用户画像制作的核心就在于给用户“打标签”，如年龄、性别、地域、用户偏好等，每一个标签通常是人为规定的特征标识，用高度精炼的特征描述一类人。
由此，用户画像可以为企业提供足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。
同时，在从真实的用户行为中抽象出典型用户模型后，企业通过收集与分析消费者的社会属性、消费行为和生活习惯等主要行为，完整描述产品和服务的目标用户特征，就能为企业中所有与用户有关的决策过程提供有效信息，指导企业的产品服务研发和市场营销。
用户的标签通常呈现出两个重要特征：语义化和短文本。
语义化使得我们能很方便地理解每个标签含义，这也使得用户画像模型具备实际意义，且能够较好的满足业务需求。
短文本，即每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
同时，标签规则是由人来制定的，因此人能够在大量标签里快速读出其中的含义；而机器则高效地去做标签提取、聚合分析。所以，用户画像里的用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
通常上，标签分两种：一种标签是可以结构化的，一种标签是不能结构化的。
结构化的标签有明确的划分，而且可以穷尽，比如性别、年龄和职业等。
但是这种标签打上后，往往会有时效性。中长期用户标签包括比较稳定，是用户身上比较不太频繁变化的特征，也称为静态标签；中短期用户标签变化稍快，比如兴趣类标签就是如此，也称为动态标签。
非结构化的标签无明确的划分，不固定，而且数量庞大，最要命的是，变化非常快，比如App标签和个性化标签。正是由于这一类标签的存在，才让精准用户画像的描绘难度成倍提高。
在我们最终为用户画像打上标签后，还必须打上每个标签的权重。如，红酒 0.8、耐克 0.6。标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
通常来说，标签权重=时间（何时）X 位置（何地）X 行为（为什么）
每一次的用户行为，可以详细描述为：什么用户，在什么时间，什么地点，发生了什么事。
举个例子，A用户昨天在苹果官网买了iPhone7，反应出的用户标签就是“果粉 0.9”，而B用户上个月在天猫收藏了iPhone7，反应出的标签就是“果粉 0.498”。
这些不同的用户标签及相应的权重将在后续的营销决策中发挥重要的指导作用。
同时，用户画像里的用户标签和权重，也提供了一种可供计算机进行大数据处理的便捷和高效的方式，使得计算机能够程序化处理与人直接相关的信息，甚至通过一定算法和模型，能够在某种程度上“理解” 人。
