归纳一下，共有7步：1、从单维度开始2、设定区分目标3、进行维度拆解4、观察区分效果5、总结经验6、多维度交叉7、不断提升效
不打标签，每次都基于原始数据分析，运营会很纠结的：到底是选买过3次的还是4次的才加活动呢？消费分段选3000,3200,还是3300呢？理论上，每次都这么纠结也是可行的。但是这样做效率太低，并且能思考的维度太少，很有可能累秃了头也没啥进展。
因此可以基于过往分析成果，预先打上标签，能极大提升效率，实现更复杂、更精准的分析。 并且，还能把最后效果记录进标签库，积累分析经验。如果标签打的对，那我们按标签做的事就能起到效果，标签本身质量也被确认；如果标签打错了，那按标签做的事就会没有效果，后续就能修订标签，打新标签。我们做用户分层和分群，做精准营销，所有结果也可以以标签形式保存。
在后续多次验证，从而沉淀管用、区分度高的标签，提升用户画像的准确度与有用性。
这类问题，主要是做数据的同学嫌一个维度一个维度切分不体现数据能力，非得整个模型，算个权重才显牛逼。降维可以做，但牢记整个原则：不同类目标不混合。特别是涉及钱的目标。到底公司赚没赚钱，是个很严肃的事。搞混了，是要喝西北风的。
比如打一个“高价值用户”标签，这里“高价值”指的是历史消费水平高，还是未来消费的多？很多人傻傻不分，就统计下历史消费金额，然后消费多的就是价值高。但是谁保证用户过去买的多，未来一定买的多？？完全不一定。 注意：如果我们要打的标签是个未来情况，比如未来消费多，意味着我们要做一个预测：用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论，不能简单基于历史数据统计。
