编辑导语：通过客户标签，企业对用户将有一个更为清晰的认知，这也有助于推动精准营销，进而帮助后续企业拉动增长。那么，客户标签应该如何构建？本篇文章里，作者针对客户标签的内涵、客户标签的搭建策略等方面做了总结，一起来看一下。

在你刷淘宝的时候，当你点开一个商品查看详情，那么淘宝就会根据你的浏览记录不断给你推荐类似商品；在你刷抖音的时候也是一样，抖音会记住你喜欢什么类型的视频，每次都会为你精准推荐你喜欢看的视频；在你很久不用脉脉这个软件的时候，脉脉突然给你发一条短信说“你关注的XXX查看了你的简历，点击XXX链接进入查看”。

这些企业不断地靠着猜你的喜好，给你推荐你喜欢的产品，刺激你的多巴胺，让你刷到停不下来；同时这些企业也不断地盈利，不断地扩大营销规模。

他们怎么做到的呢？答案是通过收集客户属性及行为特征建立用户标签，又通过用户标签建立不同的用户画像，再通过用户画像为不同用户提供不同的营销内容。

那么如何通过建立客户标签实现精准营销，提升企业营收呢？

客户标签，实际上就是对某个客户特征的描述。如果我们拥有很多客户，那么为了能够让业务更好更精准地服务这么多客户，我们需要让业务知道这些客户每个人或每群人都有什么特征。

举个例子，有的人喜欢吃草莓味的冰淇淋，那么就可以给他们推荐草莓口味的冰淇淋；有的人不喜欢冰淇淋，那么就尽量避免向这群人推荐冰淇淋。

总之，就是希望能够让业务知道在哪种场景下，哪些人是重点服务对象，将精力花费在刀刃上，有针对性的运营能够大幅度提升客户的购买率，避免不必要的人耗。

不同的业务场景对于客户信息的收集也略有不同。这里给大家列出来一个大部分业务场景都可以涵盖进去的信息框架，也就是一些需要收集的常见的客户信息。可以根据不同的业务场景从中找到最需要收集的客户信息。

以上所收集的客户信息都只是原始数据，如果不对数据加以分析和建模，那么信息会变得毫无价值。那么该如何通过客户信息搭建客户标签体系呢？

客户标签是基于业务场景的，不同的业务场景构建的客户标签也略有不同。但是从大的分类上来讲都是相同的。业内常见的做法是把标签分为三种类型：事实标签、模型标签和预测标签。

原始数据即我们最直接收集到的客户信息。以原始数据为基础，逐步建立不同层级的标签。

事实标签是所有标签的基础。是指根据客户实际的情况以及实际的行为动作建立标签。事实标签主要分为人口属性标签以及客户行为属性标签两种。例如，一个人的性别、年龄、出生日期、籍贯等就是人口属性标签。一个人的消费次数、消费金额等属于客户行为标签。

对于要收集客户的哪些数据，需要产品经理或产品运营根据自己的产品以及客户需求来定义。例如在教育类产品中，需要知道客户的年龄、性别、查看课程、收藏课程等。

模型标签又叫做规则标签，是产品经理或者产品运营根据客户的事实标签来定义的一些规则。例如客户购买了3次商品，这个购物行为本身是一个事实标签，但是购买3次商品可以被归纳为老客户，这里的老客户就是一个模型标签，

模型标签的定义就需要产品人对行业和客户有足够深入的了解才能够准确定义，一般都是由产品专家来定义。

这里分享几个已经由前辈大佬们定义好的3种常见的主流的模型标签，很多情况下我们可以直接拿来用。

1）RFM模型

RFM模式是由美国数据库营销研究所Arthur Hughes提出来的，他研究出客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：

可以通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别。

2）客户忠诚度模型

客户忠诚度模型的基本核心，是由Reichheld和Sasser于1990年提出。当时的观点是：

根据行业的不同，客户保留度每提高5%，利润可提高25%到85%。

客户忠诚度的计算公式如下：

L代表客户忠诚度，t是消费周期，n代表时间周期，s代表消费次数、活跃次数等，计算结果L的值越大，说明客户忠诚度越高。

客户忠诚度计算举例：

3）客户状态模型

客户状态是指客户与品牌之间联系的紧密度，通常以顾客的消费频次作为主要判断依据。只有认清楚了每一个客户与品牌之间饿紧密程度，才能够对不同状态客户做不同的营销。例如，对低活跃度客户进行促活活动，对流失客户进行挽回活动等。以下是关于客户状态的模型举例：

预测标签是指根据客户的模型标签，来预测客户未来的行为或者偏好。例如一个客户一周活跃了两次，后面出现了一个月都不活跃的情况，那么就预测这个客户即将流失。一般预测都是还没有实际发生的，不能够直接取到这个事实，但是可以根据过去的经验预测。

客户标签体系的建立都是为了一定的商业目标服务的，在构建标签体系之前，应该明确想要达成什么样的商业目标。

举个简单的例子，例如一家线上教育公司，每个月都有老用户流失，这家公司希望能够提前预测有哪些用户可能会流失，那么就可以搭建一个标签体系，方便在客户真正流失之前能够及时挽回客户。

由于商业目标是挽回即将流失的客户，降低公司的损失。这个时候我们就会用到预测标签，也就是说根据客户的行为预测客户将来会做的行为。

预测标签是基于模型标签，模型标签是基于事实标签，从这几个维度尝试对规则进行定义并一层一层整理出框架：

那么可以通过行为筛选出这部分客户，对他们进行挽回的营销策略。

如何高效筛选出这部分客户呢？

功能来自于需求，若公司需要能够减少客户的流失，那么就可以用到预测标签为即将流失的客户打标，如果客户量不大，我们完全可以用excel表格去记录数据。但是如果公司的客群量级已经达到一定规模，这样的方式就效率太低了，这个时候才会用到标签工具，对客户自动打标，提高效率。系统的本质就是效率工具。

那么该如何基于业务设计预测标签的打标工具呢？

1）首先，梳理业务场景，画出业务流程图。如何能够提高业务筛选这部分客户的效率？

2）基于业务流程图设计打标功能原型图。

根据上述的业务流程图，可以得出业务需要创建标签以及定义标签规则，需要一个列表查看以及编辑自己创建好的标签规则。这个时候就可以设定规则：用户在2021/10/5至2021/10/28日浏览商品多于4次，但在2021/10/28至2021/11/28日浏览商品0次。符合这样条件的用户，被自动打标为预测流失用户。

3）最后可以在用户分群中基于创建的这个预测标签去创建用户群画像，这样就可以区分出这一批客户群，对这批客户统一运营。当然在客户列表中也会对对应客户打上标签，提醒业务对这部分客户进行挽留。

本文由 @小猫雯 原创发布于人人都是产品经理，未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议