标签的加工方式
标签的时态角度分类
从用户标签的时态角度(如图 6-4所示)，可以将标签分为静态数据、基于时点的动态数据和基于期间的动态数据。
静态数据
也被称为属性数据，数量较少，如性别、出生年月、出生城市等。
状态数据
基于时点的动态数据也被称为状态数据，是流量数据累计的结果，如截止到月底的资产等。
行为数据
基于期间的动态数据，也被称为流量数据、行为数据，也就是对基于时点的动态数据进行汇总，即可得到基于期间的动态数据，一般只能获得公司内部的数据，如当月现金交易笔数、半年内总入账等。
标签的加工角度分类
基础标签
- 基础标签通常包括用户的所有原生属性或派生属性，常见的基础标签主要用于描述对象的人口属性、社会属性、设备信息、工作属性、协议信息等。
- 基础标签的提取通过基本的 SOL语句就可以实现，大多数用户的基础标签可通过公司内部数据库获取，不需要对数据进行汇总等操作。
- 此外，也可从外部采购已经制作好的标签作为外部基础标签直接使用，作为对内部基础标签的有力补充。
图 6-5 展示了一些基础标签的案例，如“风险评估”标签，一般会认为它是典型的模型标签，但是由于该标签是从外部采购的，在公司内部使用时并不需要自行加工，因此也属于基础标签。
统计标签
对交易数据进行汇总后产生的标签被称为统计标签。
- 统计标签通常指在数据分析或业务场景中，用于对数据进行分类、标记或描述的标识符。它们可以是数值型、分类型或文本型，用于简化数据理解、过滤或聚合操作。
例如，“用户资产汇总是指根据用户的交易流水，汇总其一段时间内的收入、支出，平均账户余额，进而对用户进行价值分群分析，用于该行资源的合理分配 ; “用户行为偏好”是指以用户交易渠道、产品种类为维度，汇总其交易频次、交易金额、关注频次等来分析客群特征，方便用户经理洞察用户需求偏好。统计标签可以通过 SQL语句中的汇总函数实现。
RFM模型
是一种用于客户价值分析的经典方法，通过三个核心指标评估客户价值：
- Recency（最近一次消费时间）：客户最近一次交易距今的时间，反映客户活跃度。
- Frequency（消费频率）：客户在特定周期内的交易次数，反映客户忠诚度。
- Monetary（消费金额）：客户在特定周期内的总消费金额，反映客户贡献度。
- R值越小越好（最近消费），F/M值越大越好（消费能力强）
根据RFM总分或组合规则划分客户群体。常见策略：
- 重要价值客户（R高、F高、M高）：优先维护。
- 流失风险客户（R低、F中高、M中高）：需召回。
- 新客户（R高、F低、M低）：培养忠诚度。
模型标签
模型标签指根据一定的业务需求建立算法模型，以基础标签、统计标签为基础加工出来的标签。简单的模型标签使用 SOL语句中的分支语句就可以实现，复杂的模型标签需要使用机器学习或深度学习算法。
模型标签主要用于以下4种场景:
- 发现用户潜在需求，也就是根据用户过往的行为表现，从具体产品出发，挖掘潜在用户，进行精准营销;
- 用户消费偏好分析，即根据用户的消费行为，获取购物、理财等偏好信息:
- 用户风险评分，通过输入用户的基础数据和行为数据，输出各类信用评分模型结果;
- 业务营销拓展，主要为支持业务部门某次营销活动而专门开发出来的具有生命周期的用户标签。
根据标签的计算方法，可将模型标签分为规则类模型标签、算法类模型标签、综合应用类模型标签。
- 规则类模型标签是使用最为广泛的模型标签，如基于RFM模型计算出来的统计用户级别的标签有“五星荣耀用户”“重要挽留用户”“重要保持用户”等，属于规则类模型标签。
- 算法类模型标签通常用于对机器学习、深度学习或其他计算模型进行分类和描述，帮助用户快速理解模型的特性和应用场景。
- 综合应用类模型标签规则类模型标签和算法类模型标签一般适用于场景较单一的情况。有些时候存在部分用户数据不完善的情况，就需要使用综合以上两种计算方法的综合应用类模型标签。