本文已参与[新人创作礼]活动，一起开启掘金创作之路 持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第1天.
本文已参与[新人创作礼]活动，一起开启掘金创作之路
文章引用，侵权必删。
构建用户标签体系，助力企业精细化运营
- • 为什么要做用户标签画像
- • 如何构建完备的用户标签体系
- • 标签的生产和创建
- • 如何利用用户画像分析赋能业务落地
标签是什么？-- 标签是对用户某个维度特征的描述
- 生命周期标签
- 价值分层标签
- 商品偏好标签
- 营销时机标签
标签是什么？-- 对用户某个维度特征做描述与刻画，让使用者快速获取信息
- 属性类标签
- 统计类标签
- 规则类标签
- 挖掘类标签
用户自然属性 用户交易数据 用户资产数据 用户行为特征 第三方来源数据
为什么要做标签—应用场景
用户特征洞察 用户画像是了解用户的重要工具，可以辅助业务人员快速获得用户的信息认知，发现显 著特征，获得业务灵感
增强数据分析 标签可以丰富数据分析的维度，数据查询平台在打通标签数据后，能支持更加丰富的分 析及对比
精细化运营 从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手 段，驱以关怀、挽回、激励等策略。
数据产品应用 用户标签是很多数据产品的基础，诸如个性化推荐系统、智能运营平台、广告系统、CRM 等
场景举例：基于用户标签画像做精细化营销 某电商产品运营部门 • 营销预算10万元 • 日活用户100万
场景举例：用户画像分析 用户标签信息助力营销策略制定
给谁发券 最近消费：最近一次下单时间，最近一次消费单品名称 消费频率：消费频率，消费次数分布，累计消费次数 消费金额：累计消费金额，客单价，单均价
发什么券 单品偏好：Top 3 最常消费单品 某SKU价格偏好 品类偏好：最常消费品类 是否有X品嘞消费意向
什么时候发 消费场景：最常消费场景 （大促/换季） 到店消费占比 活动特征：线上活跃天数分布 最常活跃时段 营销参与：营销活动敏感度 领券率，优惠券使用率
推送个性化消息和个性化优惠券
前提：想做标签画像体系的要求
建设标签画像体系的要求
- • 企业有足够丰富的内容、商品、服务
- • 企业客户属性层次多样复杂
- • 企业的业务进入稳定期，客群量级达到一定规模
建设标签画像体系的成本
- • 用户标签体系不是拿来即用，需要有经验的人员投入建设维护
- • 要有相对完备的用户行为数据采集能力
- • 衡量建设标签画像体系的投入产出比
如何构建完备的用户标签体系
行业内流行的几种标签框架
基于营销触点
识别用户的付费流程和付费意愿阶段，为营销提供明确的时机，如 A（感知）-I（兴 趣）-P（购买）-L（忠诚）
基于增长漏斗
识别用户所处的增长状态，对不同生命周期的用户执行不同的增长策略，如A（获取）- A（激活）-R（留存）-R（营利）-R（推荐）
基于用户价值
识别用户的价值做用户分层，对不同价值分层的用户执行不同的运营策略，如 RFM 用 户价值分层
基于用户偏好
基于用户对产品的功能或商品偏好做区分，提供营销人员信息去进行个性化服务，如房 产领域的购房目的、区位、价格。
以下结合例子，来实际还原标签体系建立的过程。
标签体系建立——覆盖用户使用流程，梳理行为维度，构建「用户偏好」
还原业务流程—》覆盖生命周期-》明确商业目标-》从策略推标签
以：某电商APP为例子 启动App-注册登录--浏览活跃--深度行为--付费--重复付费--沉默流失
启动App：自然流量，线上广告，线下活动，用户分享 注册登录：手机号登录-》微信登录-》微博登录
深度行为：搜索类型，点击内容类型，商品价格（？）收藏加购
付费：订单入口，支付方式，商品类目
重复付费：客户等级
沉默流失：挽回节点
标签体系建立——从业务策略推导需要的标签
不同职能部门的标签应用流程
运营部门，有时候是业务部门 职责：活动构思，对谁做活动，需要用户标签 何时推送，做什么活动，画像分析，活动验证，效果分析，优化调整
数据部门（往往是技术部门） 历史数据-》数据仓库-》标签工厂-》
产品部门 职责：对谁做优化（需要--用户标签），产品优化 差异显著特征，用户偏好，优化方案，效果分析，优化调整
业务部门-标签应用流程
业务部门 目标人群是谁？他们喜欢什么？怎么执行策略？
需求标签主题
商业价值标签 用户付费次数 用户付费金额 上次付费时间 累计活跃天数 内同发布次数 内容创作质量
用户偏好标签 常用功能 常用入口 功能使用频次 商品类目偏好 商品价格区间 关注商品属性 商品浏览数量 高浏览量搜索词
生命周期标签 新用户未激活 活跃用户 沉默流失用户 活跃转沉默 近期消费减少 购买意向等级 历史漏斗深度 复购用户
营销时机标签 访问时间偏好 优惠券推送点击率 爆品推送点击率 短信链接打开率 领取优惠券价格区间 使用优惠券价格区间 使用优惠券有效期长度 历史参加活动节日
标签梳理步骤 还原业务流程 覆盖生命周期 明确商业目标 从策略推标签
如何构建完整的用户标签体系？
• 好的标签框架是基于业务场景的。 • 用户标签体系应该要完备地覆盖用户的业务流程和生命周期。 • 用户标签体系应该从标签应用流程反推：目标人群是谁？目标喜欢什么？怎么执行策略？
用户标签体系怎么建？ • 还原业务流程，梳理「用户偏好标签」； • 覆盖生命周期，梳理「生命周期标签」； • 明确商业目标，拆解运营策略，梳理「商业价值标签」； • 目标和策略都分析好后，梳理能优化策略的「营销时机标签」。
标签的生产和创建
标签的生产
标签的表现形式：男性，女性 标签生成依据：社交APP资料，对方穿着女装，摄像头算法 标签类型：事实标签，规则标签，算法标签
小红和网友张三见面喝咖啡： • 张三在社交 APP 填的资料是男性。 • 张三浓眉大眼脸型方正，穿着很有设计感的裙子。 • 张三结账时使用刷脸支付，没有获得当天的女性九折优惠。
生产标签的不同方式
事实标签：1.用户手动填写2.外部才导入
算法标签：相似人群扩散 流失用户预测 付费用户预测 算法模型生成，结合多种特征计算 计算复杂，得到的是预测概率 最好能提供特征影响因子解释 模型白盒化
规则标签：1.基础指标值2.首次末次特征 3.事件属性排名 4.行为分布结果 5.自定义标签值 6.SQL代码计算 规则型标签 1.快速简单，根据规则给出确定值 2.没有多维信息的聚合计算 3.实际规则的制定需要业务经验参与合数据分析辅助
怎么映射呢？ 规则型标签创建举例：将自然语言转换成配置规则
业务经验实际是使用行为来预测目标？
用户购买意愿 点击商品详情页 0 次的用户，属于「低购买意愿」 点击商品详情页 1~3 次的用户，属于「中购买意愿」 点击商品详情页 4 次或以上的用户，属于「高购买意愿」
业务经验可靠吗？
评价规则的标准 • 覆盖率：标签用户占总用户的比例 • 准确率：标签用户真的完成目标转化的比例 • 召回率：标签用户占目标人群的比例
高中低分层常用方法：分布分析 • 通过分布分析，划分不同覆盖率的分层 • 按照用户维度将商品详情页浏览量计算次数分布 • 按照 25%，50%，75%，75% 以上划分标签
算法型标签创建：相似人群扩散 使用机器学习生成算法标签 根据种子用户，扩散相似人群。 • 预防不好的结果：预估流失人群标签 • 复制成功的结果：潜在价值用户挖掘标签
算法型标签创建：标签相似度预估 使用机器学习生成算法标签 根据算法模型，交叉验证得出相似度预估。 • 可以根据口径松紧，设置一定相似度以上才打标签。
算法型标签创建：模型特征权重分析 使用机器学习生成算法标签
根据算法模型，输出行为特征权重。 • 将算法黑盒变成相对白盒 • 洞察影响业务结果的重要行为信息
标签的生产流程
标签：性别，购买意愿，累积消费金额
业务含义：挽回流失人群、潜在用户升级、忠诚客户价值提升 标签类型：事实类标签、规则类标签、算法类标签 值划分方式：连续型、枚举型、区间分桶型、单位、精度等 计算方式:计算周期、例行、单次计算 计算规则:行为直接统计、交易金额大于10000、基于浏览行为的逻辑回归 权限归属：用户使用权限、运营功能权限 标签模板：RFMLS 模型、RFM 模型等其他预置标签体系分类
如何利用用户画像分析赋能业务落地
Persona是画像 profile是标签
会员体系
