“人、货、场”在车企标签数据管理中的应用实践

在新能源车企工作近两年的时间里，让笔者感受到了车企与互联网企业的大相径庭，但是深入其中后，还是能够发现在车企中引入互联网行业中某些因素会带来另外一种结果。本文将从车企数据建设的实践为例，通过安全域画像标签的结构设置，来跟大家谈谈新要素的落地。

一、理解“人、货、场”

“人、货、场”是互联网电商领域常提的一个概念，其描述是用户购物方式从“人找商品”到“商品找人”的转变，本质上是用户触达策略过程的描述。

业内有个故事，说一个用户在买尿不湿的时候，会把啤酒作为推荐产品展示给该用户，我们可以把这个故事作为“人、货、场”的一种场景性描述，不过真实的推荐场景会比这复杂的多。在理解“人、货、场”的运转机制前，我们先理解下每个概念：

• 人：用户；
• 货：服务，并包括商品、场景等；
• 场：场景。

站在企业的角度，业务产品经理思考的是：在特定场景下，我们该提供什么样的服务来解决用户的需求。在这个背景下，而数据产品经理思考的是，如何帮助企业更精准地将相应的服务提供给特定需求的用户。

有朋友会疑问，这明明是算法的工作，关数据产品毛线的事？没错，推荐策略的运转依赖算法，不过在算法模型运转前也得依赖数据产品的相关整理，就是画像标签。

4年前，笔者在前公司给业务同学进行“画像标签在用户人工触达中的应用”宣导时，曾经通过“4W1H”法则做了说明，并取得了不错的效果。即，何时（when）、何地（where）、给什么样的人（who）、如何（how）、提供什么（what），这就是一次完整的用户触达过程。再进一步拆解，如下：

从上图我们可以直观地看到，打在对应实体（人、货、场）上的标签是“人、货、场”触达策略顺利运转的基础。

二、“人、货、场”在车企标签数据管理的实践

那在车企数据建设中能直接拿来用吗？单纯的拿来主义肯定是不行的，还得回到车企数据建设问题本身来设计（各个企业、部门面临的问题也是不同的）。以我就职过的车企为例，在安全域数据建设中面临的问题是：各业务方对安全域标签体系没有宏观认识，且不知道有哪些数据可用。

为了解决这些问题，笔者先将安全域所有的标签数据生产、应用方进行了全面的访谈和整理，最终将所有的标签数据进行了统一汇总。接着将整理的汇总数据和事故描述结合起来看，慢慢发现了突破口，在 Adas 主责事故描述中，一般将事故分为2部分：一是直接信息，主要描述车辆碰撞的相关信息；二是间接信息，主要描述事故发生时的驾驶员、道路等信息。

在这个突破口下，也可以将安全域画像标签数据按照直接信息数据、间接信息数据来分类。直接信息数据的实体为事故，而间接信息数据按照“人、货、场”的实体来分类，拆解方式如下：

最后，再将安全域画像标签在对应实体下进行分类拆解，最终得到了完整的安全域画像标签体系（部分展开如下）：

在完成安全域画像标签数据的整理后，笔者按照新的结构对各生产方、业务方进行了宣导。最后，各方对画像标签体系有了宏观认识。结合画像系统的使用，各方在事故识别、用户training、事故处置等工作流中效率显著提升。

本篇文章到此就结束了，如果你有其他想法，欢迎在下方留言评论~

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！