什么是标签？
标签的价值
- 精细运营的基础，有效提高流量精准和效率。
- 帮助产品快速定位需求人群，进行精准营销；
- 能帮助客户快速切入到市场周期中；
- 深入的预测分析客户并作出及时反应；
- 基于标签开发智能推荐系统；
- 基于某类用户的分析，洞察行业特征；
标签的核心价值，或者说最常用的场景：实时智能推荐，精准化数字营销。
标签类型？
从复杂程度上看，标签可以分为四类：
- 事实型标签。比如商品的颜色、人的性别。这些是事实描述，可以直接拿来用。
- 规则型标签。比如把“消费1000元以上”定义为：高消费群体。规则类标签，往往是基于一个数据指标，然后根据特定的规则进行分类。
- 复合型标签。比如“高富帅”，就是一个典型复合型标签，它基于N个指标，进行综合计算，最后得出一个标签结果。
- 预测型标签。以上三类标签，用的都是已经发生的数据进行计算。预测型标签则是对未来情况的估计。可以用算法进行预测，也能人工预测。比如对用户进行分类，然后打个标签“预计流失用户”，就是指该用户会在未来XX时间内流失掉。
这四类标签的复杂程度是不同的：预测型＞复合型＞规则型＞事实型。
打标签？
打标签是建立标签值与实例数据的关系，可以对一个业务对象、一个逻辑数据实体、一个物理表或一条记录打标签。
打标签步骤
- 明确打标签的对象
- 明确标签的用途
- 明确标签规则
-
打标签，难点？
打标签难点在于所打的标签有几个能被业务部门用起来？标签用完以后能提升业务表现？还有多少业务想要的标签，没有在其中？
好标签？
一个好的标签，一定是：
业务高频使用
- 指向明确动作
- 产生明显效果
什么是数据标签？
数据标签由标签和标签值组成，打在目标对象上。
数据标签介于数据仓库与数据集市之间，在数据仓库之上，是为数据集市做的准备工作。
数据标签同样具有标签的属性和分类。标签体系搭建
什么是标签体系？
所谓标签体系，就是对企业需要的多种标签进行归类、同时对标签属性加以定义，从而更方便的对标签进行管理维护。标签体系构建原则
- 放弃⼤而全的框架，以业务场景倒推标签需求
大而全的标签框架是基于用户视角搭建的，而标签的实际应用者是业务方，所以应从业务视角来构建标签体系。
- 标签生成自助化，解决效率和沟通成本
业务理解的不同会导致标签的定义不同，通过让业务方自定义规则，降低无效标签的堆积，达到最小的沟通成本，进而提高效率。
- 有效的标签管理机制
通过标签规则信息维护，标签调度及信息同步、统一标签输出接口等管理机制，可以有效的帮助构建标签体系。
标签体系的设计
业务梳理
以业务需求为导向，可以按下面的思路来梳理标签体系：
- 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？
标签分类
按业务需求梳理了业务数据后，可以继续按照业务产出对象的属性来进行分类，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。
梳理标签分类时，尽可能相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在四级比较合适，方便管理，到了第四级就是具体的标签实例。
标签的模型
分维度来对标签进行区分。
按数据的实效性来看，标签可分为：
- 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，标签数据又可以分为：
- 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
为什么要从两个维度来对标签区分？这是为了方便用户标签的进一步处理。
静态动态的划分是面向业务维度，便于运营人员理解业务。帮助他们：理解标签体系的设计。
- 表达自己的需求。
事实标签，模型标签，预测标签的划分是面向数据处理维度，便于技术人员理解标签模块功能分类，帮助他们：
- 设计合理数据处理单元，相互独立，协同处理。
- 标签的及时更新及数据响应的效率。
附参考资料：
若有收获，就点个赞吧
0 人点赞
