最近好像一直在和营销自动化打交道,发现有一些同学在做营销自动化的时候不知道如何下手,或者下手后掌握不住“度”,就是我应该把营销自动化做到什么程度。想做营销自动化,那么就必须有一套匹配的标签体系,今天总结一下如何搭建标签体系。
一、标签基础分类
先了解标签分类,有了对标签的大概认知,我们才能知道如何搭建我们的标签体系。
分类一:
(1)人口属性:包括性别、年龄、家庭状况、婚姻、职业等基本信息
(2)兴趣特征:浏览内容、收藏内容、阅读资讯、购买物品偏好等信息
(3)消费特征:与消费商品或者服务相关的特征等信息
(4)位置特征:用户所处城市、所处居住区域、用户移动轨迹等信息
(5)设备属性:使用的终端特征,如手机品牌、机型、分辨率等信息
(6)行为数据:访问时间、浏览路径等用户在网站的行为日志数据
(7)社交数据:用户社交行为等相关数据
分类二:
(1)从更新频率来分:静态标签、动态标签
例如“性别”这个标签,一般来说是不会随着时间变动的,所以它属于静态标签;而“最近一次访问时间”会随着每次用户登录而更新,也就是动态标签。
(2)从主题上分:属性标签、行为标签等
随着业务的进行,标签往往会越来越多,而“主题”帮助我们从业务角度对标签进行归类,方便后续有秩序地补充新的标签。例如我可以分为“属性标签”和“行为标签”,将“性别”“年龄”这样描述用户的自然属性的标签归于“属性标签”,而将“近30日下单次数”这样的涉及到用户下单行为的标签归属到“行为标签”。主题的划分并没有规定,不同的公司可以根据自己的业务需求进行归类整合,避免标签体系杂乱。
(3)从层级上分:一级标签、二级标签等
同样,层级也是为了业务理解更加有序才产生的,例如上述的“近30日下单次数”可以作为“二级标签”,归属于“近30日行为”这个一级标签,那么下次添加“近30日登陆次数”这个标签时,就可以同样归于“近30日行为”这个一级标签之下。当然,如果业务逻辑复杂,可能还会有三级标签。
(4)从开发方式分:统计类标签、规则类标签、算法类标签(又称:事实标签、模型标签、预测标签)
这一种分类方式是从技术开发角度产生的。“统计类标签”(有些又称为“事实标签”)是从底层数据表中取出原始数据,进行简单的加减乘除运算得到的标签,例如“最近一次登录距今天数”这个标签,就是将用户的最后一次登录时间与今天做减法,得到距今天数,它反映基本事实。而“规则类标签”(有些又称“模型标签”)则是进行了业务定义后的标签,例如“流失用户”这个标签,基于我们的业务认知,将“最近一次登录距今天数”大于30天的用户定义为流失用户,不同公司会有自己的定义方式,例如“抖音”这样高频的社交产品,他的流失的定义一定会严格于“携程”这样低频的出行产品。“算法类标签”(又称“预测标签”)顾名思义,就是需要利用算法才能得到的标签了,例如电商产品常通过用户的下单行为,去猜测用户的性别。通常算法类标签涉及复杂的逻辑与权重,开发难度大,在所有标签中占比不高。
(5)从生成规则分:单一标签、复合标签
一般来说,上述的统计类标签可以说是单一标签,而规则类和算法类标签就是需要多个单一标签组合而成的复合标签。
二、标签规划
有了标签的基本认知,我们就要开始规划,我们要做那些标签了,怎么做?
切勿“大而全”标签,不要根据自己的思考上来就整理几百个标签,再经过研发没日没夜的研发出来之后,发现运营并没有使用,或者使用的概率极低。
①虽说标签需要做得精细,但始终是有主次的,当前为什么会用到标签,具体用来做什么?
②在需求调研阶段,什么样的调研是意义的?你会发现有许多做得不错的第三方平台,标签体系非常成熟全面,但像第三方平台这样的to B公司,为了适用于所有的公司业务,所以尽善尽美。而以我们当前的业务量来说,是否需要做到如此全面?以当前的资源来说,是否有能力进行开发和维护?
明确标签生产目标。明确目标非常重要,因为在收集需求过程中,我们会收集到来自不同部门、不同角色的需求,可能几十个可能上百个。但是作为产品经理,我们知道绝大多数时候研发资源非常紧张,这就要求我们在有限时间内,投入有限资源做更有价值的事情。
这里目标分为企业战略目标、部门的考核目标、核心业务方的业务目标等,需要我们具体分析。比如当企业或者产品处在不同生命周期,对用户标签的诉求是不同的,如本季度公司战略目标是新用户同比上一个Q增长30%,那我们可以优先考虑生产和实现有利于拉新的标签。
针对不同商业目的,对标签体系的建设也是不一样的,因此要从运营策略推导出标签。比如业务部门要做个性化推荐,做关于物或者人的兴趣、偏好的标签会比较有价值;但是如果要做精细化运营,关于用户的留存、活跃标签会更有价值。参考下方用户标签选用的案例:
把提升扫码方式关注率作为量化的目标,选用的运营策略是通过推送优惠券方式吸引微信用户扫码,新粉丝扫码关注后推送100元优惠券,老粉丝扫码后推送50元优惠券,那么执行运营策略过程中需要用到“是否新粉丝”这个标签。
三、标签收集
如何和业务正确沟通收集标签:
错误方式:
我:咱们现在要对用户打标签用于召回了,你觉得“流失1天以上”和“流失30天以上”,哪个更合适?
运营:我觉得都是需要的,不同的流失程度我都会关心。
我:好吧…..那针对活跃标签,你觉得“最近7天登录”“最近14天登录”“最近30天登录”,哪个最合适?
运营:那肯定都要啊,这都是我们平时会关注的指标。emmmm天数能不能不要固定?我们能自定义是最好的。
与业务方沟通会发现,在对方对标签不甚熟悉的情况下,会误将标签与业务指标相混淆,从而显得“贪心”起来——什么标签都想要。这时,你需要转换一种提问方式,得到最有价值的答案
正确方式:
我:咱们现在要对用户打标签用于召回了,平时你想对哪些用户进行召回呀?
运营:我想想…..我平时看数据,大多用户会在前期流失,3日留存率就只有xx啦!是我的话,我会在3日这个节点去召回。
我:soga,那我们可以提供“流失3天”这个标签,方便你进行召回操作。
精简标签之后,留下最重要、最迫切的一些标签,作为第一期的实现内容。之后你会发现,一些基础标签,已经能满足百分之六七十的需求啦,这样既不会造成开发资源的浪费,也避免业务人员在使用时,面对着海量标签犹豫不决。
标签收集公式:
生成xxx标签后,运营人员将圈选xxx标签用户,以xxx时间周期,进行xxx运营动作,预期达到xxx目标效果。(如新用户下单率提升10%);
如生成出“近7天新增用户”和“用户活跃度”标签后,运营人员将每周一圈选出近7天新注册用户且活跃度较低的用户,进行优惠券短信下单,将新用户下单率较上月提升10%。
四、产出标签需求文档
在此环节,数据产品经理需要根据前期和业务方的沟通内容,产出具体的标签体系文档:
(1)标签ID:例如, ATTRITUBE_U_01_001, 其中“ATTRITUBE”为人口属性主题,“_”后面的”U”为userid维度,“_”后面“01”为一级归类,最后面的“001”为该一级标签下的标签明细
(2)标签名称:英文格式名称,例如,famale
(3)标签汉语:女
(4)标签主题:描述标签所属的主题,例如,用户属性维度标签、用户行为维度标签、用户消费维度标签
(5)标签层级ID:标签所属的层级,一般会分为2级
(6)名称:与ID对应的名称
(7)标签类型:统计类标签、规则类标签、机器学习算法类标签
(8)更新频率:实时更新、离线T+1更新、单次计算
(9)标签算法规则:
需要描述选择哪张数据表中的具体哪个字段,若需要多张表做关联,还需要说明通过什么字段进行join
具体的算法逻辑和统计周期,比如“近7天支付次数”,就是需要统计近7天支付的总次数。
(10)使用场景描述
(11)排期
(12)开发人
(13)需求方
(14)优先级
五、埋点文档
前面已经明确了标签的算法规则,接下来要进一步确定应该埋哪些点来采集所需的数据,下面是一个具体案例:
针对“购买商品品类偏好”这个标签,会用到点击下单按钮事件数据,以及商品名称、商品分类等事件属性数据,那么就需要对点击下单按钮事件进行埋点。
埋点取哪些数据已经确定了,就需要产出具体的数据需求文档,交付负责埋点的开发同事进行埋点取数了。在数据需求文档,应该明确以下内容:
(1)埋点名:click_order
(2)埋点显示名:点击下单按钮
(3)上报时机:根据实际情况,选择是何时进行上报。比如对于点击下单事件,可以选择点击了下单按钮时就进行上报
(4)埋点形式:根据实际情况,选择是客户端埋点,还是服务端埋点。比如“购买商品品类偏好”标签的下单按钮点击事件,因为只是想判断用户对购买商品的偏好,用户点击按钮后已经能说明是否有偏好了,不需要等服务端返回是否成功的提醒,因此适合采用客户端埋点形式
(5)属性名:事件属性的名称,比如点击下单按钮事件的商品名称属性
(6)属性值:比如衬衫
(7)备注
实际工作中,撰写标签体系文档、根据标签规则确定埋点、撰写数据需求文档,会是一个互相完善补充的过程。
六、标签系统功能模块
(1)数据看板
通常用户画像系统的数据看板,以可视化形式展示企业的核心用户数据资产情况或者重点关注的人群数据。旨在建立和统一使用者对企业数据资产或者核心人群数据的基础认知,主要分成以下几类:
用户量级及变化趋势:不同设备类型ID量级、不同类型用户量级(如注册与非注册用户、付费与非付费用户等);
标签资产:按主要类目统计标签个数等;
核心用户标签:展示固有或自定义人群的关键标签画像数据等;
(2)人群管理
在人群管理模块,使用者可以在可视化界面,通过组合勾选不同条件,即可创建想要的目标人群包,并通过人群列表进行已创建人群包的管理。主要分成两个模块:
创建分群:按创建方式,主要分为标签组合、本地数据包、行为条件、人群组合、第三方数据接入等方式;
人群列表:对已经创建的人群进行条件查询、基础信息编辑、删除、快捷应用等管理操作;
(3)人群应用
在人群应用模块,使用者可针对性对已创建人群包,从不同维度进行目标人群的洞察分析,部分画像系统还会与企业内部的营销通道进行打通,可直接在系统内部通过push、短信、广告位等渠道对目标人群进行营销推广。
洞察报告:对目标人群进行可视化数据展示,可进一步细分为用户人口统计信息画像、关键行为特征、转化漏斗分析等;
Push推送:与客端产品打通,通过手机通知栏、站内消息盒等渠道,对目标人群进行营销内容推送;
短信推送:通过运营商渠道,对目标人群,进行营销内容触达;
(4)标签后台管理
标签后台管理模块,主要包括标签信息维护、标签上下架配置和标签用户量级监控等功能,帮助产品、运营同学对系统的关键内容进行灵活维护。
标签信息维护:标签中英文信息、标签规则说明、标签数据源等
标签上下架:控制标签是否在前端界面展示及点选条件等
标签用户量级监控:统计标签覆盖用户量级及变化趋势等
(5)权限管理
权限管理模块,可根据不同业务场景或组织架构,创建用户账号、生成不同角色并赋予对应角色不同的功能和数据权限。用户标签数据,是企业核心数据资产,同时涉及用户敏感信息,安全级别高,进行严格的权限管理必不可少
七、标签测试
你的标签体系打得不一定一定就是对的,这个需要你和市场运营一次次验证修改来一步步的完善你的标签体系。