本篇要推荐的,是一个很基础的,估计人人都听过的,却常常弄混淆的定义:用户标签。虽然名字简单,但它却是用户画像、精准推广、个性推荐、智能投放等等各种系统的砖石。今天系统推荐一下。
一、啥是用户标签
性别:男女,就是一个标签。简单吧!
所谓标签,就是:
1、由原始数据,经过整理、加工、分类所得
2、一个抽象的符号
3、代表一类人/物的特点
用来描述产品的,就是产品标签;用来描述生意的,就是生意标签;用来描述用户的,就是用户标签了。大家常说“小太阳家庭”“中产阶层”“喜好时髦”等都是用户标签。有意思的是,大家一直说:日常不要容易给人贴标签。可为何还要大张旗鼓做用户标签呢?
二、用户标签的用途
由于面对一个人,出于尊重他人、不带偏见的分析,大家说不可以乱贴标签。但企业经营面对数以千万的用户,就不可以一个个去理解,时间和本钱都烧不起。假如不加区分,把所有客户同等看待,就只能这么地毯式轰炸(如下图所示)
假如有用户标签,就可以迅速、便捷地细分用户群体,锁定更有需要的人,达成更精准的推广/服务。(如下图所示)
不打标签,每次都基于原始数据解析,运营会非常纠结:到底是选买过3次的还是4次的才参加活动呢?花费分段选3000,3200,还是3300呢?
理论上,每次都这么纠结也是可行的。但如此做效率太低,并且能考虑的维度太少,大概累秃了头也没什么进展。因此可以基于过往解析成就,预先打上标签,能很大提高效率,达成更复杂、更精准的解析。
并且,还能把最后成效记录进标签库,积累解析经验。假如标签打得对,那大家按标签做的事就可以起到成效,标签本身水平也被确认;假如标签打错了,那按标签做的事就会没成效,后续就可以修订标签,打新标签。
大家做用户分层和分群,做精准推广,所有结果也可以以标签形式保存。在后续多次验证,从而沉淀管用、区分度高的标签,提高用户画像的准确度与有用性。
想要达成这种好的区分成效,当然只靠“男女”这种简单的标签是不够的,于是就有了制作标签的过程(俗称:打标)。具体如何做?一块儿看个简单通俗的例子。
三、用户标签的制作步骤
比方说谈男女朋友,将来的丈母娘上来问的一定是:
● 多大?
●什么地方人?
●有房吗?
●有车吗?
●公务员吗?
●……
你看,问的全是用户标签,人家丝毫不在乎你有多痴情,你有多努力。甭整那虚了吧唧的玩意,Show me the 房地产证!十八女孩一枝花,追的人多了去了,就是要很多过滤那些馋身子的小垃圾……
然而假如只知晓回答是“有房”,是否就可以区分好年轻人了呢?——当然不能。
由于单一维度的标签,信息量非常有限。就像单纯说“有房”,那到底是上海的房屋还是盐城的房屋,是60平小两房还是120平大三房,是全款的还是欠了一屁股债的,统统不了解。因此,丈母娘才会问一大堆信息,逐步规整判断到底这个小伙是否靠谱。
这就是制用途户标签的直观步骤:
总结一下,共有7步:
1、从单维度开始
2、设定区分目的
3、进行维度拆解
4、观察区分成效
5、概括经验
6、多维度交叉
7、不断提高效
做用户标签可以非常简单,但想做有效的标签,就会非常复杂。它是一个从单维度到多维度,从简单到复杂,不断迭代验证的过程。在这个过程中,常常出现问题。
四、用户标签的五大容易见到问题
▌问题一:没目的,盲目干活。
很大一部分人被“比方说性别:男女就是个标签”这句话误导,以为只须做了分类,就算是标签了。至于分出来的类别之间有哪些差异,有多大差异,压根没检验过。甚至,你问他为什么这么打标签,他说不了解。领导让打,咱就打,管他呢。
事实上,即便是同一个原始数据,在不一样目的下,打标方法会完全不一样。拿用户年龄举例,可能有好几种分类贴标签的方法(如下图)
▌问题二:不区分时间状况。
比方说打一个“高价值用户”标签,这里“高价值”指的是历史花费水平高,还是将来花费得多?很大一部分人傻傻不分,就统计下历史花费金额,然后花费多的就是价值高。但哪个保证用户过去买得多,将来肯定买得多??完全不肯定。
注意:假如大家要打的标签是个将来状况,比方说将来花费多,意味着大家要做一个预测:用户将来会花费多少。这里就得基于检测或者建模预测才能得到结论,不可以简单基于历史数据统计。
▌问题三:行为动机乱归因。
比方说用户买了商品A,于是就打个“A商品青睐者”标签。然而用户真的喜欢A商品吗?大家只知晓用户买了A的行为,并不可以直接推导出动机。假如想推倒动机,需要基于一段时间数据解析,并且综合多个维度判断。
在推导动机的时候要特别慎重,由于错误地、随意地归因会误导生意行动。明明用户喜欢的是优惠,结果却误判为商品粉,最后大概狂推一堆商品却没响应。
▌问题四:多目的混合不清。
比方说评高价值用户,把活跃度和付费金额,付费金额和毛利几个指标混合在一块,美其名曰“综合评价”。结果搞出来一毛不花天天白嫖的用户也是高价值用户。如果都这么折腾公司就得破产了。
这种类型问题,主如果做数据的同学嫌一个维度一个维度切分不体现数据能力,非得整个模型,算个权重才显牛逼。降维可以做,但牢记整个原则:不一样类目的不混合。尤其是涉及钱的目的。到底公司赚没挣钱,是个非常严肃的事。搞混了,是要喝西北风的。
▌问题五:结果缺少检验。
打用户标签是期望区分用户,那样最后区分成效,在目的上的差异越大越好,假如差异不大,那打标意义就不大,可以取消标签,或者再做优化(如下图所示)。
遗憾的是,非常多公司都是为了打标而打标。至于打了标签做什么,用在哪儿,成效怎么样,从来没分析过。
乱象背后深层问题,是这几年大肆吹嘘的“数据中台”、“用户画像”的定义。非常多企业不是从需要出发,先考虑大家要解决那些问题。而是从朋友圈文章出发:哇塞,领导转发《震撼!阿里数据中台秘密,终于揭露了》,领导喜欢,大家就做,搞起搞起。
于是不管数据采集怎么样,不问生意落地场景,也不想最后达成什么成效,盲目打标签。临到年底汇报,还喜气洋洋说:大家完成了10万标签组成的大量数据库!数仓、模型、可视化什么都有了,就是没人用,最后一地鸡毛。
本质上,想获得好结果,还是得从结果本身出发,依据问题找工具,而不是拿着锤子看什么都像钉子。不过非常多同学自己也没见过,天天喊用户画像,也没见几个具体落地成就。啤酒与尿布听得非常多,可就是横竖没见过一家超市是这么摆的(于是编故事的大家,会注上:海外某超市,嗯嗯)。
其实,想做出好的生意成效,远没大伙想得复杂,重要在于做好“打标-验证-积累-二次打标”的过程,持续地进行迭代。
-END-