知识卡片
三类用户标签及工程占比
内容
用户标签按生成方式分三种：统计类直接从行为数据聚合（如年龄、近7日活跃天数）；规则类基于业务规则判定（如”近30天交易≥2次”记为消费活跃，口径由运营与数据人员协商）；机器学习挖掘类用算法预测未知属性（如判断性别、购物偏好）。工程中统计和规则类成本低、见效快，占开发比例大多数，机器学习类周期长、成本高，只用在少数强预测场景。启动画像项目时优先打磨前两类标签口径，往往比直接上算法更划算。
参考来源
- 位置：《用户画像：方法论与工程化解决方案》第1章《用户画像基础》（源文件：_epub-src/OEBPS/text00005.html）
- 结论依据：原文围绕“在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，在开发中占有较大比例。”给出定义、场景或处理方式，支撑卡片对“三类用户标签及工程占比”的概括。
- 原始内容：在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，在开发中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户性别、用户购买商品偏好、用户流失意向等。一般地，机器学习标签开发周期较长，开发成本较高，因此其开发所占比例较小。