实体对象，画像标签核心的关注点
这节课是“系统能力”模块的最后一课，梁宁主要讲述了傅盛带领金山由软件企业成功转型互联网企业的故事，她在本文提及的重点是：面对生死考验的时候，你能依靠的不是管理能力，而是领导力。领导力的核心，是甄别“关键任务”，然后动员大家穿越生死。
这节课留的课后作业是：在跨越生死的关键任务下，股东、竞争对手、核心团队、公司中层、公司员工、用户，这六类人你最在意谁？
这是一个开放性的问题，作为产品经理今天我不会天马行空的大谈一些我没有做过的公司管理相关的事务，还是想写一些涉及数据产品的内容，继续聊一聊画像标签。
在上一篇文章《跟着梁宁学习产品15：初识画像标签，及突破低调用壁垒的实践》曾写到标签突破低调用堡垒的实践案例，从基本盘来说画像标签的“调用次数”确实是评估画像标签价值的重要指标，可是从长期价值来看，高调用真带来高收益吗？
画像标签其本质也是 to B 的产品，说到 to B 产品就不得不提“客户”和“用户”这两个概念，产品的服务对象是客户，而客户的服务对象却是用户。
以标签产品为例，会过多的围绕客户（比如一些运营同学）而忽视了客户服务的用户，短期内会赢得客户的好感。
可是如果没有给用户带来友好的体验，高调用换来的却是用户的高流失和低活跃，那作为画像标签的数据产品经理就没有甄别出关键任务。
一、数据产品的定位，影响标签问题的显现
这里举一下之前工作中遇到的一个事故，我们标签库里之前有个用户实体下的标签“兴趣偏好”，一直在消息 Push 部门做定向内容投放时所使用。即选择“兴趣偏好”与想推荐的内容的类型一致的目标用户，对他们投放内容，并激发他们的兴趣，从而点击 Push 内容增加 APP 日活。
这个标签在我们运营使用后的结果并不理想，后来我们的运营陷入了不断修改投放物料的循环中：不断修改 Push 内容、文案，甚至在 Push 的时间点、地域、人群性别等选择上下功夫，但均收效甚微。更可怕的是，这些内容都是我在准备优化画像标签前的调研中才了解到的。而在很长的时间里，这些运营没有怀疑过标签的问题，一直让 BI 部门的分析师给他们做内容投放的效果分析。
其实在最后，我们诊断出是画像标签在模型、存储结构上存在问题，这只是导致内容投放效果不好的直接原因，但本质原因还是当时的公司没有养成一个良好的数据闭环生态（如下图所示）。
这是在数据产品系列文章中，我一直喜欢拿来吐槽的问题：数据部门不直接联通业务，业务数据的分析洞察交给 BI 部门，而数产品仅仅成为提供数据标签、系统的工具产品。
在下图中，之前公司就会因为数据产品的定位，导致数据评估非常滞后，需要依赖业务的主动反馈。问题出现后，往往需要等待很长的时间。
那如何定位数据产品呢？这是一个开放性的问题，我也在探索阶段中，目前有了一个方向的设计，在后面的产品文章中我会再给大家进行分享，如果你已经有了自己的答案，也欢迎在下方留言讨论。
二、存储类型的不同，影响人群的准确性
重新回到导致 Push 效果不好的直接原因上，在算法工程师开发“兴趣偏好”这个标签时，其数据格式是 list 结构，即一个用户有效查阅过的内容类型都会记录在这个标签内。所以每个特定用户人均的“兴趣偏好”的数目都是10个以上，而且从这里你也不知道用户对这些内容是雨露均沾还是偏爱一隅。
后来，我们让运营同学做了 AB test，发现相同的内容、Push 文案在相同的时间投放给不同兴趣标签的人群时，他们的点击率基本持平，这也验证了这个标签在精准投放时基本没有什么用处。
接着，我在和算法同学沟通时发现，“兴趣偏好”这个标签在模型中也有兴趣度的计算，只是历史的需求中没有兴趣度的说明，所以内容标签只是全家桶般的打包在一起了。
回到这次投放的效果问题上，开始对标签的存储类型做了改动，将 list 结构改为 map （key,value）结构。key 值表示内容类型，value 值表示兴趣度，这样在内容投放时，我们就可以在人群圈选时选择 value 值最高且 key 值为投放内容类型的用户。
同时，也满足了广告部门广告跑量的需求，map 结构依然可以通过 key 值多选的方式，达到 list 结构的效果。在这次画像标签类型的改造后，首次内容投放的 Push 点击率显著提升。
数据产品经理虽然属于 to B型产品，但数据价值的最终体现还是要关注于 C 端用户，只有这样，我们才不会看到因此飞来的黑天鹅。
#作者#
兮兮，微信公众号：孤身旅人（ID：gushenlvren）。关注人工智能、toB产品、大文娱等领域。
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！
