浙江龙网

  1. 首页 > 生活百科 > >

浅析用户标签体系的相关知识 什么是用户标签体系？( 三 )

小知识用户标签体系


最后 ， 张三刷脸支付没有获得活动女性优惠 。 摄像头是利用算法结合多种特征去预测张三是女性的概率的 ， 因为张三长相很阳刚 ， 算法认为他是女性的概率比较低 ， 所以打标签他是男性 。 这种类型叫算法标签 。
标签生产的基本方式
上述三种标签是最基础的标签维度 ， 下图可以帮助我们更好地理解它们 。
三种标签定义的内涵
2. 标签创建场景
我们通过具体的场景 ， 来加深对标签生产和创建的理解 。 累计消费金额 ， 即用户注册以来的总消费金额 ， 就是一个用指标值作为标签值的例子 。
首先 ， 这个例子是一个数值型标签 ， 但数值型的标签不一定好用 ， 如果这个标签是直接给到业务人员去使用的 ， 应该先通过业务经验去把它分层 ， 划分出高中低级别 ， 将业务含义映射到特征上 。 这样业务人员在使用标签的时 ， 就能提高业务人员的认知效率 。
场景举例：将自然语言转换成配置规则
那么问题来了 ， 业务经验可靠吗？我们评价一个规则 ， 通常有几种标准 ， 分别是覆盖率、准确率和召回率 。 从这些指标去衡量 ， 以经验为参考的规则就不一定符合真实业务需求了 。
事实上 ， 定义标签是可以通过科学的数据分析方法进行的 。
我们前面有提到 ， 对于数值类的标签 ， 最好通过业务经验来分层 ， 来提高业务判断的效率 。 对于这种高中低分层 ， 通常可以使用分布分析的方法 。
比如还是对于「用户点击商品详情页」的次数 ， 我可以计算它的次数分布 ， 再按照 25% ， 50% ， 75% ， 75% 以上划分标签 。
这样 ， 我不仅能划出四个分层 ， 还能保证每个层级都有很好的覆盖度 。 对于资产盘点分层、付费用户分层这样的标签 ， 分布分析是一个很好用的方法 。
使用分布分析进行用户标签分层
当然了 ， 我们需要的其实不是对「用户点击商品详情页」次数的分层 ， 而是对「用户购买意愿」有解释力的标签 。 算法类标可以有效地解决这个问题 。
所谓的算法类标签 ， 本质上也是在做「预测」这个事情 。 下图所示的是神策用户画像产品实现的相似人群扩散功能 ， 通过提供种子用户 ， 来学习他们的特征 ， 并预测一个用户的标签 。 对于「用户购买意愿」 ， 我们可以用「实际真的有购买」过的人群 ， 来作为我们的种子用户 ， 让算法去学习他们的特征 。
算法型标签：相似人群扩散
算法类标签的好处 ， 在于它能通过交叉验证 ， 获得自己的预测相似度 。 我们可根据对标签解释力的需求 ， 设置一定相似度以上的人群 ， 打上「高用户购买意愿」的标签 。
算法类标签也有坏处 ， 它是个黑盒 ， 不如规则那样简单明了可解释 。
我们神策的用户画像产品在做算法类标签实践的时候 ， 也遇到了这样的问题 。 所以 ， 一个好的算法类标签 ， 应该还能输出它所使用的行为特征权重 。 这样 ， 能让算法黑盒变成相对白盒 ， 业务人员可解释度强 。 同时还有一个好处 ， 就是特征权重其实也展示了那些特征才是最影响业务结果的 ， 有些时候我们不是想要预测标签 ， 而是想要知道什么特征对转化更重要 。
四. 如何利用好用户画像分析赋能业务落地？
1. 用户画像的用法
我们在前面有提到 ， 标签体系的用途 ， 其实主要是两大类 ， 一类是分析洞察获取业务灵感 ， 另一类就是输出赋能精细化运营和数据产品系统使用 。
对于标签体系来说 ， 利用标签去筛选目标客群 ， 并且输出人群列表 ， 其实是最简单直接的一种应用方法 。 通过组合多个基础标签 ， 可以快速做到很精细的目标人群输出 。
当然 ， 这也对我们的基础标签梳理有一定的要求 。
图 15 画像基础用法：筛选客群输出
同时 ， 当标签数据能与数据产品系统打通的时候 ， 它就会变成强有力的武器 。
神策在这方面的解决方案 ， 是将用户标签和与智能运营平台进行数据打通 ， 这样可实现精准筛选受众用户 ， 并且基于用户的行为去实时触发各种推送、短信、弹窗或优惠券策略 。 可以助力运营部门快速试验不同的精细化运营策略 ， 以及将成功的运营策略自动化 。
画像与智能运营平台的结合
在试验运营策略之前 ， 有一件事情必不可少 ， 那就是对我们的目标人群做精细的用户画像分析 。
2. 用户画像应用场景示例
我们以一个具体用例来讲解用户画像的洞察 。

推荐阅读


上一篇：微博上对它的讨论热度开始快速上升 游戏如何投放？

下一篇：新用户激活的痛点和解决方案 如何用户激活？