用户体系之用户标签

y先生 2024-08-22 20:18:27

前面两篇文章我们建立对于用户体系的整体认知，以及用户画像建立方法和应用。那么本篇文章会详细的讲述的用户标签体系。

一、如何理解用户标签

用户标签是用户体系的积木。如果把用户体系比作一个建筑，那么用户标签是构成这个建筑的一个个基本单元。

用户画像是对外展示的是有血有肉的一面，而用户标签是以数据、逻辑支撑起整套体系。

二、用户标签的定义

用户标签是用户某一维度特征的属性描述。

如：婚姻状态——已婚，职业——产品经理，籍贯——北京，年龄——24岁

1. 用户标签的分类

按照属性分：用户标签可分为三类分别是静态标签，一类是动态标签，一类是组合标签。

静态标签是如姓名、性别、年龄、身高、体重、职业、地区、设备、来源等不易改变的信息。静态标签。
动态标签是如与平台的交互信息，如签到、点赞、滑动、搜索、评论、交易等会不断更新的数据。
组合标签是由静态或动态的多个标签组合而成，如定义老用户，可用总消费金额≥1000，月消费订单数≥5共同来定义。

三、如何生产出可用的用户标签

1. 从动作到业务信息标签

每个动作加入业务信息，得到带业务信息的标签。

如下图所示，基础动作是“对视频点赞”，加入业务信息后的动作是“对多个宠物视频看完购点赞”，最后我们能得出一个“点赞过宠物内容”的标签。

2. 从数字到标签

对数字类型，划分不同档位的区间，对各区间以业务导向进行命名，例如我们可以将不同销售金额，划分成不同的区间，然后将不同区间的用户打上标签。

注意：同一个标签，来源方式不同，可根据实际场景进行互相验证。来源有事实标签、规则标签、机器标签

事实标签：由确定事实由来，如性别填写“男”。是现成的可以直接拿来使用，效率很高。
规则标签：业务定义规则来得到一个标签，如定义“衣服只购买过男性”为男性。对业务人员要求很高，适用效率高。
机器标签：通过数据算法挖掘得到的标签，如头像自拍、人脸识别为“男”。对算法工程师要求高，能更加精细。

在这里我举一个使用行为对标签验证的例子

如：我们根据流失的天数定义正常、轻度流失、中度流失、重度流失用户，而不同级别的用户对于召回措施的敏感度有些差异的。

比如我们的流失天数有1天、2天、3天……30天……300天……，我们把正常用户归为1-14天，轻度流失用户15-30天，中度流失用户31-100天，重度流失用户101天。看到这里我想很多人发现了一个问题，为什么1-14天是正常用户，而不是1-30天呢？

我们可以根据不同用户对于不同召回手段的反应不同来定义用户，如我们把召回手段定义为日常push、内容push、小福利和大福利。正常的用户对所有召回手段都有回应；轻度流失用户对内容push、小福利和大福利有回应；中度流失用户对小福利和大福利有回应；重度历史用户只对大福利有回应。根据这个我们就可以再反推出正常用户、轻度用户……流失天数。

四、如何构建标签体系

常见的标签体系是一般从人口、行为、消费和兴趣偏好去描述

入口属性：性别、年龄、地域、教育水平、出生日期、职业、家庭、婚姻状况等
行为属性：设备、使用市场、使用时间、使用频率、网络商、收藏点赞等行为，产品生命周期等
消费属性：收入情况、购买力水平、已购商品、购买渠道偏好、最后购买时间、购买频次、支付偏好等
兴趣偏好：兴趣爱好、浏览/收藏内容、互动内容、品牌偏好、产品偏好等
行业属性：行业相关的属性

标签体系通常按三级划分，如下图所示

构建标签体系的步骤

梳理业务流程
核心目标拆解
推导标签需求
标签体系应用
业务促进迭代

构建标签体系的先提条件是有需求、有材料、有加工。

有需求：存在明确的业务场景、有明确的业务目标，如精准推送、精准运营等
有材料：要有基础数据。要能采集到用户的行为数据，且用户数剧量不能太少。
有加工：有数据采集和加工的能力。如通过数据埋点获得原始的日志数据，对日志数据进行得到可用的标签数据。

1. 梳理整体业务流程

梳理整体的业务流程，我们能知道用户在我们产品上是什么样的生命周期以及用户怎么使用我们的产品的？我们也知道在每个环节我们最关心的是什么？

如下图所示，我以一个电商的业务流程为例,在下载app时，我们关注的用户获取，核心可能是渠道、创意。而到了首次购买，我们关注的是如何进行新客运营。

到了复购阶段，我们会关注老客户运营，核心可能是知道老客户的品类偏好、品牌偏好、价格偏好等。推荐用户我们要做的是激励策略，让用户知道推荐出去，他/她会获得什么样的好处。

对于流失阶段，我们要做召回策略，减少流失率。

2. 核心目标拆解

梳理各个关键环节的核心目标。例如下载app，关键行为是用户获取，核心目标是下载成本和下载数量，也就是我们投了多少钱，ROI是多少，获得了多少的下载量。

在首购阶段，核心目标是注册率和新客转化率。在复购阶段，核心目标是留存率和复购率。在推荐用户阶段核心目标是推荐系数。在召回阶段核心目标是召回率。

3. 推导标签需求

通过选择关键指标或者目标，拆解出影响因子，从而推导出对于标签的需求。

如以购买为例子，影响购买的因素有购买能力（购买能力的高低决定用户会不会购买以及购买多少）、购买偏好（知道购买偏好，我们可以针对性的推荐商品来增加购买率）、购买行为（通过购买行为我们能知道用户是不是一个忠实用户等、制定针对性的策略提高购买率）、app行为（知道用户收藏、关注等行为，我们就可以给用户推荐相关的商品，提高购买率）。

基于上述所说，我们就可以做出一个针对购买的标签体系。如下图所示

最后将各个业务所需要的标签汇总并明确产生方式，构建出整体的标签体系，如下图所示

4. 标签体系的应用

建立完整的标签体系后，我们给每个用户打上标签后，根据运营需求通过标签去选择用户，选择不同群体用户，制定不同的运营策略。

在这里我举一个游戏召回的例子。

第一步：我们需要构建游戏中找回的标签体系，并明确重要性。

如下图所示我们可以选出上次使用时间、局数、英雄数量、总消费为更加重要的标签。因为前三个决定了用户是不是重要使用用户，而总消费决定是不是一个高价值用户。

第二步：根据标签定义流失程度和用户价值

我们将用户不同的标签进行定义，比如定义流失程度的标签，包含正常、轻度流失、中度流失、高度流失；我们定义用户价值，包括低价值、中价值、高价值、超高价值，而有些用户是花时间的、有些用户是花钱的，因此我们又可以根据用户消费金额定义用户消费水平，包括低消费、中消费、高消费、超高消费；根据局数定义活跃水平，包括低活跃、中活跃、高活跃、超高活跃。

那低价值就可以定义为消费水平和活跃程度都低；中价值是消费水平和活跃程度至少有一个达到中级；高价值是消费水平和活跃程度至少有一个达到高级；超高价值是消费水平和活跃程度至少有一个达到超高级。