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：
一、基础标签
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。
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”。
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”）。
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。
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。
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。
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
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、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：“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。
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。
四、层级核心关联
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。
