用戶標籤各種運用方法「如何對用戶標籤管理與分層」

用戶標籤是精細化運營的基礎，能有效提高流量的分發效率和轉化效率。

而目前基於標籤的智能推薦系統，已經有了成熟商業應用，比如：淘寶的千人千面，美團外賣的智能推薦，騰訊的社交廣告。

思考的背景

從16年開始，互聯網用戶增長趨緩，同比僅增長。一方面，不論是線上還是線下，新用戶的獲取成本都很高。另一方面，用戶時間增長也在趨緩。在用戶花費時間趨向飽和情況下，不同的產品之間同樣存在競爭關係。

在這個背景下，隨着用戶量增長，運營人員面臨新的挑戰，有以下核心訴求：

1. 一般運營活動中，怎麼對不同用戶群體分層，提高流量的分發效率？
2. 對於個體用戶，怎麼深入到日常使用場景，提高流量的轉化效率？

落到產品設計層面，需要解決以下問題：

1. 怎麼設計一個完善的用戶標籤體系？怎麼打標籤？打哪些標籤？誰來打？
2. 怎麼使用用戶標籤，創造商業價值？

標籤系統的結構

標籤系統可以分為三個部分：數據加工層，數據服務層，數據應用層。每個層面面向用戶對象不一樣，處理事務有所不同。層級越往下，與業務的耦合度就越小。層級越往上，業務關聯性就越強。

以M電商公司為例，來說明該系統的構成。

數據加工層。數據加工層收集，清洗和提取來處理數據。M公司有多個產品線：電商交易，電子書閱讀，金融支付，智能硬件等等。每個產品線的業務數據又是分屬在不同位置。為了搭建完善的用戶標籤體系，需要儘可能匯總最大範圍內的數據。同時每個產品線的也要集合所有端的數據，比如：App，web，微信，其它第三方合作渠道。

收集了所有數據之後，需要經過清洗：去重，去刷單數據，去無效數據，去異常數據等等。然後再是提取特徵數據，這部分就要根據產品和運營人員提的業務數據要求來做就好。

數據業務層。數據加工層為業務層提供最基礎數據能力，提供數據原材料。業務層屬於公共資源層，並不歸屬某個產品或業務線。它主要用來維護整個標籤體系，集中在一個地方來進行管理。

在這一層，運營人員和產品能夠參與進來，提出業務要求：將原材料進行切割。主要完成以下核心任務：

1. 定義業務方需要的標籤。
2. 創建標籤實例。
3. 執行業務標籤實例，提供相應數據。

數據應用層。應用層的任務是賦予產品和運營人員標籤的工具能力，聚合業務數據，轉化為用戶的槍火彈藥，提供數據應用服務。

業務方能夠根據自己的需求來使用，共享業務標籤，但彼此業務又互不影響。

實踐中可應用到以下幾塊：

1. 精準化營銷。
2. 個性化推送。

標籤體系的設計

業務梳理

搭建用戶標籤體系容易陷入用戶畫像陷阱，照葫蘆畫瓢，不利於標籤體系的維護和後期的擴展。

可以按下面的思路來梳理標籤體系：

1. 有哪些產品線？產品線有哪些來源渠道？一一列出。
2. 每個產品線有哪些業務對象？比如用戶，商品。
3. 最後再根據對象聚合業務，每個對象涉及哪些業務？每個業務下哪些業務數據和用戶行為？

結果類似如下：

標籤的分類

按業務對象整理了業務數據後，可以繼續按照對象的屬性來進行分類，

主要目的：

1. 方便管理標籤，便於維護和擴展。
2. 結構清晰，展示標籤之間的關聯關係。
3. 為標籤建模提供子集。方便獨立計算某個標籤下的屬性偏好或者權重。

梳理標籤分類時，儘可能按照MECE原則，相互獨立，完全窮盡。每一個子集的組合都能覆蓋到父集所有數據。標籤深度控制在四級比較合適，方便管理，到了第四級就是具體的標籤實例。

標籤的模型

按數據的實效性來看，標籤可分為

• 靜態屬性標籤。長期甚至永遠都不會發生改變。比如性別，出生日期，這些數據都是既定的事實，幾乎不會改變。
• 動態屬性標籤。存在有效期，需要定期地更新，保證標籤的有效性。比如用戶的購買力，用戶的活躍情況。

從數據提取維度來看，標籤數據又可以分為類型。

• 事實標籤。既定事實，從原始數據中提取。比如通過用戶設置獲取性別，通過實名認證獲取生日，星座等信息。
• 模型標籤。沒有對應數據，需要定義規則，建立模型來計算得出標籤實例。比如支付偏好度。
• 預測標籤。參考已有事實數據，來預測用戶的行為或偏好。比如用戶a的歷史購物行為與群體A相似，使用協同過濾算法，預測用戶a也會喜歡某件物品。

標籤的處理

為什麼要從兩個維度來對標籤區分？這是為了方便用戶標籤的進一步處理。

靜態動態的劃分是面向業務維度，便於運營人員理解業務。這一點能幫助他們：

• 理解標籤體系的設計。
• 表達自己的需求。

事實標籤，模型標籤，預測標籤是面向數據處理維度，便於技術人員理解標籤模塊功能分類，幫助他們：

• 設計合理數據處理單元，相互獨立，協同處理。
• 標籤的及時更新及數據響應的效率。

以上面的標籤圖表為例，面臨以下問題：

1. 屬性信息缺失怎麼辦？比如，現實中總有用戶未設置用戶性別，那怎麼才能知道用戶的性別呢？
2. 行為屬性，消費屬性的標籤能不能靈活設置？比如，活躍運營中需要做A/B test，不能將品牌偏好規則寫死，怎麼辦？
3. 既有的屬性創建不了我想要的標籤？比如，用戶消費能力需要綜合結合多項業務的數據才合理，如何解決？

模型標籤的定義解決的就是從無到有的問題。建立模型，計算用戶相應屬性匹配度。現實中，事實標籤也存在數據缺失情況。比如用戶性別未知，但是可以根據用戶瀏覽商品，購買商品的歷史行為來計算性別偏好度。當用戶購買的女性化妝品和內衣較多，偏好值趨近於性別女，即可以推斷用戶性別為女。

模型計算規則的開放解決的是標籤靈活配置的問題。運營人員能夠根據自己的需求，靈活更改標籤實例的定義規則。

比如圖表中支付頻度實例的規則定義，可以做到：

1. 時間的開放。支持時間任意選擇：昨天，前天，近x天，自定義某段時間等等。
2. 支付筆數的開放。大於，等於，小於某個值，或者在某兩個值區間。

標籤的組合解決就是標籤擴展的問題。除了原有屬性的規則定義，還可以使用對多個標籤進行組合，創建新的複合型標籤。比如定義用戶的消費能力等級。

標籤最終呈現的形態要滿足兩個需求：

1. 標籤的最小顆粒度要觸達到具體業務事實數據，同時支持對應標籤實例的規則自定義。
2. 不同的標籤可以相互自由組合為新的標籤，同時支持標籤間的關係，權重自定義。

實踐分享

數據應用層即為標籤的使用場景，最典型的應用場景是：精準推送。

精準推送。該場景對標籤的實效性要求並不高，可以只考慮離線的歷史數據，不需要結合實時數據，是標籤首選的實踐場景。運營人員使用標籤篩選出目標用戶，定向推送活動。推送渠道根據活動的需要來進行多渠道投放，能夠支持微信，App，短訊。

運營主要工作基本就是不停地生產活動，向用戶投食，監測活動的效果，不斷優化投放策略：找到不同用戶對應的最佳匹配活動。這塊主要關注活動以下環節：

• 活動前：目標用戶，活動內容，投放渠道。
• 活動中：效果監控和跟蹤。
• 活動後：效果復盤和優化。

除精準推送外，用戶標籤還有其它的應用場景。在技術層面上，對算法建模及響應性能也有更高的要求：

• 推薦欄位
• 消費周期評估
• 廣告投放
• 促銷排期

另外，用戶的數據信息不僅局限於應用內本身。僅通過用戶昵稱或手機號已經足以爬取到用戶在全網內留下的所有信息，從而構建豐富的用戶畫像。你多大？在哪裡工作？家庭人員情況？在技術面前，都是一張透明的白紙。只不過目前這樣做要花費很多人力，成本太高。

前天，產品群里有人問為啥有的產品引導用戶關聯第三方賬號？同樣是為了獲取用戶數據，用戶一般並不知曉，以為只是增加新的登錄方式。

建議及想法

如果你的產品微信粉絲數量接近千萬級，不防試一試，用標籤做精準營銷。微信聚合了大量的粉絲，向商家端開放了粉絲的基本信息，提供了開放接口能力及多種消息觸達方式，是最好的試驗場。

微信聚合了最大和最優質的流量。從這個角度出發，基於微信提供的能力，做一款針對C端營銷的CRM營銷產品，存在着很大的商業機會。