞推荐，不然咋展示呀。而即使只有1个SKU，用户也有高中低消费的区别，也能结合用户画像，找到谁是我的高端消费者。所以用户分群和分层应用范围比推荐系统大很多，只要是个公司都可以用。
知识星球历史已上传相关资料概览：
用户画像、标签体系等相关资料概览，已同步到知识星球存储供下载，不断更新中；
需要源文件的朋友可以公众号后台回复：报告
以上为用户画像、标签体系等相关资料概览，已同步到知识星球存储供下载，不断更新中；
报告已同步至知识星球，需要源文件请公众号后台回复：报告
