用户的业务信息，比如电商产品他的加购信息、收藏信息、领券信息、下单信息等，这里可以给出他的明细数据，比如加购什么时候加购、加购了几件商品、加购了那些商品，当然信息是越详细越好。
用户的标签信息，标签分为主观标签和客观标签，我们可以分开展示。接下来就是分产品线展示每个产品线的标签，如果一个用户用了产品线A同时又用产品线B，那么我们可以一眼看出，用户在产品线A和产品线B都有标签。如果用户只用产品线A，那么在产品线B那里就看不见标签。
用户的行为信息，这里用到埋点数据，可以把采集到用户的埋点信息以会话的形式做一个拆分，按照时间轴的方式显示。通过这个时间轴可以清晰的看到，用户在什么时候产生了什么动作，主要还是包括浏览和点击。做得更深一步的话，可以把用户浏览的明细也输出，比如用户浏览了商品详情页，那到底是那个商品呢？比如用户点击了加购按钮，那么到底是那个按钮呢？数据越明细，运营分析起来就越方便。
用户的偏好信息，这里就有很多内容了，比如可以根据推荐算法算出用户偏好的品类、未来可能买的单品。还可以基于埋点数据看出用户的访问偏好，用户总是在那个时间段过来使用我们的产品。还可以看下用户搜索的内容都有那些，对关键字做一层汇总，搜索内容可以最直接显示用户的偏好。
群体用户画像
接下来说一下群体画像，当把用户圈选出来后，可以简单通过简单的分析形成人群画像。可以从用户类型（采购商、供应商、未知身份等）、设备信息（IOS、安卓、Windows）、地理位置（省份、城市）等基础信息做一个透视，这样你就大概知道这群人是什么类型、用的什么设备、在那里使用我们的服务。
你还可以选择2个人群之间的对比做一个对比分析。目标人群指的是此次分析的目标人群，即画像都是基于此目标人群计算得出；基准人群指的是计算目标人群的TGI时所基于的对比人群。
TGI的计算逻辑是：目标人群中打上该标签的人数占比，除以基准人群中打上该标签的人数占比，可以通过性别、年龄段、城市等级的三维交叉细分，借助算法模型，找到目标人群中最为典型的形象特征。典型特征指的是在一定占比基础上，和基准人群相比，TGI最高的特征。
接下来我们以运营经常用到的RFM模型为实战的案例，来介绍一下标签平台该怎么使用。
什么是RFM呢？
R（Recency）：用户最近一次交易时间的间隔。
F（Frequency）：用户在最近一段时间内交易的次数。
M（Monetary）：用户在最近一段时间内交易的金额。
可以根据这些数据指标将用户分成8类。
我们的资源是有限的，高价值用户我们一定要倾斜更多的资源给他们，一定会先满足他们的需求，再考虑其他用户；低价值用户就不要浪费太多的资源，差异化运营就在此体现。
RFM的最终目的，就是将用户基于消费频次、金额、距离上次消费的天数将用户分为8类。比如，重要价值客户的条件定义是R<10天（最近一次消费距离今天小于10天）、F>5次（消费频次大于5次）、M>20000元（累计消费金额大于20000元）。
因为每个产品线重要价值用户的条件是不一样的，所以要进行数据分布的分析才能确定最终的阀值（划分的标准一般采用2/8或者均值的原则）。
那怎么圈选出每个平台重要价值用户呢？
其实你会发现这些条件有个规律，R其实是用户的一个指标，最近一次消费距离今天的天数，这个是可以计算的，R<10这个其实已经是一个标签，有很多人会满足这个条件，重要价值用户的条件是R<10且F>5且M>20000，这属于一群人。
第一步是要准备数据源。