【标签画像系列】标签画像体系建设方法论

木研 2023-08-05 09:25:41

5月11日录制了数栈全新数据中台精讲系列 ——「数智赋能实战六讲」的第一场直播，主要对标签体系的建设进行了抽象，分成几个步骤，方便大家理解。

你能看到：

数字营销是数字化转型排头兵；
标签体系建设方法论；
标签体系在某基金的建设案例。

一、数字营销是数字化转型排头兵

《⼗四五数字经济发展规划》中强调，要⼤⼒推进数字化转型，形成数据驱动的智能决策能⼒，提升企业整体运营效率。

要做好数字化转型，企业可从产、研、供、销、⽤等多个环节入手，而 “销” 恰好是第一关键要素，企业转型往往从营销场景入手，因此我们说数字化营销是企业数字化转型的排头兵。

在数字化营销转型过程中，由于各个企业的数字化建设进程不同，往往会遇到多种挑战，如：

企业数据如何打通？
客户画像如何建设？
营销 ROI 如何提升？
营销策略如何迭代？

要想解决以上问题，在业务⽣产与业务应⽤之前，让产业数字化营销，我们需要进⾏：

数据的统⼀存储；
OneID 的数据打通；
OneModel 的数据模型建设；
数据资产的统⼀管理。

打好这些基础，接下来就能开始建设企业自己的个性化标签体系，让标签作为企业数字化营销的基石，帮助消费者画像更加精确。

实现用数据指导营销，而不再只是含糊的经验；让活动的数据再回流到数仓中，作为标签数据来源的一部分，形成营销业务闭环。

二、标签体系建设方法论

那么如何帮助企业构建完美的标签体系呢？我们总结出“三目标 + 五步法”的方法论：

1. 标签体系建设三目标

目标一：解决业务问题

要确定我们建设标签体系是为了解决什么具体的业务问题，想要达到什么效果，时间上要做到分期而治，小步快跑，早日推广应用。

目标二：业务人员好用、易用

标签体系的建设目标是要灵活可扩展，让业务人员可以轻松衍生标签、生产效率高。同时标签应用方式还需要多种多样，以适应不同的业务要求。

目标三：可持续更新迭代

标签体系作为重要数据资产，需要我们对它进行持续完善，形成业务应用与数据开发部门良好互动，助力生产更有价值的数据。

2. 标签体系建设五步法

1）第一步明确建设目标

在开始建设标签时，我们需要明确建设目标，目标可以指导我们的执行策略无偏差，最终达到想要的结果，否则在建设过程中随着一些信息的输入、困难的出现，容易今天一榔头明天一棒槌，顾此失彼，达不到业务期望的结果。

（1）业务建设目标

业务建设目标，指通过标签项目想解决什么样的问题，达到什么样的业务效果。比如

现在属于粗略式的运营，需要基于标签体系实现精细化运营，将营销活动的转化率提升5%。
标签加工流程过于缓慢，从业务人员提需求到需求实现需要1-2周时间，需要将改时间缩短至1-3天。
现在数据来源过于单一，只有交易域，需要汇总其他域的数据，比如行为数据、评论数据、活动数据等丰富标签体系维度。

一般列举5-10条目标，业务部门与技术部门一起制定，基于这些目标，进行系统建设。

（2）系统建设目标

为实现对应的业务目标，需要建设一个怎样的系统，是内部实现，还是外部采购，各自的实现周期与成本，若外部采购，采购的标准是什么等都需要考虑，该问题一般是技术部门来考虑。

系统给谁使用：是建设一个标签加工与管理的标签管理工具，主要给技术部门使用，因为企业已经有了营销系统、涵盖标签圈群与推送给的功能。还是需要一个集合加工、管理、圈群、分析一体化的工具，数据分析师、业务人员也要用。不同的使用对象，系统建设的内容不一样。
系统的技术架构要求：公司内部的大数据部门若已经用了一些底层平台或技术组件，从节省成本方面，应当尽量用同一套底层存储与计算平台，比如已经采购了CDH、TDH的Hadoop，那标签系统需要可直接对接这些系统进行数据存储与计算。以及标签系统需要和CRM系统、营销平台实现对接，便需要有相应的对接方案，如通过标签服务API接口，或数据同步、推送等当时，将数据给到下游系统。
系统功能要求：基于标签的加工、标签的生名周期管理、标签的数据安全、标签的评估治理、标签圈群、画像洞察、对外服务等多方面梳理需要的功能。
系统性能要求：基于司内的数据量，标签加工的速度、并发，标签圈群与分析的查询时间，所需要的部署资源、一年需要花费的成本需要进行评估与计算。

（3）参与部门与执行计划

根据我们一些标签项目的建设经理，会出现这样的情况，大数据部门一期项目建好的标签，很难推动业务人员使用起来，主要有以下几点原因：

业务人员觉得建设的标签有用的很少，大多数都用不上；
用了一下标签，觉得数据不准确，不敢用；
领导没有说要用这些标签，还是按照自己的既定模式来工作好了。

基于这些问题，标签项目推进之初，需要拉上业务部门的领导、对接人一起参与，确定一个先应用标签的项目或场景，做出效果，再应用到更多的部门及项目，否则刚开始大而全，周期长、且没有目标性，往往后续推广使用时会遇到阻碍。

参与部门包含以下：

需要标签项目服务的业务部门（核心）：如市场部、运营部、客服部、风控部等，各指定一名对接人员。
项目需求收集分析者：数据产品经理、数据分析师。
系统建设和标签加工者：数据科技部门。

制定执行计划：

项目是否需要分期，一期项目的目标和建设的标签有哪些。
各期项目时间周期、负责人，上线场景。
上线后业务人员需要持续反馈使用情况，业务变化情况，不断的优化迭代。

2. 第二步标签体系设计

明确好建设目标之后的下一步就是标签体系设计。

在此之前，我们先对一些标签的重要概念做一些介绍：

标签体系设计是一种对对象统一进行本质刻画的数据描述办法，把个体观察升级为群体观察，而非过去对个体现象的归纳，更具有面向未来的场景化适应能力。标签体系设计的整体流程可分为 4 大步骤 + 2 大阶段：

在此过程中我们需要：

1）规划实体对象

确定标签体系的对象，梳理标签间的关系，设计标签体系，做好标签类目创建。

实体指我们要建立标签体系的对象，如客户标签体系、商品标签体系、渠道标签体系、客户经理标签体系，客户、商品、渠道、客户经理都属于我们的实体对象。其类似一颗树的根，后续要基于“实体”，长出树的枝干、叶子、花等，所以划分正确的实体很重要。

关系指多个实体之间的关系，如“客户”购买“基金”，会使客户实体与基金实体发生关系，形成新的标签，比如加工“投资风险偏好”标签，标签值为“高风险”、“中高风险”、“低风险”等，需要利用客户最近一年的交易记录结合基金维表，当用户购买基金的基金类型包含高风险，且最近一年购买金额>5000时，为高风险偏好。需要用到2个实体形成一个关系，来加工这个标签。

2）探查数据

根据标准数据建仓规范，梳理下大概的客户的数据域、业务过程、数据表、表的数据量、数据分布等，掌握基于该数据，可以加工出哪些标签。

3）设计标签类目

基于已采集的业务需求、掌握的数据情况、规划的实体的对象，建立实体对象的标签类目体系。除根据客户业务建设外，也会提供一些行业通用模板，作为参考。

标签类目体系是“实体”树的枝干，为以后标签生长的繁茂建立基础，需要做到枝枝粗壮、分明，即每个类目需要有明显的分割，且标签的数量不能过多和过少，建议一个子类目不超过20个标签，不少于3个标签。

标签类目层级根据业务实际情况划分，一般2~3层即可（不包含标签、标签值）。如下图：

4）设计标签内容

包含标签定义、加工方法判断、加工范围判断等。

根据前面的需求调研、数据调研、类目划分，梳理标签体系中的标签，需包含以下内容：

标签中文、英文名：标签的中文名称、英文名称；
标签所属类目：标签所属一级、二级、三级类目；
标签类型：根据不同维度的划分，采用其中一种。比如事实标签、统计类标签、预测类标签，亦或是原子标签、衍生标签、组合标签、自定义标签等；
标签值定义：定义每个标签的标签值，如“近一个月买入金额区间”标签，可根据购买金额的区间段定义“零/低端”、“普通”、“中端”、“准高端”、“高端”等标签值；
标签含义（描述）：描述该标签业务含义，如“最近30天的购买商品的金额区间，对用户消费力进行评估”
标签业务口径：标签以哪个数据定义为准，如“用户活跃城市”标签，以用户购买次数最多的城市为口径加工，而不是浏览次数、评论次数等；
标签技术口径：描述该标签从哪个表的哪个字段取值，SQL取数逻辑是什么；
业务方来源：该标签的业务需求方是谁；
标签更新周期：描述标签更新频次，天(如T+1、T+2等)、周、月、小时、分钟更新等；
标签更新优先级：同一时间端跑多个标签时，若资源有限，先跑优先级高的标签；

3. 第三步：标签加工与更新

标签加工与更新包含各类型标签加工、标签测试和标签上线与更新几个步骤，在技术层面实现营销需求。

判断标签加工方法：

梳理标签的加工方式，判断哪些是离线标签、实时标签、算法标签，从而引入对应的产品和相应的开发人员来开发。业务场景中，离线标签偏多，实时标签次之，算法标签少之。

离线标签：定时跑批，一般为天粒度，T+1跑批，晚上跑标签结果，业务人员第二天做查询。一些标签若高频率更新，也支持小时、分钟粒度的更新。常需要Spark、Presto、Impala等跑批组件及产品。
实时标签：实时加工，一般为秒或毫秒级加工，常见于用户行为实时传上来，基于用户的实时行为，打标签，进行商品推荐等。常需要采用Kafka消息队列、Flink实时计算引擎组及产品。
算法标签：利用机器学习算法、深度学习算法，做一些预测类标签，如根据用户的购物商品和频率，预测家里是否有小孩、小孩年龄等。常需要Python开发环境和机器学习算法包。

不用的加工类型，往往需要采用不同的计算引擎和框架，需判断企业内容是否有这样的能力加工，若无，外部采购的话需要供应商有什么样的能力，需要有大致的判断。

划分加工范围：

标签的使用人员是业务人员，在以往老的流程中，需要业务人员向数据开发提需求加工新标签，开发一个新标签的周期一般1-2周之间。

为了使业务人员能够灵活的加工规则标签，尽快提取自己想要的数据，标签的加工、管理目前多通过产品化的方式，使数据开发、数据分析师、业务人员都能参与标签的开发。

这里便涉及到哪些标签由开发人员加工，哪些标签由业务人员加工，标签加工流程是什么等。

可按照上述流程，在数据开发和业务人员之间有个标签管理团队，用来维护标签的生命周期，包括标签需求的分解、上下架等，可由数据分析师、业务人员组成。

大的划分原则是：

基础标签的标签由数据开发团队加工，这类标签是基于数仓数据加工的最细粒度标签（是能打在用户身上的标签，不是某个单纯的字段），不能再被拆解。

基于基础标签可通过规则衍生的，由业务人员完成。

以上图为例：当有一个“是否30天登录未注册用户”标签需求时，标签管理团队可判断该标签是否可基于基础标签衍生，若不行，则由数据开发加工对应的标签。

若可以，则判断是否有对应的基础标签可衍生，如举例标签，可拆解成“APP最近一次登录日期”或”距最近一次登录时间”，与“是否注册”2个基础标签，便可基于基础标签，业务人员完成这2个标签的加工与上线。

4. 第四步标签生命周期管理

标签生命周期管理是指包含标签评估、标签治理和标签迭代等几个对标签的实际使用状态负责的管理流程，帮助实现标签建设与营销的有机结合，不浪费任何一个动作指标。

从以下维度来评估标签的重要性：

标签使用度评分：根据标签引用次数、标签分析次数、标签调用次数来评估标签的使用度；
标签关注度评分：根据标签搜索次数、标签浏览次数、标签收藏次数来评估标签的关注度；
标签质量评分：根据标签值的覆盖情况来评估标签的质量，若null值过多，则说明标签规则设置不合理；
标签持续优化度评分：根据标签上线后，再编辑优化的次数来评估标签的持续优化情况；
标签安全评分：根据标签是否脱敏、是否设置行级权限、是都需要申请、是否设置可见性来判断标签的安全度。

基于以上5个维度计算标签的综合评分，可查看各标签的评分、评估标签的重要性。

同时，基于标签使用度评分、标签关注度评分、标签持续优化度评分来计算热门标签排行、沉默标签排行，找出不太用的标签进行下线，完成标签的“定义——开发——上线——优化——下线”全生命周期管理。

5. 第五步标签应用与回流

标签应用与回流则是指标签圈群、画像洞察和对外服务几项具体的落地结果操作，也是标签建设必不可少的一环。

以一个场景举例：

营销策略：为维持老顾客的忠诚度，并引导现在购买初级产品的老客户向高级产品进阶，圈选出为“老顾客升级”用户，为这些客户发放高端产品的优惠券；
人群包选择：“最近1年购买次数>=1”且“最近1年消费金额>=1000”且“性别=女”的客户。

基于目前群组进行画像洞察：

群组画像：进一步分析“老客户升级”这批用户的会员等级、月消费支出、是否为活跃用户等，进一步掌握群组特征，根据活动预算调整自己的营销策略
群组分析：圈选出一个“高端产品用户”群组，监控每天忠实用户的人数，看是不是有明显波动，某些活动发放后，数据是否有提升；某个时间人数是否有骤减，保障群组的稳定持续上升。
群组交并差计算：分析“老顾客升级”群组与“高端客户”的重合度，看是否有重复人群，最终推送优惠券可进行策略调整，不针对这部分重合客户进行本次推送。

确定好人群后，便可进行市场投放，看其对业务带来的作用，除分析活动带来的GMV、客单价提升外，我们也需要知道活动参与情况也是用户行为数据的一种，需要将这些数据也回流至数仓，生成新的标签。