标签层级按“加工复杂度、数据来源、应用优先级”可划分为三层，形成“基础支撑→组合应用→预测升级”的金字塔结构，三者层层递进、相互关联，共同构成完整的标签体系，各层级定位、特点及应用细节如下：
标签是对业务对象（如用户、商品、订单）的特征进行标识、分类和描述的关键词或短语，核心作用是将零散、无序的原始数据转化为可理解、可应用的结构化信息，实现数据的“标签化”管理。其核心价值体现在三个方面：一是简化数据理解，快速提炼业务对象核心特征，降低数据解读成本；二是支撑精准运营，为业务场景（如用户分层、商品推荐、风险防控）提供精准的特征依据；三是助力决策优化，通过标签整合分析，为企业战略、业务策略调整提供数据支撑。
一、基础标签
标签层级按“加工复杂度、数据来源、应用优先级”可划分为基础标签、组合标签、预测标签三层，形成“基础支撑→组合应用→预测升级”的金字塔结构，三者层层递进、相互关联，共同构成完整的标签体系。
基础标签又称原子标签，是标签体系的最底层，也是所有上层标签的核心支撑，直接从原始数据中提取，无任何加工或计算逻辑，本质是对业务对象（用户、商品、设备等）原生特征的直接映射。
一、基础标签
核心特点：复用性极强、逻辑简单、更新频率与原始数据源完全同步，无主观性，是客观数据的直接转化；无需依赖其他标签，可独立存在，是标签体系的“基石”。
基础标签是标签体系的底层基石，又称原子标签，核心是“直接提取、无需加工”，直接来源于原始数据，是未经任何计算、整合的最原始特征标识，相当于标签体系的“原材料”，也是组合标签、预测标签的核心数据来源。
常见示例：用户的“性别（男/女）”“年龄（32岁）”“注册时间（2026-01-01）”，订单的“原始金额（299元）”，设备的“运行时长（800小时）”；多为静态标签或简单动态标签，部分字符型基础标签支持多值（如“兴趣”标签可同时包含“运动、阅读”）。
核心特点：生成逻辑最简单，无需复杂计算，直接从业务原始数据中提取；数据真实性高、稳定性强，要么是静态不变（如性别、出生日期），要么是动态实时更新（如当日浏览次数）；颗粒度最细，仅描述单一维度特征，不具备业务解读价值，需二次加工才能服务于实际业务；可解释性极强，标签含义直观易懂，无需额外说明。
核心作用：为组合标签、预测标签提供原始数据支撑，搭建标签体系的基础框架，同时可直接用于简单的基础筛选（如筛选“25-35岁用户”）。
常见示例：用户维度（性别、年龄、手机号、注册时间）、行为维度（点击次数、浏览时长、购买金额）、商品维度（商品类别、单价、产地）、订单维度（订单编号、下单时间、支付方式），这类标签均直接对应原始数据字段，无需任何加工处理即可获取。
二、组合标签
二、组合标签
组合标签属于中层标签，基于多个基础标签，或基础标签与衍生标签的组合，通过设定明确的业务规则、逻辑运算（且/或/非）加工生成，核心是实现对业务对象的“场景化刻画”，衔接基础数据与具体业务需求。
组合标签是基于基础标签，通过设定明确的业务规则、逻辑运算（如且/或/非、范围筛选、统计计算）整合而成的标签，核心是“整合加工、提炼含义”，相当于用基础标签这一“原材料”加工而成的“零件”，实现从“单一特征”到“复合特征”的升级，具备直接的业务解读价值。
核心特点：带有明确的业务语义，灵活性强、场景化属性突出；可根据业务需求动态调整组合规则，可解释性强（每一个组合标签都能明确拆解为基础标签的组合逻辑）；依赖基础标签存在，无法独立生成，是基础标签价值的延伸。
核心特点：生成逻辑依赖基础标签，需结合具体业务规则进行组合计算；颗粒度适中，可覆盖单一业务场景的核心需求；可解释性强，标签含义与业务场景强绑定，能直接反映业务状态（如用户价值、商品属性组合）；灵活度高，可根据业务需求调整组合规则，适配不同场景的使用需求。
常见示例：“高消费年轻用户”（基础标签“年龄≤30岁”且“月均消费≥500元”）、“高价值流失风险用户”（基础标签“近30天登录≤2次”且“年消费≥1000元”）、“家庭聚餐用户”（基础标签“儿童套餐订单”且“消费人数≥3人”）；其筛选逻辑可支持交集（包含所有）、并集（包含部分）等运算。
常见示例：基于“年龄（基础标签）+ 消费金额（基础标签）”组合，生成“青年高消费用户”标签；基于“浏览时长（基础标签）+ 点击次数（基础标签）”组合，生成“高活跃度用户”标签；基于“商品类别（基础标签）+ 产地（基础标签）”组合，生成“国产美妆商品”标签；此外，RFM模型中的“高价值用户”标签，也是通过“最近消费、消费频率、消费金额”三个基础标签组合计算得出的组合标签。
核心作用：直接服务于常规业务场景，实现业务对象的精细化分层，解决基础标签“单一维度、无法满足复杂业务需求”的问题，比如精准定位营销目标人群、划分用户层级。
三、预测标签
三、预测标签
预测标签是标签体系的顶层标签，基于基础标签、组合标签的历史数据，结合机器学习、数据建模等技术（如XGBoost、LSTM等），对业务对象的未来行为、需求倾向或状态变化进行预判后生成，核心是“预判未来、支撑决策”，相当于用基础标签、组合标签加工而成的“高级产品”，是标签体系智能化的核心体现。
预测标签是标签体系的顶层标签，基于基础标签、组合标签的历史数据，结合机器学习、数据建模等技术，对业务对象的未来行为、需求倾向或状态变化进行预判后生成，核心是实现“从描述过去到预判未来”的升级。
核心特点：具有前瞻性，区别于基础标签、组合标签对“过去/当下状态”的描述，重点预判“未来趋势”；数据依赖性强，需依赖大量基础标签、组合标签的历史数据作为建模基础；生成逻辑复杂，需通过算法模型训练、迭代优化，部分可自动生成并动态更新；具有概率性，预测结果多为概率性判断（非绝对），常伴随概率分值或置信度；可解释性较弱，但业务价值最高，能直接助力企业主动决策。
核心特点：具有前瞻性、数据依赖性和概率性（预测结果多为概率性判断，非绝对）；生成逻辑复杂，依赖多维度历史数据和算法模型（如XGBoost、LSTM等），部分可自动生成并动态更新；可解释性较弱，但业务价值最高，是标签体系智能化的核心体现。
常见示例：消费预测类（未来7天大概率复购、未来30天消费金额预判）、流失预测类（未来15天大概率卸载、高流失风险用户）、需求预测类（大概率需要新品、大概率需要耗材补充）、风险预测类（违约风险高、欺诈概率≥80%），这类标签可直接用于业务决策，如对高流失风险用户推送召回福利，对大概率消费用户提前推送优惠券。
常见示例：“未来7天大概率复购”“高流失风险（未来15天大概率卸载）”“消费金额预判（51-200元）”“违约风险高（概率≥80%）”；标签结果多伴随概率分值或置信度，便于进一步分层排序。
四、三层标签的核心关联
核心作用：助力企业实现主动决策，提前布局业务动作，比如对高流失风险用户推送召回福利、对大概率消费用户提前推送优惠券、对高风险用户进行防控，最大化业务价值。
1.层级递进关系：基础标签是底层基础，为组合标签提供原始数据；组合标签是中间桥梁，整合基础标签的单一特征，为预测标签提供高质量的建模数据；预测标签是顶层升级，基于前两层标签实现从“描述现状”到“预判未来”的跨越，三者层层支撑、缺一不可。
四、层级核心关联
2.价值递增关系：从基础标签到预测标签，加工复杂度逐步提升，可解释性逐步减弱，但业务价值逐步递增——基础标签仅用于数据标识，组合标签用于业务场景描述，预测标签用于主动决策，直接为企业创造核心价值。
三者呈现“底层支撑、中层应用、顶层升级”的递进关系，缺一不可：基础标签是前提，为组合、预测标签提供原始数据；组合标签是桥梁，将基础数据转化为可直接应用的业务标签；预测标签是升级，基于前两层标签的积累，实现从“描述”到“预判”的跨越，三者协同构成完整、高效的标签体系，支撑企业精细化运营与智能化决策。
3.动态联动关系：基础标签的更新会同步影响组合标签的计算结果，组合标签的优化会提升预测标签的建模精度；预测标签的应用反馈，可反向指导基础标签、组合标签的优化调整，形成“数据→加工→应用→优化”的闭环。
