1.一种基于用户画像体系的营销方法，其特征是，基于包括数据源模块、制定用户标签体系模块、标签开发模块和应用模块的营销系统：
所述数据源模块，搜集多源数据，存储在数据仓库中最原始的数据源层，数据源层的数据包括用户在完整注册的基本信息、购买记录、访问行为和线下咨询和第三方数据；
所述制定用户标签体系模块，指制定适合当前核心业务特色的用户标签体系；
所述标签开发模块，包含建立用户oneid、用户全数据整合和统计与数据建模三个子模块；
所述应用模块，包含标签管理、新建用户群和筛选营销目标用户群三个子模块，应用在精细化营销；
方法包括如下步骤：
步骤1：对网站客户数据收集，包括用户在完整注册的基本信息、购买记录、访问行为和线下咨询和第三方数据等，存储在数据仓库中最原始的数据源层；
步骤2：制定适合当前业务特色的用户标签体系，确定标签层级和类别；
步骤3：建立用户身份识别唯一的oneid，一个用户在画像体系中只能有一个身份识别，在oneid建立之后，则用户数据进行整合，同一个用户的数据集中清洗与处理，将用户数据按主题联合成宽表存储在数据仓库的明细层；
步骤4：根据步骤2制定的标签体系逻辑规则，借助统计和模型实现各类标签的计算，输出到数据仓库的集市层；
步骤5：开发标签管理页面，展示当前一级标签下面一共有多少子标签，以及各类子标签对应的用户覆盖量，监测标签制定是否合理；同时通过多个标签联动，形成新的用户群，观察这部分用户的其他特征；
步骤6：开发用户分群详情页面，运营筛选指定分群用于精细化营销，直接输出目标用户，通过接口传到运维人员。
2.根据权利要求1所述的基于用户画像体系的营销方法，其特征是，
根据步骤4制定的标签体系逻辑规则，借助统计方法和模型实现各类标签的计算，输出到数据仓库中的集市层：预测类的标签基于统计的数据进行模型训练，先利用采样算法解决数据不平衡问题，对特征进行归一化处理后，进行变量选择，通过lasso算法，与因变量相关性强的自变量选出来，消除自变量的多重共线性，从而训练集只保留相关性高的重要变量，随后选择不同算法进行预测模型的训练，预测模型采用决策树、svm、随机森林和gdbt，根据模型效果选择算法。
是否有孩子，是否有车等这一类标签，选准确率高的模型，准确率差不多的情况，依据召回率再做选择。
3.根据权利要求1所述的基于用户画像体系的营销方法，其特征是，
对于购买意向险种这一类标签应当首选召回率，其次准确率作为模型的评估依据，在召回率达到80％，准确率达到95％以上，则模型效果达到优，采用gdbt模型，再利用训练好的模型预测输出标签。
4.根据权利要求1所述的基于用户画像体系的营销方法，其特征是，对于活跃度、某产品兴趣得分的标签，使用变异系数法进行加权得分，活跃度根据业务数据特征，选择最近一次登录时间、登录周期和近13个月登录天数作为指标，具体实施方法，第一步进行三个指标的计算，第二步根据公式
vi＝σi/μi
其中σi为标准偏差，μi是均值，计算出每个指标的变异系数，第三步计算各指标的权重
第四步根据y＝w1x1+w2x2+w3x3，计算每个用户的指标得分，且利用拉依达准则法，即对于y大于μ+3σ或小于μ-3σ的实验数据值作为异常值，其中大于μ+3σ的取最高值，小于μ-3σ的取最小值，第五步将指标得分标准化，每个用户输出0-100以内的分值；x1、x2、x3是第一步的三个指标。
5.根据权利要求1所述的基于用户画像体系的营销方法，其特征是，步骤5中：编写标签管理页面，展示当前一级标签下面一共有多少子标签，以及各类子标签对应的用户覆盖量，监测标签制定是否合理；同时通过多个标签联动，形成新的用户群，标签根据目前已生成的用户标签选择，新建分群时设置的分群有效期，根据筛选的标签自定义用户群名称，例如地区南京且平台偏好使用app的男性，显示覆盖用户总数，观察这部分用户的其他标签特征，辅助运营和客服等人员保留自己需要持续观察的用户群。有权限的人可以对用户群进行修改，待有效期终止，则用户群自动删除，运营人员需要重新定义。做推广活动时，直接点击相关的用户群，提取出用户明细，后续即可对他们进行营销短信或者邮件的推送。