【画像标签】方法论

本文简单概述用户画像建模方法论

名词解释

标签：
对某一类特定群体或对象的某项特征进行的抽象分类和概括；如对于用户来说，性别就是标签。
用户画像：
特定群体或者对象的多项特征组合；如用户画像包括用户性别、年龄、是否会员等等一系列标签组合。
标签值：
标签的实例值，标签的具体值；如性别标签值包括男、女、未知。
群组、客户群、用户群(本质就是人群)：
具有某些相同特征组合的集合；如营销场景经常需要拉取满足特定特征（会员用户同时近7天有下单）的人进行拉新促活，此时这份名单就可以看作是群组。

---

业务建模

1.用户哪里来？

需要统一标签用户ID(设计标示符从这些选择:用户名、注册手机号、联系人手机号、邮箱、设备号、CookieID。)

2.用户是谁？

指用户画像，分为四大类：
1.用户标签：包含性别、年龄、地域、收入、学历、职业等。(包括了用户的基础属性)
2.消费标签：消费习惯、购买意向、是否对促销敏感。
3.行为标签：时间段、频次、时长、访问路径。
4.内容分析：对用户平时浏览内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如,金融、娱乐、教育、体育、时尚、科技等。

3 用户到哪里去？

将用户画像与我们业务相关联，提升我们的转化率，或者降低我们流失率业务价值。分为三个阶段(不同业务理解分不同)：
1.获客：如何进行拉新，通过更精准的营销获取客户。
2.黏客：个性化推荐，搜索排序，场景运营。
3.留客：流失率预测，分析关键节点降低流失率。

---

数据建模

1.数据层标签

用户消费行为，事实标签作为数据客观记录。例如：1.用户属性、2.投诉次数、3.产品购买次数、4.渠道使用频率、5.优惠券使用、6.访问时长、7.支付渠道使用、8.浏览内容频次

2.算法层标签

算出的用户建模，模型标签作为用户画像的分类标识。例如：1.用户兴趣、2.用户活跃度、3.产品购买偏好、4.用户关联关系、5.用户满意度、6.渠道使用偏好、7.支付使用偏好、8.优惠券偏好

3.业务层标签(获客、粘客、留客)

预测类标签:业务关联的结果(我个人理解就是组合投放)。例如：获客预测、个性推荐、GMV趋势预测、用户流失概率。

---

如何构建标签画像？

构建过程分为五个步骤：

标签生命周期

主要分为6个过程，如下：

标签生产： 一个标签简单理解就是对应于表中的一个字段，标签来源主要分为3种：一种是数仓数据开发人员构建的基础标签或者根据业务需求产出的标签；第二种是量子平台将数仓标签开发产品化，将一些复用性较高的标签生产产品化，如近X天下单量、近X天平均付款金额等等；还有一种是对接其他系统，只维护第三方系统标签的基本元数据，通过第三方系统的API来访问标签数据。
标签质量监控： 对产出的数据如何保证准确性以及数据运行异常时如何感知，这就涉及数据质量及任务运行监控。标签质量监控亦同理，一般从以下几个方面进行监控。

标签接入： 此步骤是将标签上架，统一由管理标签整个生命周期，标签元数据的核心字段如下，其中标签类型记录标签生产来源；数据存储表明标签在哪些地方存储，最少有一处；时效性表明数据是实时的还是离线的，实时数据一般是消费业务消息队列，业务数据变化时实时将数据变化写入到存储介。
标签应用： 标签主要用在两种场，一种是标签值查询（一般是实时场景），如判断商户是否合规，是否合规可看作是一个特定标签；另外一种是圈选特定人群（或者商户、商品），通过多个标签条件组合来圈定符合条件的人群。
标签评估： 随着标签越来越多，随之而来的是平台运营、用户搜索标签的成本增加，此时需要对标签进行治理。对高价值、高质量的标签推荐更多的用户，而对那些不常用、同时使用效果也不是很好的标签进行下线处理。可从以下几个方面进行标签的评估：1）数据质量；2）使用、搜索次数统计；3）用户反馈；4）应用效果评估。