金三银四,各位开始面试了吗?米六开始刷经验了,今天的主题是最近遇到的面试题,直接干货上了,一次看可能记不住,建议收藏,没准下次面试就用上了呢~想要构建用户标签体系,首先需要了解行业内四种主流的标签框架
四种主流的标签框架
1.基于营销触点的用户标签体系:
最经典的是阿里AIPL模型,即针对每个用户在链路中的不同阶段特征进行深入挖掘,即感知-有兴趣-购买-忠诚:
A(Awareness)认知:包括被品牌广告触达和品类词搜索的人;
I(Interest)兴趣:包括广告点击、浏览品牌/店铺主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏的人;
P(Purchase)购买:指购买过品牌商品的人;
L(Loyalty)忠诚:包括复购、评论、分享的人。
根据这些数据分析这些人群的所占比重有哪些问题,针对链路中具体问题采用对用的解决策略,并设计更具体的标签指标。
2.基于增长漏斗的AARRR模型
识别用户所处的增长状态,对不同生命周期的用户执行不同增长策略,即从获取-激活-留存-盈利-推荐
3.用户价值分层模型
识别用户的价值信息,将用户分为不同价值的类型,例如最有价值的客户、潜在客户、无价值客户,比较经典的是RFM模型,
R近度:最近的消费时间,消费时间越近的客户价值越大。
F频率:消费频率,频率越高为熟客用户价值越大。
M金额:消费金额,消费越多用户价值越高。
4.用户偏好模型
即常见的用户行为信息(有点类似用户画像),基于用户对产品的功能或偏好做区分,指导销售服务人员进行个性化服务。
BUT 注意,框架只是用来参考的,在构建之前还需要注意三个原则。
构建前需要注意的三原则
针对各业务线或部门的诉求和实际的应用场景,分别将标签聚类起来提供给相应部门。
自助化生成标签,尽量让业务方自己定义规则,减少沟通成本;并且支持根据实际情况重新修改和定义规则降低无效标签的堆积。
有效的标签管理:
1)标签相关的规则和元信息要尽可能的暴露给使用者,让使用者在使用的时候,能清楚知道标签的规则是什么、创建者是谁、维护者是谁、标签的更新频率周期。
2)调度机制及信息同步:标签之间有一些关联,标签之间的链条断裂,是否有个调度机制或者信息同步机制让大家的工作不被影响。
3)高效统一的输出接口:将所有的业务信息和用户数据信息汇总在一起,有统一的输出接口,改变之前需要针对不同的业务系统开发不同接口的情况。
标签体系的实施架构
一般来说标签体系架构可以分为三个部分:数据加工层、数据服务层、数据应用层,每个层面面向用户对象不一样,处理事务有所不同。层级越往下,与业务的耦合度就越小。层级越往上,业务关联性就越强
标签框架的搭建方式
1.以业务需求为导向,梳理指标体系
注意:一定要确定目标是什么,比如说当前的目标是为了提高整体交易金额,那么就需要对影响交易金额的流程进行拆解,拆解出来的每一个环节,可以去想在这个环节能有什么策略去提高交易金额。
这里将B端与C端进行简单的区分。
C端:
基于用户行为,梳理业务流程即启动、登录注册、浏览行为、加购付费等等,覆盖用户使用流程,确定行为维度,构建用户画像。
无法获取用户行为偏好时,基于用户生命周期,即新用户、活跃用户、流失用户等覆盖用户节点。
B端:
有哪些产品线?产品线有哪些来源渠道?
每个产品线有哪些业务对象?
最后再根据对象聚合业务,每个对象涉及哪些业务?每个业务下有哪些业务数据和用户行为?
2. 由业务需求抽离出标签需求
由业务需求抽离出标签需求,并且按照业务产出对象的属性来进行分类,一般是按用户的基本信息、用户的账户特征、业务特征进行分类。
3.搭建标签模型
按照数据的时效性可分为静态&动态属性标签
静态属性标签。长期甚至永远都不会发生改变。比如性别,出生日期,这些数据都是既定的事实,几乎不会改变。
动态属性标签。存在有效期,需要定期地更新,保证标签的有效性。比如用户的购买力,用户的活跃情况。
按照数据提取维度分为四种类型:
原始数据:行为日志等
事实标签:原始数据中获取,例如用户注册信息中提取用户性别、生日、注册手机号、注册城市等。
规则标签:根据规则定义并计算出的确定值,对业务经验和数据分析要求比较高,例如用户打了领带,按照我们过去的经验,一般是白领,所以我们也可以认为用户是白领。这是基于我们设定的某个规则,只要有人打领带就是白领,去打的标签。这种类型叫规则标签。
算法标签:参考已有事实数据,学习其特征来预测类似用户的偏好,比如用户a的历史购物行为与群体A相似,使用协同过滤算法,预测用户a也会喜欢某件物品。
4.标签的处理
将标签划分为静动态有助于业务人员理解标签体系的设计以及表达需求。而将标签分为事实标签、规则标签、预测标签则是数据处理计算维度,有助于技术人员理解标签的模块分类及功能。帮助他们合理的设计处理数据,规划数据储存方式、抽取方式、计算方式,以及保证标签的更新及时性及数据变更效率。
用户标签体系的应用场景
精细化运营
将用户群体切割成更细的粒度,辅以短信、推送、邮件、活动等手段,驱以关怀、挽回、激励等策略。
数据分析
在产品用户量扩大后,需要辅以用户画像配合研究,如新增的用户有什么特征,核心用户的属性是否变化等。本质上来讲,标签就是对用户的描述,所以对标签的加工,相当于更深层地分析出贴近业务的用户信息,这个信息会减少大家基于原数据重新跑一些业务分析和用户分析的场景。
用户分析
标签可以理解成作为用户分层分类的规则之一,数据查询平台和这些数据打通后能支持更加丰富和深层的分析及对比。
产品应用
用户标签是很多数据产品的基础,诸如广告系统、个性化推荐系统、CRM 基础搭建等,事实上,自动化运营本质上在技术角度对底层的要求就是标签体系。