标签管理体系之业务应用

1. 标签管理体系之业务应用

  1、业务背景 
   基于标签对业务进行精准分析，从而影响运营思路和产品迭代的节奏，进而带来非常高的商业价值，但是这里需要对标签的质量进行评估，假设标签的覆盖场景非常低，而且准确度低，同样也会反向影响业务。
   通过在标签的使用过程分析和评估，不断优化标签的质量，形成完整的管理周期，这样才能发挥更高的业务价值。
    2、覆盖维度 
   单一场景下标签能产生的价值并不高，这也是很多产品在初期不会过度考虑数据分析的一大原因，能获取到有标签含义的数据不足以产生较高的价值。
                                           通常当用户有一定规模之后，业务的主流程搭建完毕，产品自身也基本完成，这时候就会开始考虑数据的标签化分析，在标签初始化完成后，会有小规模的业务场景验证，通常通过一些运营操作完成，验证标签效果之后就会全面开放到业务中。
    3、准确度 
   标签的准确度是在整合周期中最关键的，在给对象打上标签后，需要准确获取对象的各项数据，提供基准的分析。
   例如：描述24-30岁白领消费能力，在实际业务中发现28-30岁的白领消费能力并不符合预期描述，那就需要对该标签做垂直细化，分为[24-27]和[28-30]两个阶段，如果范围内还是存在较大差异，则还是需要不断优化。
                                           如何把控准确度，可以是基于指标阈值，或者特定业务场景下的人工分析和手动管理，从而判断标签是否准确或者获得标签优化的依据。
    1、贴标签 
   给一个用户贴标签的过程是非常复杂的，这里通常需要依赖现有成熟的标签体系。
   例如新注册的用户或者长期不活跃的用户，如何获取精准的分析，从而为运营提供激活用户的策略：
                                           这里相似的用户可能从多个角度分析，例如性别.年龄.区域.或者参考少数的行为数据。
    2、标签查询 
   基于对标签的选择，和标签值选取，生成数据查询的条件，圈取数据包，这是最常使用的手段。
   例如很多的数据分析，筛选等，或者将一些图片视频文件等，通过一些精准的标签设定，从而达到被快速查询定位的效果。
   在很多媒体类平台上，发布内容都需要自己设定描述标签或者自动内容做分析，生成相关标签，都是很常规的应用场景。
    3、API调用 
   把标签条件组装成API参数，通过接口调用的方式，快速获取该标签条件下的数据包，从而响应业务场景的需求。
    1、种子数据 
   基于小批量的种子数据，获取该数据的公共特征，进而基于这些特征选取更大的数据包，有点抛一块砖砌一面墙的味道，该行为也称相似数据包挖掘。
                                           这是数据营销的案例中最基础的思路，先小范围测试用户的营销效果好，如果效果良好，则根据分析这批小用户特点，提取描述标签，然后获取具有相同标签的用户进行营销，如果这批种子用户效果不好，则快速停下转换思路。
    2、数据包运算 
   基于多个数据包，进行运算，比如两个数据包并集，交集，补集，差集等系列运算。
                                           这样可以得到数据包的差距，分析组合标签或者差异标签之间的影响，可以给营销带来精确的参考。数据能产生多大的价值，取决于如何去管理和运营这些数据，不管从什么思路去分析，思考的角度和整体意识要把握住。
    End 

2. 标签体系该如何构建？

什么是标签体系呢？简单说就是你把用户分到多少个类里面去。当然，每个用户是可以分到多个类上的。这些类都是啥，彼此之间有何联系，就构成了标签体系。标签体系的设计有两个常见要求，一是便于检索，二是效果显著。在不同的场景下，对这两点的要求重点是不同的。笔者见过很多做用户画像的产品经理，往往醉心于设计一个伟大、 光荣、正确的标签体系，这往往是形式主义的调调儿。

一般来说，设计一个标签体系有三种思路：

1. 结构化标签体系
简单地说，就是标签组织成比较规整的树或森林，有明确的层级划分和父子关系。结构化标签体系看起来整洁，又比较好解释，在面向品牌广告主开喷时比较好用。性别、年龄这类人口属性标签，是最典型的结构化体系。下图就是Yahoo!受众定向广告平台采用的结构化标签体系。


不过，实践当中即使是面向品牌广告主，售卖非人口属性的受众也存在很大困难，原因又回到文章开头说的问题：这些标签从原理上就是无法监测的。

2. 半结构化标签体系
在用于效果广告时，标签设计的灵活性大大提高了。标签体系是不是规整，就不那么重要了，只要有效果就行。在这种思路下，用户标签往往是在行业上呈现出一定的并列体系，而各行业内的标签设计则以“逮住老鼠就是好猫”为最高指导原则，切不可拘泥于形式。下图是Bluekai聚合多家数据形成的半结构化标签体系。


当然，标签体系太过混乱的话，投放运营起来就比较困难。因此，实践中往往还需要对一定程度的结构化做妥协，除非整个投放逻辑是机器决策的（比如个性化重定向）。

3. 非结构化标签体系
非结构化，就是各个标签就事论事，各自反应各自的用户兴趣，彼此之间并无层级关系，也很难组织成规整的树状结构。非结构化标签的典型例子，是搜索广告里用的关键词。还有Facebook用的用户兴趣词，意思也一样。

半结构化标签操作上已经很困难了，非结构化的关键词为什么在市场上能够盛行呢？这主要是因为搜索广告的市场地位太重要了，围绕它的关键词选择和优化，已经形成了一套成熟的方法论。

面向品牌的结构化标签体系，设计的好坏似乎并不太重要；而彻底非结构化的标签，也没有太多设计的需求。产品狗们碰到的难点，往往是如果设计合理的半结构化标签体系以驱动广告的实效。这里面最关键的诀窍，是深入研究某个具体行业的用户决策过程。
当前，创略科技是国内首个CDP客户数据平台，在标签基础数据整合、标签管理、客户画像上有着突出的表现。