锐客网

  1. 首页 > 睿知 > >

深入了解用户标签画像 用户标签体系设计思路( 三 )

睿知生活知识

请问，张三到底是男生，还是女生？
这个故事里，其实张三有三个性别标签 。
首先是社交 APP 的资料，因为他填写了男性，所以我们可以认为他是男性，这是基于某个确切资料打的标签 ， 这种类型叫事实标签 。
张三穿的是一件很有设计感的裙子 ， 按照我们过去的经验，一般只有女性会穿裙子，所以我们也可以认为张三是女性 。这是基于我们设定的某个规则，只要有人穿裙子就是女性，去打的标签 。这种类型叫规则标签 。
最后，张三刷脸支付没有获得活动女性优惠 。摄像头是利用算法结合多种特征去预测张三是女性的概率的，因为张三长相很阳刚，算法认为他是女性的概率比较低，所以打标签他是男性 。这种类型叫算法标签 。
图 10 标签生产的基本方式
上述三种标签是最基础的标签维度，下图可以帮助我们更好地理解它们 。
图 11 三种标签定义的内涵
2. 标签创建场景
我们通过具体的场景，来加深对标签生产和创建的理解 。累计消费金额，即用户注册以来的总消费金额 ， 就是一个用指标值作为标签值的例子 。
首先 ， 这个例子是一个数值型标签，但数值型的标签不一定好用，如果这个标签是直接给到业务人员去使用的，应该先通过业务经验去把它分层，划分出高中低级别 ， 将业务含义映射到特征上 。这样业务人员在使用标签的时，就能提高业务人员的认知效率 。
图 12 场景举例：将自然语言转换成配置规则
那么问题来了，业务经验可靠吗？我们评价一个规则，通常有几种标准，分别是覆盖率、准确率和召回率 。从这些指标去衡量，以经验为参考的规则就不一定符合真实业务需求了 。
事实上，定义标签是可以通过科学的数据分析方法进行的 。
我们前面有提到，对于数值类的标签，最好通过业务经验来分层 ， 来提高业务判断的效率 。对于这种高中低分层 ， 通常可以使用分布分析的方法 。
比如还是对于「用户点击商品详情页」的次数，我可以计算它的次数分布 ， 再按照 25%，50%，75%，75% 以上划分标签 。
这样 ， 我不仅能划出四个分层，还能保证每个层级都有很好的覆盖度 。对于资产盘点分层、付费用户分层这样的标签，分布分析是一个很好用的方法 。
图 13 使用分布分析进行用户标签分层
【深入了解用户标签画像 用户标签体系设计思路】当然了，我们需要的其实不是对「用户点击商品详情页」次数的分层，而是对「用户购买意愿」有解释力的标签 。算法类标可以有效地解决这个问题 。
所谓的算法类标签 ， 本质上也是在做「预测」这个事情 。下图所示的是神策用户画像产品实现的相似人群扩散功能，通过提供种子用户，来学习他们的特征，并预测一个用户的标签 。对于「用户购买意愿」，我们可以用「实际真的有购买」过的人群 ， 来作为我们的种子用户 ， 让算法去学习他们的特征 。
图 14 算法型标签：相似人群扩散
算法类标签的好处，在于它能通过交叉验证，获得自己的预测相似度 。我们可根据对标签解释力的需求 ， 设置一定相似度以上的人群，打上「高用户购买意愿」的标签 。
算法类标签也有坏处 ， 它是个黑盒，不如规则那样简单明了可解释 。
我们神策的用户画像产品在做算法类标签实践的时候，也遇到了这样的问题 。所以，一个好的算法类标签，应该还能输出它所使用的行为特征权重 。这样，能让算法黑盒变成相对白盒，业务人员可解释度强 。同时还有一个好处，就是特征权重其实也展示了那些特征才是最影响业务结果的 ， 有些时候我们不是想要预测标签 ， 而是想要知道什么特征对转化更重要 。
四、如何利用好用户画像分析赋能业务落地？1. 用户画像的用法
我们在前面有提到，标签体系的用途，其实主要是两大类，一类是分析洞察获取业务灵感 ， 另一类就是输出赋能精细化运营和数据产品系统使用 。
对于标签体系来说 ， 利用标签去筛选目标客群，并且输出人群列表，其实是最简单直接的一种应用方法 。通过组合多个基础标签，可以快速做到很精细的目标人群输出 。
当然，这也对我们的基础标签梳理有一定的要求 。
图 15 画像基础用法：筛选客群输出
同时，当标签数据能与数据产品系统打通的时候，它就会变成强有力的武器 。

推荐阅读


上一篇：做好的蒿子粑粑怎么保存 蒿子粑粑怎么保存

下一篇：魔女之泉3上古龙之爪在哪获得 上古龙之爪获得方法