16_多易教育之《yiee数据运营系统》用户画像-标签体系设计篇

目录

一、产品经理视角

二、技术视角-标签种类

三、技术视角-标签层次

四、技术视角-标签开发策略

        1、事实、模型标签

        2、决策标签

---

一、产品经理视角

很多用户画像初衷是好的，但是沦为了形式主义。；

举身边的例子，朋友在公司建立用户画像划分了百来个维度。用户消费、属性、行为无所不包。本来这不错啊，但是上线后运营看着这个干瞪眼。

问题包含但不限于：用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？设立好标签，怎么验证用户画像的有效性？怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？

策略的执行也是一个纠结的问题。从岗位的执行看，运营背负着KPI。当月底KPI完不成时，你觉得他们更喜欢选择全量运营，还是精细化呢?

不少公司都存在这样类似情况：使用过用户画像一段时间后，发现也就那么一回事，也就渐渐不再使用。

这是用户画像在业务层面遇到老大难的问题。

虽然企业自称建立用户画像，应用还是挺粗糙的。

二、技术视角-标签种类

基本信息标签
行为性别
注册渠道
是否新用户

消费类标签
总消费次数
总消费金额
近30天消费次数
近30天消费金额
近7天消费次数
近7天消费金额
最常消费品类
最常消费城市
用户消费水平
跨品类消费能力等级
消费能力等级
消费频率等级

活跃类标签
活动参与度
用户访问频次

三、技术视角-标签层次

事实标签
属于用户行为的直接统计结果，比如，月消费金额，月消费次数，最常消费品类等；

模型标签
基于多个跨领域的事实标签，按照设计好的算法模型综合计算所得，相对于事实标签具有更“抽象”的特点；比如 “用户消费水平”、“用户消费能力”、“用户流失风险”等；

决策标签
按照数据分析或市场运营人员的需求，对多个事实标签或者模型标签进行自由条件组合，所生成的组合结果，以用于为市场决策提供直接支持；
如“待挽回用户群”、“待发展用户群”、“待维护用户群”、“待**用户群”

四、技术视角-标签开发策略

1、事实、模型标签

对于固定的事实、模型标签，如大量“月消费金额”、“月消费次数”、“用户流失概率”等，完全可以通过每天例行的运算任务离线计算得出
        简单的统计计算，完全可以在数仓中使用sql脚本进行数据统计和报表产出；
        复杂的模型计算，可以使用sparksql程序来实现；

如果分析师由新的自由标签定义需求，我们就在olap平台上给他一个表单页面，填入条件，然后在后台组装成sql，帮他联机查询展现结果即可！

2、决策标签

决策标签以数据分析师的灵活需求为目标；
所以，技术实现方案应能支撑条件灵活定制的联机分析；