3分鐘看懂用戶標籤體系怎麼作

       隨着愈來愈多的企業開始追求對用戶的精細化運營。用各類手段延長用戶的生命週期，促進用戶的活躍與轉化，並盡一切可能產生商業價值，已是運營的核心。而要作好精準化運營的第一步，即是更好的認識咱們的用戶，識別咱們用戶的各種特徵，構建一個完善、精準、動態的標籤體系，實現全用戶的價值增加。下面我將結合自身經驗說說我認爲用戶標籤該怎麼作。

1、業務梳理

搭建用戶標籤體系須要考慮到後期標籤的維護和擴展，能夠用如下的思路來思考，經過業務流程把

數據串聯在一塊兒，咱們以一個電商類app爲例，思考以下問題：一、用戶從何來？二、用戶註冊信息是否有？三、用戶登陸的設備信息是否有？四、用戶進了app產生了何種行爲？瀏覽了多少商品，是否有加購物車？五、用戶是否產生了消費行爲？消費頻次消費金額怎麼樣？六、用戶打開app頻次怎麼樣，最近一次打開是什麼時間？七、用戶偏好什麼類型商品？等等問題，咱們能夠思考一個用戶整個生命週期可能產生什麼數據，將整個業務串聯起來。

梳理結果可能以下：

2、將標籤進行分類、定義

整理了業務數據後，咱們能夠根據這些數據的屬性進行分類組合造成標籤，造成一個結構清晰，也可展現各標籤之間關聯的標籤表，也爲後續獨立計算某個標籤下的屬性偏好或者權重提供方便。梳理標籤時，儘可能作到相互獨立徹底窮盡，保證每一個子集的組合都能覆蓋上層的全部數據。標籤的層級能夠控制在四級之內。

根據數據的時效性來看，標籤能夠分爲靜態標籤(長期不會改變，例如性別、生日、註冊信息等)、動態標籤(須要定時更新保證標籤有效性，例如用戶活躍狀況、購買狀況)。

從標籤生成方式來看，也可分爲事實標籤、規則標籤、預測標籤。事實標籤即從原始數據中提取，例如用戶註冊信息中提取用戶性別、生日、註冊手機號、註冊城市等；規則標籤即沒有直接對應數據，須要經過規則進行定義，經過計算來得出標籤，例如流失用戶、支付偏好等。預測標籤即參考已有事實數據，來預測用戶的偏好，例如根據用戶歷史的購買行爲來預測其羣體特性。

在定義一些規則標籤時，咱們須要對業務有個深刻的瞭解。例如定義流失用戶時，究竟怎樣算流失？30天內未登陸？仍是60天內未購買？不少相似這種標籤的定義會各類各樣，咱們須要和各方進行口徑對齊，保證你們對標籤訂義的理解一致，以及標籤後續的可用性。

整理標籤以下：

3、標籤處理

將標籤劃分爲靜態動態有助於運營人員理解標籤體系的設計以及表達需求。而將標籤分爲事實標籤、規則標籤、預測標籤則是數據處理計算維度，有助於技術人員理解標籤的模塊分類及功能。幫助他們合理的設計處理數據，規劃數據儲存方式、抽取方式、計算方式，以及保證標籤的更新及時性及數據變動效率。

在實際處理中會遇到一些問題，例如基礎屬性信息缺失、行爲屬性規則不能靈活設置、數據不夠致使沒法建立想生成的標籤等。咱們能夠經過創建模型，計算用戶相應屬性的匹配，也能夠經過模型，計算缺失的事實標籤，例如能夠根據用戶瀏覽記錄、購買記錄行爲來預測用戶的性別偏好度，以此來填充缺失數據。而標籤也可設計成靈活配置，運營人員能夠根據本身的需求，靈活更改標籤的定義規則來圈定本次活動目標用戶，例如能夠支持時間和單數的更改選擇，最近30天內下了3單->最近60天內下了6單。支持建立組合標籤，能夠解決標籤的擴展問題，除了原有規則定義，還能夠將多個標籤進行組合建立新的複合標籤。

標籤數據計算儲存後，咱們須要推進標籤應用層的建設，推進建設後臺標籤管理系統，以及將標籤體系與運營營銷後臺打通，支持運營人員個性化配置及精準推送，在此不過多贅述。

4、標籤應用-精準推送

       即在合適的時間經過最佳渠道，給用戶傳遞最感興趣的內容。可基於短信、push、公衆號等在用戶偏好的渠道上推送信息，提高觸達率及用戶體驗。能夠根據用戶歷史數據，實現基於用戶興趣的個性化推薦，也可在文案中植入用戶個性化標籤，增加用戶的好感度親密度。還能夠經過用戶歷史購買時間，判斷用戶最容易消費的時間點，在合適時間給用戶發送營銷信息。除精準推送外，用戶標籤還有不少其它的應用場景。例如推薦欄位、消費週期評估、廣告投放等，在技術層面上，對算法建模及響應性能也有着更高的要求。

以上，但願幫助到你們。

       歡迎關注個人公衆號，給我留言數據方面問題