用户标签实践中的常见疑问

2018-05-13 本文已影响336人 lei__

有朋友留言问了一些问题，发出来分享下，可能会帮到你。

问：如果我没有那么多数据，手动打标签有哪些简易方案吗？

答：完全靠运营人员打标签，不现实，也比较主观。打标签的部分工作可以交给用户，豆瓣是国内比较早使用标签实现个性化推荐的公司，用户可以自主地对内容（书籍，音乐，电影）打标签。

滴滴的产品也给用户开放打标签功能，因空姐被害之事被人挖出，涉及泄露个人隐私问题：乘客打司机打上「性感成熟丝袜美女」，其它的司机也能看到该标签。如果开放第三方打用户标签，像这种线下面对面接触的，审核肯定是必要的。

image

问：如果手动打标签，比如文章中您提到的4级标签，如何去管理这些标签？您是如何处理的？

可以参考4级标签的标签类型进行分组，也就是说分组管理。借助分组管理，能够帮你了解标签分布情况是什么样？不同的标签用户数，以及在全用户里的占比是多少。

问：打标签和用户建模的关系是必然关系吗？后者包括前者么？另外你们的算法是否会自动打标签？

答：标签是用户画像基础。标签是系统自动打的，系统结合离线数据和实时数据跑标签的算法，打上相应标签。动态属性的标签都是有实效性的，不满足算法条件即会被打上，不满足自然会被取消。

问：对人的刻画，本来就有长期属性和短期属性之分，文中没有看到；再比如说，精准营销只是找用户么？

答：文中举例的图表中：生日，性别，住址都是属于静态属性（长期属性）；品牌偏好属于短期属性，会结合过去一段时间内的历史数据（购买品类，次数，金额，总数据占比情况等）进行估算，参与计算的数据是动态的，所以系统会结合离线数据和动态数据计算，标签会动态更新。满足条件会被打上，条件不够后会被去掉。

广告效果和投放渠道影响需要活动效果跟踪，根据反馈情况调整你的标签算法参数，这个需要不停跑数据来测试，比较好的方式可能就是结合AI。

另外，即使没有足够的数据做分析，产品初期自建标签也能帮助运营人员：评估不同运营渠道的有效性及，了解用户的属性及偏好，提高获客效率及活动的转化率。

问：我做的这块属于人工打标签。机器打标签是如何打的？因为还涉及到动态标签这块。

答：机器打的话，基于历史数据操作。模型标签就需要建模，工程师根据你的模型跑数据。举个简单例子，使用RFM模型定义用户的消费能力，最低分是0，最高分是1。从三个维度打分：

最近一次消费的时间。
过去一年消费的频率。
过去一年里消费的金额。
对特定用户来说，参考三个变量，不论用户消费不消费，每天跑出的分值都是不一样的。用户持续消费，分值就会增长，长时间不消费，分值就会减小。所以，这个标签就是动态的。

问：文章中提到：怎么设计一个完善的用户标签体系？怎么打标签？打哪些标签？谁来打？一般创建标签是在什么时候创建？是在数据产生之前还是产生之后，比如我在调研问卷上打标签是可以在发放问卷前打标签还是可以在问卷回收之都再打标签比较合适？

答：文章写的标签是都是在基础数据产生之后打的，由机器打，适用用户数比较大的产品，日活跃用户数至少大于1万吧。做调研问卷的话。有条件就可以打，不必拘于前后，只要你能够获取到数据。这种属于人工打标签，给用户自主创建标签，更容易操作。

问：因为有对接银行的数据，数据非常多还很杂。人工标签和机器打标签和数据量有关系吗？

答：人工标签，机器标签的区别主要有两个点：1. 数量的问题，量大的话，人工成本太高。2. 量化的问题。机器打标签，通过建模实现标准化。人工打标签，则是感性的。

问：多个产品线的话，标签分类也都是可以清晰处理分类的吗？

答：对标签按产品线分类就好。基础数据可以通过不同产品线业务数据补全，业务数据既可相互独立的使用，也可以相互支持辅助参考。

问：比如我有4级标签，那么针对一个答案去打标签的话，只需要打上第4级的标签就可以对吗？

答：是的。4级标签是为了便于标签的分组管理，用户最终被打上的是最后末级的标签实例。

问：标签体系在实践当中有用吗？在实际应用中其实效果就那么回事儿，更多是讲故事以及投放的时候图个心安，总比没有参考的乱投好些。

答：实际的使用效果需要观察数据结果。与普通投放方式进行比较，对比各个环节的转化率情况。

问：用户标签和精准营销相关的书籍或者系统性的文章在网上可以查看参考？

答：《推荐系统实践》一书，建议了解下。另外，可关注腾讯和美团在这方面的技术实践分享。

问：用户标签体系的建立和应用有哪些难点？

多业务渠道的数据汇总；用户行为数据的实时采集；标签的数据化建模。