数据分析示例-App付费用户的数据标签体系的构建

目录

App付费用户的数据标签体系的构建

1. 明确业务需求

2. 制定用户标签基础框架

3. 确定标签维度及统一计算口径

4. 数据标签开发

1、构建统计类标签

2、构建规则类标签

3、构建模型类标签

5. 标签上线与版本迭代

数据标签体系的应用场景

数据标签体系辅助运营人员进行决策分析

1. 标签查询及人群圈选

2. 自动化触达

数据标签体系可提升数据分析师的分析效率

---

App付费用户的数据标签体系的构建

1. 明确业务需求

构建数据标签体系的第一步是明确业务方的需求，搞明白业务方现 在面临什么问题，主要需求是什么，需要重点解决的问题是什么。

2. 制定用户标签基础框架

通过5W2H分析框架解析业务需求之后，基本的用户标签体系的框 架也就成形了。这一阶段根据需求解析结果，整理用户标签体系整体框 架，以指导后续的标签开发。这一阶段需要业务方、数据分析师及算法 工程师共同协商确定。

3. 确定标签维度及统一计算口径

确定了用户的数据标签体系的基础框架之后，就需要确定标签的统 计维度和计算口径。标签的数据大多数情况下是通过数据埋点获取的； 当然，对于用户的社会属性等标签信息往往是基于用户行为使用一定的 算法推断出来的，也有基于第三方数据获取的。对于各个数据标签的计 算口径，数据部门可以制定出一份统一的数据字典，以防止不必要的解 释成本。

4. 数据标签开发

数据标签的开发由数据分析师和算法工程师共同完成。数据分析师 主要负责统计类标签和规则类标签的开发；算法工程师主要负责模型类 标签的开发。

1、构建统计类标签

对于统计类标签的开发，数据分析师在与运营人员等业务方沟通好 需求之后，可通过SQL实现相关标签的统计并通过定时调度任务定期更 新数据标签。

2、构建规则类标签

除了统计类标签，规则类标签的开发也可以由数据分析师完成。但 在开发标签之前，数据分析师需要与业务方共同商定标签的规则

3、构建模型类标签

模型类标签主要由算法工程师负责开发，即对用户的社会属性进行 预估，或者对用户的付费倾向、流失倾向等标签进行预测。

5. 标签上线与版本迭代

完成数据标签的开发之后，就到了部署上线的环节。部署上线一般 由数据工程师来完成。数据分析师和算法工程师需要在上线后，对数据 标签进行维护以及根据业务需求调整数据标签，以实现版本的迭代。

数据标签体系的应用场景

数据标签体系辅助运营人员进行决策分析

1. 标签查询及人群圈选

标签查询是数据标签体系基本的应用场景，业务方可以通过用户标 签查询所需的用户群体，对不同类型的用户群体实现精细化运营。例 如，可以将过去30天付费金额大于800元，活跃天数大于15天以及活跃 间隔小于3天的用户定义为优质付费用户，进而对这部分用户进行精细 化运营以提升付费金额；同样地，也可以圈选出近15天内没有活跃过且 最近30天内活跃天数小于2天的用户，对这部分用户进行一定的干预以 提升用户活跃度。

2. 自动化触达

对于业务方来说，数据标签体系的第二个应用场景是自动化触达， 以实现对特定用户的干预。例如，在标签查询及人群圈选功能中圈出优 质付费用户或潜在流失用户，将这两类用户分别建立不同的群组，然后 通过消息触达这两类人群。对于优质付费用户，可以提供“满减优惠 券”以刺激用户付费；对于潜在流失用户，则可以通过发送“回归奖 励”等消息来触达用户，提升用户活跃度

数据标签体系可提升数据分析师的分析效率

对于数据分析师来说，数据标签体系提升了数据分析师的分析效 率。无论是面对用户分群的分析需求，还是指标体系的搭建相关需求， 数据分析师基本都可以从数据标签体系底层表中直接取数，而不需要通 过SQL再写几十行代码对数据进行分箱（分类），进而生成相应的标 签，所以能够节省一定的时间成本，提升分析效率