智能标签采集器(为什么要做用户标签画像分析赋能业务落地？(图) )

　　智能标签采集器(为什么要做用户标签画像分析赋能业务落地？(图)

)

　　用户为什么要标记肖像？如何构建完整的用户标签系统？标签的制作和创作有哪些细节和经验？如何善用用户画像分析赋能业务落地？

　　相信看完这篇文章，你的困惑就会迎刃而解。

　　一。用户为什么要标记肖像？

　　1. 标签的本质

　　简单来说，所谓用户标签，就是对用户某个维度的描述。

　　对于一群用户，我们想知道他们的很多特点，才能把业务做得更好。比如我们这个季度有10万元的活动预算，我们应该把支出重点放在哪里？这个问题其实是希望对给定用户群的商业价值给出一个很好的描述，并且知道谁应该是服务的对象。

　　

　　图1 标签的基本含义

　　用户标签可以以多种形式存在，可以是用户的自然属性，可以是用户交易和资产数据的统计指标，也可以是基于一定规则的一些层次。不管是什么形式，都是对用户某个维度的描述和表征，让用户可以快速获取信息。

　　

　　图2 常见的标签形式

　　2.标签的应用场景

　　根据我们在很多不同企业落地标签系统的经验，用户标签的应用主要有四种场景。

　　一是辅助分析和洞察。用户标签可以帮助业务人员快速获取用户信息认知，发现显着特征，获得业务灵感。

　　二是丰富数据分析的维度，对我们的业务数据做更深层次的对比分析。在分析洞察获得业务灵感后，标签可以辅助业务落地。

　　再次，可以将用户群进行更细粒度的划分，使运营由粗放型变为精细化，通过短信、推送、活动、优惠券等多种运营手段来驱动和恢复用户。 ，事半功倍。影响。

　　最后，用户标签还可以作为数据产品的基础，如个性化推荐系统、广告系统、CRM管理工作等。自动化业务系统可以更有效地利用用户标签的力量。

　　

　　图3 标签的四种应用场景

　　需要注意的是，虽然用户标签画像系统很有价值，但并不是每个公司都能做到。

　　首先，企业需要具备足够的内容、商品、服务或客户属性，或者进入稳定期的业务客户群已经达到一定规模。

　　其次，用户标签系统有建设和维护成本。企业需要具备比较完整的用户行为数据采集能力。如果没有丰富的数据源，用户标签也很难无饭可食。建设需要衡量资源投入和成本绩效。

　　第三，标签画像系统不是现成的东西，需要投入一定的人力物力去搭建和维护，才能很好的与公司的业务场景结合，充分发挥其价值。

　　第四，企业在构建标签画像系统之前，首先要考虑它需要实现的业务场景。如果没有清晰可实施的业务流程和人员，即使花大力气搭建用户标签系统，也只是一堆只能存在那里的死数据，毫无意义。技术不是灵丹妙药，它必须与业务相结合。

　　二。如何构建完整的用户标签系统？

　　1. 主流标签框架

　　业界主流的标签框架有四种：

　　第一个是基于营销接触点的用户标记系统。它首先将用户划分到不同的营销阶段，然后再细分每个阶段需要做的事情和标签。比如阿里巴巴的标签框架AIPL，将用户对品牌的认知划分为感知、兴趣、购买和忠诚四个阶段，然后根据这四个阶段要做的营销动作做出细分标签。

　　二是基于增长漏斗的AARRR模型。这是一个很好的框架。无论用户是什么，都必须属于其中的一个阶段。然后根据不同阶段需要做的成长策略，总结出用户的标签特征。

　　三是用户价值分层模型，比如RFM，虽然只包括付费用户，但是付费用户完全收录在RFM的框架中。可以知道用户的消费等级属于哪个级别，用户最近是否付费，我是否要对用户做营销。

　　第四种是基于用户偏好的模型。比如我是一名房产经纪人，我会根据我卖房的需求，将用户的行为信息汇总成买房的需求。这种框架看似罗列，缺乏大而全的生命周期美论，但其实对于业务应用来说是完备的，做的时候标签就可以用了。

　　

　　图4 业界四大主流标签框架

　　在使用框架设计用户标签系统时，需要了解消费者的决策过程，考虑商业业务的形式，满足业务人员的运营需求。这些概念都是比较虚的，但是一个好的用户标签系统离不开这些想法。

　　Sensors 认为，好的标注框架必须基于业务场景。它应该完全覆盖用户的行为周期和业务流程。

　　2. 构建标签框的四步方法

　　接下来，我们将介绍基于神旗数据最佳实践的标签梳理框架，我们称之为四步法。

　　第一步是恢复业务流程。以一个典型的电商业务为例，梳理其业务流程漏斗，即启动APP、注册登录、主动浏览、采集、加入购物车、支付、重复支付等一些深度行为，最后无声的失落。然后在用户流程的每一步，梳理出这种行为的一些维度。“用户偏好”标签可以基于用户在这方面的行为来构建。

　　

　　图 5 四步标签框法恢复业务流程

　　第二步是覆盖生命周期。之前的梳理是根据用户行为进行的，但有时无法获取用户行为偏好。这时，用户的“生命周期”就可以用来提供底线逻辑了。用户生命周期的状态可以作为营销接触点标签，提供一般的层次感。

　　

　　图6 四步标签框架方法的覆盖生命周期

　　第三步是定义业务目标。需要应用用户标签系统。在这种情况下，用户标签系统的建设，就是通过精细化的操作，提高整体交易量。接下来，我们通过业务流程拆解交易金额的业务目标。

　　交易金额可以简单拆分为新用户的交易金额和老用户的交易金额。达成交易的过程可以分为新启动、注册、浏览详情、深度行为、最后支付。对于每一个拆掉的环节，大家可以想一想，可以用什么策略来增加这个环节的交易量。例如，对于老用户，是否可以通过恢复潜在的有支付倾向的流失人群来增加整体交易金额？这是我们整理出来的标签可以应用到地面的场景。

　　

　　图 7 标签框架明确业务目标的四步法

　　第四步是从策略中推送标签。例如，如果我们决定赢回有支付倾向的潜在流失者，我们需要知道用户交易的价值，从交易到流失的生命周期，他们在下个月流失的概率，如果我想给他们做营销，提供他们喜欢的优惠券类型。

　　至此，我们梳理了纯业务流程，实*敏*感*词*额分成了很多环节，每个环节都有不同的可以实施的商业策略，其可行性和收益也不同。最后，您可以根据业务的实际需要来决定不同的策略需要使用哪些标签。

　　

　　图 8 标签框架四步法从策略推送标签

　　从策略中推断出所需的标签，实际上是需要业务经验的事情。如果你在这一步还是一头雾水，可以先把它转过来。如果我们在标签方面做得很好，业务人员应该如何使用它。

　　业务部门申请标签的过程通常可以概括为三个问题：

　　对于第一个问题，这是一个战略问题。定位目标人群时，首先要看商业价值类别的标签，帮助他们解决影响商业价值最大的人群的问题。

　　对于目标喜欢什么的问题，如果目标群体有明确的行为数据，就应该看用户偏好标签。如果目标群体的行为数据较少，例如新用户和沉默用户，则应从他们所在的生命周期标签开始，规划促进转化或召回的策略。

　　有战略方向的时候，需要一些具体的参考信息，比如什么时候推送。这时候就需要一些具体的营销时机标签，比如用户一般的活跃时间段，来帮助规划方向的实施。

　　这四个主题的标签，分别在我们的四步框架的每一步中，都可以重点整理出这样的标签。最终，这四个标签也将构成我们完整的标签系统。

　　

　　图 9 按业务单位的标签申请流程

　　三. 标签的制作和创建的细节是什么？

　　1. 不同的标签生产方式

　　我们已经知道如何梳理出一个完整的标签框架，接下来我们需要完善每个标签的具体定义。我们通过一个有趣的故事来说明用户标签定义的复杂性。

　　小红与网友张三相约喝咖啡：

　　请问，张三是男孩还是女孩？

　　在这个故事中，张三实际上有三个性别标签。

　　首先是社交APP的信息，因为他填写的是男性，所以我们可以认为他是男性，这是基于某种信息的标签，这种类型称为事实标签。

　　张三穿着一件很有设计感的连衣裙。根据我们以往的经验，一般只有女人穿裙子，所以我们也可以认为张三是女人。这是基于我们定下的一定规则，只要有人穿裙子，就是女人，要贴上标签。这种类型称为规则标签。

　　最终，张三刷脸并没有得到任何现役女性的优惠。相机使用一种算法结合各种特征来预测张三是女性的概率。因为张三看起来很男性化，算法认为他是女性的概率比较低，所以给他贴上男性的标签。这种类型称为算法标签。

　　

　　图10 标签制作的基本方式

　　以上三个标签是最基本的标签维度，下图可以帮助我们更好的理解。

　　

　　图 11 三种标签定义的内涵

　　2. 标签创建场景

　　我们通过具体场景加深对标签制作和创作的理解。累计消费量，即用户注册后的总消费量，是使用指标值作为标签值的一个例子。

　　首先，这个例子是一个数字标签，但数字标签不一定好用。如果这个标签是业务人员直接使用的，应该通过业务经验进行分层，分为高、中、低三个等级。将业务意义映射到特征。这样，业务人员在使用标签时，可以提高业务人员的认知效率。

　　

　　图 12 场景示例：将自然语言转换为配置规则

　　那么问题来了，商业经验可靠吗？当我们评估一条规则时，通常有几个标准，即覆盖率、精度和召回率。从这些指标衡量，基于经验的规则不一定能满足真实的业务需求。

　　事实上，定义标签可以通过科学的数据分析方法来完成。

　　前面我们提到，对于数字标签，最好利用业务经验进行分层，以提高业务判断的效率。对于这种高-中-低分层，通常可以采用分布分析的方法。

　　比如，对于用户点击商品详情页的次数，我可以计算出它的次数分布，然后按照25%、50%、75%、75%或者更多来划分标签。

　　这样，我不仅可以画四层，还可以保证每一层都有很好的覆盖。对于资产库存分层和付费用户分层等标签，分布分析是一种非常有用的方法。

　　

　　图 13 使用分布分析的用户标签分层

　　当然，我们需要的不是“用户在商品详情页点击”次数的分层，而是“用户购买意向”的说明标签。算法类标签可以有效地解决这个问题。

　　所谓算法标签，本质上就是在做“预测”。下图展示了Sensors用户画像产品实现的类似人群扩散功能。通过提供*敏*感*词*用户，它可以了解他们的特征并预测用户的标签。对于“用户购买意向”，我们可以将“实际购买”过的人作为我们的*敏*感*词*用户，让算法学习他们的特征。