一、相关概念
标签：对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值（标签值）具备可分类性。
- 对于“人”这类群体，可将“男”、“女”这类特征进行抽象概括，统称为“性别”，“性别”即一个标签；
- 对于“手机”这类对象，可将“骁龙835”、“骁龙845”这类特征进行抽象概括，统称为“手机处理器”，“手机处理器”即一个标签。
标签值: 标签的实例，指某一标签所包含的具体内容，其特点是符合MECE原则（相互独立、完全穷尽）。
- 对于标签“性别”，其标签值根据MECE原则可分为“男”、“女”、“未知”；
- 对于标签“年龄”，其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等。
用户画像:由某一特定群体或对象的多项特征构成，输出结果通常是对特征的具体描述。（也可理解为用户画像是由多个标签组合而成，其实例是由多个标签值构成）。
例：小明是用户画像的一个实例，小明的输出结果为“男“、“20”、“iPhone”、“北京”、“足球”，是由多个标签中的具体标签值构成。
标签系统:标签和用户画像的整合应用中心，通常由标签、标签树、画像中心构成，该体系类似于一个目录字典，以文档的形式存在。
二、用户画像的基本流程
1）构建标签体系，标签体系一般是分几个层级，有一级类目、二级类目、三级类目，这几个只是类目或者称之为父标签，不是最终的标签。如果三级类目下面不再进行类目分级了，就到了具体的标签层。比如用户基本信息是一级类目，下面又有社会属性二级类目，最后到婚姻标签。标签体系类似于业务分层的一个字典，以文档的形式存在。
2）抽取或者衍生标签，收集用户所有可能的、重要的、缺失率比较低的原始特征数据，作为可存储的、细粒度的用户画像表特征，也称为基础标签。除了原始数据，也可以在原始数据基础上融合衍生出新的特征标签，都作为基础标签存储在用户画像表里面。用户画像表是用户画像的基础，一般包含身份信息、行为偏好、征信数据、社交关系等几大层面。
3）物理存储，利用hive生成一张用户画像表，并做定时更新。
4）应用层
- 客群分析，在用户画像表的基础上可以进行客群分析。首先根据需求从用户画像表里将客群提取出来，然后对这部分客群进行统计分析，或者说数据分析，最终凝练出一些可描述的、抽象层次较高的标签，作为最终的客群分析报告标签，展示在报告里面。
- 单个用户分析，比较类似于客群分析，最终也需要提炼总结出几个可描述的、便于常人理解的大标签，可以放到一个类似于人形状的图形上进行展示。
- 其它应用，利用营销推荐，多维角度分析等
三、数值型字段如何衍生出区间或者等级型标签呢？
如果是数值型字段，比如离散类型的，可以根据分箱机制进行分段；也可以利用聚类算法，对一元数据进行区间划分，充分挖掘数据内在的分布状态，划分为几个等级，而不是平均分段或者拍脑门分段。