用戶標籤，這裏可以簡單分成3類:
基於設備和App的維度標籤: 基於設備和App的標籤可以認爲是靜態的標籤。其中設備維度標籤包括“機型”、“操作系統(Android/iOS)”、"系統版本"、“系統語言”、“分辨率”等，App維度標籤包括“App版本”、“發佈渠道(比如91助手、豌豆莢等)”等。 這些標籤是我們第三方消息推送服務提供商(如Shareinstall消息推送)可以直接採集到的，具體的做法就是第三方移動端的SDK去採集這些字段，傳回到第三方的後端服務器，那麼後端服務器就會記錄一臺設備所包含的“設備&App”維度標籤了。接下來你就可以選擇類似“給App某個版本的用戶羣發消息”來做精準推送了。
基於用戶畫像的標籤:
用戶畫像標籤不同於上面提到的維度標籤，設備和App的維度標籤是基於設備層面的，然而“用戶畫像”標籤指的是使用設備背後的終端用戶的情況。比如用戶的“性別”、“年齡”、“職業”、“興趣愛好”等。 用戶畫像標籤不像設備標籤那樣可以通過在SDK端做數據埋點就可以獲取到，我們無法得知整個設備集合背後具體的用戶畫像數據。
通常的做法都是基於一定數量的可信的數據源來做訓練集，通過機器學習的方法來推算出整個設備集合的用戶數據，注意這裏是“推算”。 舉個簡單的例子，如果一個App(假設是一個電商類App)提供賬號系統的話，那麼就會有一部分的註冊用戶信息(有些App則是強制要求註冊用戶纔可以使用某些功能的，比如知乎的“提問”功能，必須是註冊用戶纔可以提問)，App可以根據註冊用戶的行爲來學習到一定的固定模式(比如購買剃鬚刀的一般都男性用戶，購買化妝品的是女性用戶)，由此來推斷出剩餘的未註冊用戶的用戶畫像屬性。
這裏提到的"註冊用戶的數據"就可以認爲是真實可靠的數據源，"根據註冊用戶的行爲來學習到一定的固定模式"就是機器學習、數據挖掘所要完成的工作。通常來說，由於訓練集樣本的數據質量問題，通過機器學習算法推算出的用戶畫像維度在準確性方面都一定的折扣。訓練樣本越大，準確性會越高，因此對於第三方數據平臺提供商來上，儘可能多的收集真實的數據源，這樣才能保證整個平臺設備的數據畫像的準確率保證在一個較高的水平。
基於App自定義標籤:
上述提到的基於設備&App的維度標籤和用戶畫像維度一般能滿足絕大部分開發者的需求了，但是對於一些有自己App標籤體系的App來說(比如一個體育類視頻，根據用戶的觀看記錄，可能給用戶打上“足球”、“籃球”等標籤)，上述兩類標籤就不一定能滿足自身的精細化運營推送需求，因此在設計用戶標籤的時候，第三方消息推送平臺必須要考慮到App自定義標籤的情況。
在技術層面上，可以在移動SDK端開放一個打標籤的接口，即終端用戶觸發了某類開發者設定好的事件後（比如上述提到的用戶觀看了足球比賽），則開發者可以調用第三方SDK提供的接口來給該設備打上自己的業務標籤（用戶觀看了足球比賽，所以給用戶打上“足球”的標籤），這樣SDK就可以把該設備的App自定義標籤傳回到第三方服務平臺的後端服務器，第三方服務器就會記錄下來該設備所對應的App的自定義標籤了。
上述提到的幾類用戶標籤是Shareinstall消息推送系統設計的時候，所設計和覆蓋的標籤體系。 對於其它的第三方推送系統來說，採用的也是大致的思路，可能在具體的技術細節和實施上略有不同。開發者如果想設計自己的用戶標籤體系來說，也可以借鑑上述我提供的幾類標籤體系。 以下是Shareinstall的官網：http://www.shareinstall.com