01 互联网医疗健康标签

通过收集用户不同维度方向的数据，进而对用户在不同维度的特征进行分析、统计，挖掘和洞察有价值的信息。在互联网医疗健康领域，用户关注购买的健康商品，获取用户基本信息数据，消费行为习惯，健康习惯。

02 标签类型

• 基础属性：性别、年龄、地域、设备等
• 行为属性：用户使用产品的日常行为和关键行为
• 商业属性：用户在产品上的当前付费状态
• 消费属性： RFM 模型，9大人群画像
• 健康属性：用户的个人健康属性
• 标签规则：事实标签，规则标签，预测标签

1）事实标签

从原始数据中提取，例如用户注册信息中提取用户性别、生日、注册手机号、注册城市等。

2）规则标签

没有直接对应数据，需要通过规则进行定义，通过计算来得出标签，例如流失用户、支付偏好等。

3）预测标签

参考已有事实数据，来预测用户的偏好，例如根据用户历史的购买行为来预测其群体特性。

03 标签来源

目前现状：在小程序用户较少的情况下，主要通过二方平台，三方平台健康商品销售数据订单用户信息抓取，通过自带二方平台人群包功能，将交易数据、基本信息、特性标签进行收集。在进行健康商品履约的时候通过健康管家，客服以问卷或者主观判断的方式完善用户标签。

未来形式：基于原有数据沉淀分析出来的精准性标签，通过小程序的用户行为产生的数据进行清洗整合，提炼出相对完善的用户标签；基于原有数据梳理标签，进行数据排重，防止同质化。

04 标签体系

标签体系根据目前业务场景、运营业务诉求，梳理出一级，二级，三级，四级的分层结构：

1. “贴标签”方式

标签由平台运营团队定制标准，结合业务场景梳理出一批原始标签。

1）隐性标签

后台给用户打标签，用户无法感知；后台结合用户前端的点击浏览行为，二方平台，三方平台交易数据，用户行为操作，用户基础信息，自动为用户贴上相应类别标签。

2）显性标签

主动给用户打标签，即用户在产品前端页面手动选择自己感兴趣的标签，或者通过问卷等其他方式用户通过触发标签机制，后台机器匹配数据直接打标签。也可以由健康管理师，客服根据了解用户习惯，用户行为等手动打标签。

2. 标签的优化

第一种机器优化：机器根据数据反馈持续更新，优点在于机器的高效智能，需运营抽样进行精准度测试和标签规则优化即可。

第二种人工优化：人工对标签规则调整优化，优点是精准度高，不足在于人工运营成本高。

人工都需要持续根据产品业务场景对标签的规则进行调整优化，标签数据模糊，用户画像不一定精准精确。

05 标签收集维护规范

标签规范-建立规则-填充数据。

• 标签规范：标签标准建设由运营部主要负责。
• 建立规则：需求收集由产品部主要负责对需求进行分析梳理，结合业务场景，判断需求和业务的匹配程度，确定标签制定的目的，统一标签定义。
• 填充数据：明确数据支持信息，即什么样的数据和标签相匹配，明确人工标签数据的使用规范，明确系统标签的规则逻辑。

产品部门结合产品定位和业务场景审核标签合理性。

最后交给技术实现，收集数据、清洗数据、分析数据。

目前自用标签维护表：

06 产品应用

标签的产品应用，帮助业务的目标客群的精准画像和用户特征挖掘。提升交易环节各漏斗之间的转化率，提供客服在售前和售后阶段的用户详情关键信息，加速订单转化和提升服务响应时间和处理能力。

个性化推荐：提升平台个性化推荐和业务组合能力，对用户分层运营，更合理配置运营和营销资源，带来最大化的效果。

提升运营同学对多标签的精细化人群圈选，做权益配置，结合优惠券自动发券产品能力，通过短信、订阅消息等渠道发送，实现用户精准触达和转化。

总结：成熟的公司一般会将用户标签，用户画像与CRM相结合，相辅相成更精致管理用户，触动用户。一般公司更多是未雨绸缪，或者为了更好的私域运营（狗头）。