江苏龙网

  1. 主页 > 生活百科 > >

用户标签各种运用方法 如何对用户标签管理与分层

用户标号
是精细化运营的基础，能有效提高流量的分发效率和转化效率 。
目前，基于标签的智能推荐系统已经有了成熟的商业应用，如:淘宝的千人千面、美团外卖的智能推荐、腾讯的社交广告等 。
思考的背景 从16年开始，互联网用户增长放缓，同比只增不减 。一方面，无论是线上还是线下，新用户的获取成本都很高 。另一方面，用户时间增长也在放缓 。当用户花费的时间趋于饱和时，不同产品之间也存在竞争关系 。
在此背景下，随着用户的增加，运营商面临着新的挑战，有以下核心需求:
一般运营活动中，怎么对不同用户群体分层，提高流量的分发效率？ 对于个体用户，怎么深入到日常使用场景，提高流量的转化效率？在产品设计层面，需要解决以下问题:
怎么设计一个完善的用户标签体系？怎么打标签？打哪些标签？谁来打？ 怎么使用用户标签，创造商业价值？标签系统的结构 标签系统可以分为三个部分:数据处理层、数据服务层和数据应用层 。每一层都有不同的面向用户的对象和不同的事务处理 。级别越低，与业务的耦合度越小 。级别越高，业务关联性越强 。
以M电子商务公司为例来说明系统的结构 。
数据处理层 。数据处理层收集、清理、提取处理数据 。m公司有几条产品线:电商交易、电子书阅读、金融支付、智能硬件等等 。每个产品线的业务数据属于不同的岗位 。为了构建一个完善的用户标签系统，需要尽可能的汇总最大范围的数据 。同时各产品线也要收集各方面的数据，比如App、web、微信等第三方合作渠道 。
收集完所有数据后，需要进行清理:去重、刷数据、去无效数据、去异常数据等等 。然后，提取特征数据 。这部分要根据产品和运营商提出的业务数据需求来做 。
数据服务层 。数据处理层为业务层提供最基本的数据能力和数据原材料 。业务层属于公共资源层，不属于某个产品或业务线 。主要用于维护整个标签系统，在一个地方进行管理 。
在这一层，运营商和产品都可以参与进来，提出业务需求:切割原材料 。主要完成了以下核心任务:
定义业务方需要的标签 。创建标签实例 。执行业务标签实例，提供相应数据 。数据应用层 。应用层的任务是赋予产品和运营商标签化的工具能力，聚合业务数据，转化为用户的枪支弹药，提供数据应用服务 。
业务方可以根据自己的需要使用和共享业务标签，但业务互不影响 。
实践可应用于以下区块:
精准化营销 。个性化推送 。标签体系的设计 业务梳理 构建用户标签系统容易陷入用户画像的陷阱，不利于标签系统的维护和后期扩展 。
标签体系可以按照以下思路进行梳理:
有哪些产品线？产品线有哪些来源渠道？一一列出 。每个产品线有哪些业务对象？比如用户，商品 。最后再根据对象聚合业务，每个对象涉及哪些业务？每个业务下哪些业务数据和用户行为？结果类似于以下内容:
标签的分类 按业务对象整理好业务数据后，可以继续按对象的属性进行分类 。
主要目的:
方便管理标签，便于维护和扩展 。结构清晰，展示标签之间的关联关系 。为标签建模提供子集 。方便独立计算某个标签下的属性偏好或者权重 。在整理和分类标签时，尽可能遵循MECE原则，相互独立，完全穷尽 。每个子集的组合可以覆盖父集的所有数据 。第四级中标签的深度控制更合适，也更方便管理，第四级是标签的具体例子 。
标签的模型 根据数据的有效性，标签可以分为
静态属性标签 。长期甚至永远都不会发生改变 。比如性别，出生日期，这些数据都是既定的事实，几乎不会改变 。动态属性标签 。存在有效期，需要定期地更新，保证标签的有效性 。比如用户的购买力，用户的活跃情况 。从数据提取维度来看，标签数据可以分为多种类型 。
事实标签 。既定事实，从原始数据中提取 。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息 。模型标签 。没有对应数据，需要定义规则，建立模型来计算得出标签实例 。比如支付偏好度 。预测标签 。参考已有事实数据，来预测用户的行为或偏好 。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品 。标签的处理 为什么标签要从两个维度来区分？这是为了便于进一步处理用户标签 。
动态划分是面向业务的维度，便于运营商理解业务 。这可以帮助他们:


推荐阅读


上一篇：拼多多最新市值额 拼多多上市了吗市值涨多少

下一篇：运费险理赔标准价格表 苏宁运费险怎么理赔在哪里