标签体系应用及设计思路 210825文档格式.docx

标签体系应用及设计思路 210825文档格式.docx

《标签体系应用及设计思路 210825文档格式.docx》由会员分享，可在线阅读，更多相关《标签体系应用及设计思路 210825文档格式.docx（18页珍藏版）》请在冰豆网上搜索。

一、企业做标签画像的目的

很多企业虽然做标签和画像考虑的侧重点会不一样，但是全部抽象出来分析，可以分成以下几类（如下图）：

图1做标签画像的目的

注：

点击放大，查看高清图

大多数处于对标签和画像探索阶段的客户，在早期会侧重在类似客户生命周期管理、高价值的客户深入开发、交叉营销等角度（如图1左侧），其本质原因是，企业希望把现有客户资产挖掘和客户运营做的更好。

随着人口红利降低，用户获取成本越来越高，尤其对业务相对成熟的行业，如银行和证券这类公司，虽然在库里沉淀了几亿、几千万用户，但是真正活跃的用户量并不多，所释放的用户价值也比较少。

在以前，银行的个人业务服务资产有的需要达到6百万以上，才会进入私人银行范畴，所以长尾客户群体的价值在业务运营范围内是被忽视的。

现在，企业希望挖掘这类人群的价值，但因成本受限无法像以前使用理财经理、专人理财服务的方式去服务这群人，银行开始借鉴互联网理财和互联网运营方式挖掘用户价值。

与此同时，企业开始极为重视数据，希望通过数据和数据资产花最小化成本将这群客户服务的更好，这是现阶段金融业相对主流的侧重需求。

另外一类需求主要与个性化相关（如图1右侧），之所以将两类需求分开是因为图1左侧这一类是以分群的思路来考虑的几个方面，把客户划分成几类，还没有细化到为某个客户做定制化的服务，相反，图1右侧的几个方面个性化程度会更深一点，整体的投入成本也会显著比左边高。

举个例子：

个性化推荐本身对于数据资源、基础硬件、人力成本等方面的消耗都大于左边。

因此，每个企业都有不同的发展阶段、业务诉求、投入产出比、可投入成本等决定企业是以上图左侧为主，还是以图1右侧为主。

事实上，从早期应用来说，我们也会推荐客户先主攻图1左侧部分，因为相对而言，这部分使用较小的投入、可产生更大的边际价值，当这部分达到业务提升的天花板时，可以开始通过图1中右侧的手段来进一步增加价值。

也就是说，左侧的方式到达一定的上限以后，企业需要使用更极致的手段实现突破，如个性化推送、个性化推荐、个性化实时营销。

如头部电商企业基本都实现了个性化实时营销，当用户准备购买一个商品，却在付款页面流失了，表明客户是有成单意愿，但存在某些疑虑，或者就是被打断后忘记回来了，系统就会在大概十分钟之后，基本上等于实时给客户做营销推送，Push用户成单。

当然，如果业务发展快，有明确的场景和充分的资源，想要两者一起来做，那当然也是可以的。

二、标签画像的应用场景总结

标签和画像实际上是对数据的再加工，根据不同的加工输出可分成四大类应用场景（如下图2）：

图2标签画像的应用总结

（1）精细化运营

企业逐渐从粗放式到精细化，希望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。

（2）用户分析

用户画像也是了解用户的必要补充，在产品用户量扩大后，需要辅以用户画像配合研究，如新增的用户有什么特征，核心用户的属性是否变化等。

本质上来讲，标签就是对用户的描述，所以对标签的加工，相当于更深层地分析出贴近业务的用户信息，这个信息会减少大家基于原数据重新跑一些业务分析和用户分析的场景。

在这里强调一点，我发现很多企业在使用数据时，会忽略思考数据背后代表的意义，但是企业需要在使用数据解释业务特征时，更深层次地剖析数据代表的用户特征，因为增添这一层思考，意味着企业的业务自始至终真正服务的对象都是用户，而不是把这些业务作为服务用户的手段。

所以，当企业开始探索业务的持续性发展时，企业对用户的了解和认知非常重要。

我在给一些证券客户做咨询的时候，会首先引导企业梳理现有数据，基于客户视角把客户资产盘点一次。

（3）数据分析

标签可以理解成作为用户分层分类的规则之一，数据查询平台和这些数据打通后能支持更加丰富和深层的分析及对比。

另外，数据分析的应用，可以更具像到一个概念，即产品的应用。

（4）产品应用

用户标签是很多数据产品的基础，诸如广告系统、个性化推荐系统、CRM基础搭建等，事实上，自动化运营本质上在技术角度对底层的要求就是标签体系。

三、标签画像的典型应用场景

很多企业会使用Push来拉新、活跃、召回用户，其实企业如果是引入外部第三方企业来支持Push业务，第三方企业会根据公司的DAU或MAU来收取费用，这意味着企业每个月给客户推0次和推5次Push，付出的成本一样。

另一方面，企业对一个用户推10次与精准地推3次（3次都产生效果）相比，后者Push用户产生的效果更好。

所以Push的应用非常强调技巧，需要从成本和Push用户产生的效果两方面考虑。

如果企业的目的是通过Push增加理财交易，我们可以先通过两层标签筛选找到推送的用户，第一层是生命周期标签筛选，如处于交易流失期的用户，第二层是行为标签筛选，如最近七天查看过银行理财产品的用户。

之所以设置第二层筛选将这群人抽取出来，是因为这群人是可被迁移的用户，而且是理财产品的潜在营销用户。

如果企业不对这群用户采取相应措施，这些潜客就会流失，但是如果企业对这些用户做精准营销，不仅对理财业务，还是对整体业务都会产生很大的价值。

图3典型应用场景

这是一个真实场景的举例（如上图3），理财业务的运营同学，通过上述规则筛选出5万人，并对这些人发了一条精准的Push，推送后打开App人数达到5680人，打开率达到11.4%（数据做了一定的处理）。

事实上，通常金融类的Push打开率，能够达到5%已经非常不错了。

但是，通过判断这群目标用户的特征和需求后采取定向推送，使Push打开率能达到接近3倍以上，这意味着如果企业采用非精准推送方式，所要覆盖的用户群需要精准推送的3倍。

同时，采用非精准推送方式会造成两个大的影响：

∙第一，那群被无效推送的用户的推送资格被占用了；

∙第二，很可能其他的业务可以精准推送这群人，产生更好的效果。

所以使用精准推送是对整体效率的提升，但是很多企业在具体的业务中很少对投入资源的有效性进行核算，这也是企业需要做精细化运营的必要性之一。

四、标签画像的典型场景流程

图4典型场景流程

那么，我们刚刚讲的那个例子，在实际的业务过程中，一般是怎么操作和实现的呢？

具体来说，我们可以分为4个步骤。

首先，根据既定的目标确定一个人群的属性描述，其实这对应了企业的商业策略。

举个例子，目标是提升理财的交易额，我把从流失的用户获取理财交易额的增长作为其中一个策略，并定义为对于交易流失用户的潜客营销。

这时候人群策略就呼之欲出了，投放人群策略描述为交易高价值客户，且处于交易流失期的有理财意向的非理财用户，便可以从各种各样维度选取相应标签，并通过标签快捷筛选获取名单，然后实施精准触达用户，最后再评估营销效果。

这整个流程也是个性化营销或分群营销中常见的一种思路。

通过前面的介绍，我们知道标签和画像在企业变大变强中有举足轻重的作用，但是现在有不少企业，说是做了用户画像系统，可能就只是实现了一些静态标签，以用户基本属性为主，或者做一份高大上的用户画像报告，但跟业务系统并没有打通，没有真正用在实际业务中对业务没产生价值。

因此很多企业做标签和画像的初衷很好，但却沦为了形式主义。

所以，不是有标签画像了，企业就能驱动业务、实现增长，标签画像“做了”跟“做好”，以及“有了”和“用上了”，中间存在着很大的鸿沟。

企业是为了驱动业务、实现增长才需要标签画像，而不是为了有标签画像而做标签画像，不能本末倒置。

所以结合前面的案例标签画像从建立到应用的正确步骤可以用以下几个图概括：

图5确定商业目的，设定目标

图6明确目标人群特征

图7抽取标签及属性值定义

图8效果评估

五、建立一个完整的标签体系的四个关键

建立一个完整的标签体系需要注重四点：

了解标签的获得形式；

清楚业务形态，以商业目的出发，汇集标签；

对标签池进行分类和定义；

标签的维护。

下面我将一一展开：

图9如何建立一个完整的标签体系

1.了解标签的获得形式

图10了解标签的获得形式

首先我们都知道标签本身会有很多分类，但是从它的实现规则来看，大致可以分成以下几类：

（1）基于统计类的标签

顾名思义，这类标签是可以从用户注册、用户访问、消费类数据中统计得出，是最为基础的标签类型，例如：

性别、城市、App使用时长、周均启动次数、月均消费金额等字段构成了用户画像的基础。

（2）基于规则类的标签

该类标签基于用户行为及确定的规则产生，在实际开发标签过程中，该类标签的规则由运营人员和数据人员共同协商确定。

如：

距今90天内交易次数>

3，是“交易活跃”标签的定义和口径；

连续12个月内飞行航段>

20，是“常旅客”标签的定义和口径。

（3）基于挖掘类的标签

该类标签为概率模型，概率是介于0~1之间的数值，需要通过算法挖掘产生。

例如：

根据一个用户的行为习惯判断是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。

需要注意的是数据源的梳理和基础规则的应用是应用挖掘类标签的前提。

如果企业的数据源没有做规则，基础没打好，挖掘类标签可以暂时不考虑。

因为建立规则仿佛在搭建一个小阶梯，如果这个阶梯搭好，证明你的数据质量和存在应用提升空间，你再往上提一阶是比较合理的方式。

因为这里会涉及到成本的投入和人员的应用能力，这是个循序渐进的过程，包括我们给客户服务的时候都会给他强调存在阶梯式递进的过程。

另外，图10中的用户自然属性、用户交易数据、用户资产数据、用户行为特征、第三方来源数据是基于数据源或具体的业务场景做的标签分类。

事实上，最终呈现的标签，一般都是以业务视角的，标签与应用场景，以及统计的属性源会都有关联。

之所以这样做，是因为这样的标签是以用户视角定义的，让用的人知道这个标签代表了什么含义，而不是了解通过什么方式抽取的。

所以，我们真正给客户梳理标签的时候大多都是基于用户视角梳理。

2.清楚业务形态，以商业目的出发，汇集标签

（1）还原业务流程

图11还原业务流程

用户画像首先是基于业务模型的。

业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。

但是数据部门也需要注意不能闭门造车，这其实跟做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果往往是无人问津。

因此，企业构建标签的第一个步骤为熟悉业务。

事实上，我们在给客户做咨询的时候，有的客户刚开始会认为我们没有做过他的业务，并不清楚其业务形态，无法精准的梳理标签体系，但是，很快他们就会打消这个念头。

因为我们做咨询的人会有一个体系化、方法论和迁移能力。

我在进入互金行业之前是做游戏行业的，但在两个月