用户标签体系设计
基于真实埋点数据，按行业特性自动规划分层标签体系：RFM、行为、状态、偏好全覆盖，让标签真正具备业务洞察力。
用户分析游戏电商工具社交用户标签体系设计是 ThinkingAI 行业 Skill 库中的一项用户运营能力，帮助运营团队在构建用户分层体系时从 0 到 1 规划标签架构，按行业特性设计 RFM 分层、行为偏好、状态生命周期等维度标签，并明确每个标签的业务定义、使用场景、取值分层与计算逻辑。这正是 ThinkingAI「10 年行业经验沉淀为开箱即用 Skill」的体现。
体系设计完了。180 个砍到 52 个，六层架构，每一个都带 AE 计算逻辑——砍掉的 128 个不是丢了，是合并、废弃或降级成了派生字段。先说为什么不给你通用 RFM：塔防的付费天然稀疏，多数玩家整个生命周期只买 1–3 次，付费频率（F）维度在你们项目里没有区分度，硬套只会得到一堆挤在同一档的用户。
一、六层标签体系（共 52 个，每层节选代表）
| 标签层 | 数量 | 示例标签 | 计算方式 | 更新频率 |
|---|---|---|---|---|
| 基础属性层 | 8 | 渠道来源、设备档位 | #channel、#device_model 直读映射 | 注册时静态 |
| 状态层 | 9 | 生命周期阶段（新手 / 成长 / 成熟 / 流失风险） | 首末次事件 + 未登录天数规则 | 每日 |
| 行为层 | 12 | 关卡推进速度、日均战斗场次 | battle_start 近 14 天聚合 | 每日 |
| 偏好层 | 10 | 主力卡组流派、广告观看倾向 | 事件属性 Top-N 统计 | 每周 |
| 价值层 | 8 | 付费深度档位（弃用 F 的双维分层） | 累计付费金额 × 最近付费距今 | 每日 |
| 预测层 | 5 | 7 日流失概率、首付转化倾向 | 行为特征模型分 | 每日 |
二、四条设计原则
参考同品类项目的落地基准：体系精简并补齐计算逻辑后，标签覆盖率可从当前 8% 提升至 85% 量级，运营圈人从「翻 180 个标签找感觉」变成「按层取用」，推送配置效率约有 3 倍提升空间。
行业痛点
很多团队做用户标签体系时直接照搬 RFM 模型，但这套模型在游戏行业常常效果很差：超过 70% 的游戏项目套用后发现付费频率维度不适用，用户分层准确率不足 40%。更普遍的问题是标签堆砌，200+ 标签里运营实际只用 5-8 个核心标签，其余标签变成维护负担，标签利用率低于 10% 的项目占比超过 60%。
核心价值
- 自动识别行业与细分品类，匹配行业专属标签框架而非通用 RFM 模板
- 六层标签架构设计：基础属性、状态标签、行为标签、偏好标签、价值分层、预测标签，层次清晰
- 每个标签交付完整定义：业务语义、适用场景、取值分层规则、AE 系统计算逻辑，从设计到落地无断层
适用场景
新产品上线前从 0 规划用户标签体系
现有标签体系臃肿无序，需要重构精简
运营团队需要行业专属标签框架而非通用模板
精细化推送场景需要行为偏好标签支撑
用户生命周期管理需要状态标签与预测标签配合
实战案例
常见疑问
这个 Skill 是帮设计还是帮配置标签？
本 Skill 负责规划和设计，产出标签方案、定义和计算逻辑；实际在 AE 中创建标签需要调用标签创建工具执行。
行业识别的依据是什么？
Skill 会根据客户真实埋点事件和属性数据判断行业与细分品类，而不是只靠用户口头描述。
标签体系设计完成后多久能落地？
设计方案交付后，AE 系统标签配置通常 1-3 天可完成；每个标签都附有 AE 计算逻辑。
相关 Skills 推荐
用「用户标签体系设计」武装你的 Agent
预约演示，看看它如何在你的业务场景中落地
