一、痛点及标签建设方案
我们先思考一个问题,业务在怎样的发展阶段时,需要建设标签体系?
1、怎样的业务发展阶段,需要建设标签体系?
不同规模、不同业务阶段的企业,对数据体系的需求不一样,并不是所有企业都有必要建设标签体系。
业务在起步阶段和初期增长阶段,粗放式的投放也能带来较好的增长和转化,业务的诉求更倾向于有数可看。
在增长转成熟阶段,随着流量红利的消失,增长乏力的情况下,运营人员开始探索以精细化运营的方式来提高 ROI,考虑在合适的时间、给合适的人群、推荐合适的内容,从而提升用户体验并带来转化。数据建设不仅需要满足自助取数分析,也逐渐需要建设一些用户标签表,满足初期精细化运营的需要。
并且随着各业务开始开展精细化运营,标签体系的建设会逐步完善,数据团队也会建设标签平台来提升标签接入的效率和标签质量。
那建设标签过程中,会遇到什么问题?有何解决方案?
2、标签建设过程中的问题及方案
在标签体系建设的不同阶段,会遇到一系列的问题:
起步阶段:数据质量与数据应用矛盾
在标签起步阶段,数据开发同学主要精力在于快速支持运营的标签需求,缺乏标签数据建设规范、应用规范等设计。运营人员在标签应用时,存在标签含义和逻辑不清晰、标签覆盖率不高、部分算法标签的准确率低等问题,导致运营人员不敢用,或是花较多时间去咨询,费时费力。
增长阶段:标签权限管控与灵活便捷的矛盾
而随着各业务线都在提标签需求,标签使用者越来越多,标签的应用出口也随之增多。对业务人员而言,标签属于业务资产,在运营过程中,需控制触达用户的频次和方式,过多或是不当触达本业务用户会损害用户体验,给业务线带来损失。例如58车的业务希望做流量增长,希望交叉招聘用户做营销活动,如圈选招聘7日活跃用户,每天持续触达车的落地页;这样势必会引起招聘业务运营的反对,车业务每天触达招聘的用户,影响用户体验。
因而需要划分不同业务标签的归属,以及标签权限审批。但增加权限审批又会带来新的问题,增加了审批后,每次运营想要使用标签,都得找业务负责人审批,有时还需拉群沟通来申请权限,标签使用效率、便捷度大大降低。
成熟阶段:标签价值与成本的矛盾
数据平台上的标签越来越多,开发上线了几千个标签,占用了较多服务器存储与计算资源,但平台上真正在投入使用的标签只有几百个。如何合理的评估标签的价值?如何提升高价值标签的使用率,下线低价值标签?
因而标签建设需要构建结构化、场景化、系统化的解决方案。
3、标签体系建设方案
58 大数据平台支撑了租房、新房、招聘、新车、到家等十几条业务线数据,数据覆盖了 58 APP、安居客 APP、小程序等多个终端,业务线较多,对接流程较为复杂。因而 58 在建设标签体系时,采用组织协同+平台建设+运营的方法。
组织协同层,大数据团队主要负责跟各业务线需求的对接、通用标签开发、标签平台能力的建设等;业务数据团队负责自助接入业务标签;运营团队负责提出需求以及标签权限审批。
平台建设层,主要建设标签管理与分析平台,包含 ID 建模、标签建模、数仓规范、元数据管理、权限管理、标签评估、标签推荐等能力。
在运营层,目前是由大数据团队统一梳理各业务线的标签应用情况,形成精细化运营应用案例集,供各业务线参考学习。
这里需要注意的是,在不同阶段,大数据建设标签体系的侧重点有所不同。
在起步阶段和增长阶段主要目标是提效,需要不断提升标签质量,保障标签的可用性;建设合理的标签权限管控、标签推荐能力,提升标签使用的易用性。
在成熟阶段主要目标是保障标签应用价值增长的同时,进行成本管控,做好标签全生命周期管理,评估标签价值,及时下线无用标签,释放服务器存储与计算资源。
4、标签建设架构
在数据采集层,接入埋点数据、业务系统的表数据、日志数据,以及第三方数据,如个推数据,跨越多个端、各个业务线,打破数据孤岛。
在数据存储与计算层,建设数仓建模、用户/客户/企业 ID 体系建模、标签体系建模规范,并支持数据的离线和实时同步。
在标签平台层,建设标签全生命周期管理,包含标签的接入生产、标签挖掘、元数据管理、标签下线、权限审批;以及标签评估分析能力,包含标签评分、标签推荐等能力。
这里需要注意的是:
- 尽可能全的采集数据,对用户画像的刻画,十分依赖标签数据的覆盖率,若是都采不到数据,何谈刻画画像?这也就比较依赖企业前期数仓的建设,需要规范 ods、dwd、dws、ads 层的建设,将各个业务线的数据归拢至数据中台,尽可能全的利用好企业内部的数据;若是企业内部的数据不足的情况下,可考虑购买第三方数据,进一步提升标签覆盖率。
- 采集数据会涉及多端,如 app、pc、小程序,以及涉及多业务,如房产、招聘等,要想尽可能的关联多方数据,需进行ID体系的打通,包含userid(账号)、telep(手机号)、imei(原生 Android 标识)、idfa(原生苹果标识)、oaid(匿名设备标识)、openid(微信小程序标识)等
二、标签体系
1、标签建设痛点及方案
标签数据越建越多,运营人员在使用时,会存在以下问题:
标签分类不清晰,找不到对应标签。例如房产、招聘等十几个业务线的标签混在一起,用户、客户企业的标签也混在一起,难以查找。
标签建设时凭感觉,较多标签无实际使用场景,上线后无人用。例如建设“房产-浏览商圈个数”标签,最开始产品侧认为在做精细运营时,可以圈选浏览商圈较多的用户群,对其做触达转化。但后续发现,在实际运营过程中,到不了这么细的场景,这类标签从上线以来就无人使用。
58 的标签体系建设,以结构化、场景化的方式建设,保障标签建设的可拓展性、业务使用的易用性,以及应用价值。
2、标签结构化
标签结构化建设,按实体对象划分,划分为用户、客户、企业、帖子等实体对象。若是电商类业务,较常划分的是买家、卖家、商品;外卖业务,常划分为用户、商户、骑手等。
按业务划分可划分为1+N的模式,即1个通用中台+N个业务的方式,例如划分为通用、房产、招聘、车、本地服务等。将用户的基础信息类划分在通用中,例如性别、年龄、预测倾向访问业务等,打通各个业务的数据源,提升标签的覆盖率和准确率;将业务线特有的数据归拢至各个业务,例如新房活跃用户、招聘活跃用户、二手车连接用户等,方便业务运营人员使用,以及方便后续做权限管控。
按标签类型,以用户标签为例,可划分为基础信息、行为偏好、个性化标签大类。基础信息标签,用于描述用户的基础属性,包含自然属性、社会属性、地理位置、设备信息等,例如常驻城市、设备型号、学历。
行为偏好类标签,主要通过洞察用户最近一段时间内的各类行为,如访问、收藏、电话、IM、付费等,进一步提炼出用户的需求。包含活跃行为、连接偏好、付费交易、用户分层等大类,例如用户的访问活跃度、买房意向用户、价格偏好等。
行为类标签在划分时,常见的问题是业务侧穷举用户行为路径上的埋点行为数据,都将其做成标签,例如浏览次数、浏览房源个数、收藏次数、IM次数、电话次数等,业务建设的出发点是好的,但业务运营实际使用时会遇到不知道怎么组合用、不知道用哪个标签的问题。
因而,在搭建好标签结构,保障标签结构上的可拓展性、分类清晰后,在开发具体标签时,需结合业务使用场景,以场景化的方式来建设。
3、标签场景化
场景化标签建设,主要是指从标签的实际使用场景切入,拆分相关运营模型,从运营策略来倒推需要建设哪些标签数据。
日常运营常用的业务分析模型有 OSM 模型、AARRR 模型、用户行为路径、用户分层、RFM模型等。
OSM 模型:即目标、策略、度量,例如在促付费的目标下,运营人员通过制定给潜在用户发送优惠券的方式,提升付费用户数。
AARRR:即获客、激活、留存、付费、推荐,不同的阶段对应有不一样的运营策略,对于成熟期的企业而言,各业务的运营重点更偏重于留存。
用户行为路径:是一种常用的用户分析方法,数据产品在梳理埋点、指标体系的时候会经常用到,当然标签体系的梳理也可采用该方法。不过注意点是统计用户访问APP、访问详情页、点击详情页、IM /电话点击、购买操作行为数据时,需结合运营目标(O)及策略(S),将其开发为标签(M)。
用户分层:很大程度上是AARRR与用户行为路径的结合体,划分为潜在用户、活跃用户、连接用户、付费用户。
RFM 模型:这是交易类业务下常用的客户模型,以最近消费时间、消费频次、消费金额3个指标,划分重要价值客户、一般价值客户、重要发展客户、一般发展客户、重要保持客户、一般保持客户、重要挽留客户、一般挽留客户 8 类群体。此处不做展开,详情可查看草帽小子之前写的《标签体系》。
在标签体系构建过程中,OSM 模型是基础,贯穿了构建标签的各个阶段,较为通用的 AARRR 模型、用户行为路径分析、用户分层模型;特定业务模式下常用的是 RFM 模型。
具体这些业务模型如何应用?我们先来看看实例。
4、场景化标签设计案例
业务背景:租房省心租是面向个人房东群体推出的VIP会员服务,租房运营人员希望促进个人房东购买省心租套餐,提升付费客户数。
整体目标是提升付费客户数,拆分至拉新、促转、留存/复购的子目标。
在拉新阶段需要扩曝光和提服务,运营策略,在租房首页活动位/首页加悬浮窗资源位,增加个性化租房首页活动位,针对“有出租需求的个人房东”展示省心租活动、曝光更多房东;同时进行push/短信推送,面向“房源上架 1、3、7、14 天但未出租成功的的个人房东”,推送消息
产品服务策略,增加房东推荐租客页面,提供“高意向租客、本房源浏览用户特征的价格偏好、户型偏好”等信息,并上线个人用户画像服务,包含个人意向价格、意向户型、7 日活跃、连接次数、租房目的等数据,帮助房东全方位了解租客。
促转化阶段,梳理省心租页面转化路径,包含曝光、服务浏览、提交订单、购买等;
在留存阶段,需促进客户升级套餐,针对购买基础版套餐用户群,推送高级套餐介绍/优势;促进客户续费、复购,服务期内提感知,机制推推送“新增推荐的租客”,提升房东对省心租服务的感知度;服务即将到期客户促续费;服务已到期客户召回。
整体策略构建、标签构建,以 OSM 模型为框架,划分 AARRR 模型中的拉新、促转、留存场景,结合用户行为路径分析方法,进一步得到所需构建的用户、客户、房源标签。
结构化设计标签,逻辑结构清晰,可拓展性强,但容易与业务脱节,不贴合业务实际使用场景;而场景化设计标签,贴合业务使用场景,使用率高,但比较零散,容易乱,因而需要采用“结构化+场景化”的设计方法。
5、58标签体系
58标签体系,依照结构化和场景化的建设原则,面向房产、招聘、车等各个业务,构建用户标签、客户标签、企业标签体系,建设了性别、职业、居住城市、浏览行为、价格偏好等上千个标签。
从标签结构上也可以看出,不同实体对象标签数量不同,例如企业标签应用场景较少,所需建设的数量也比较少,用户标签一般建设的比较多,其匹配的用户运营团队人员多、对应的运营活动也比较多。
梳理完用哪些标签后,接下来的建设重点就是标签开发。
6、标签开发类型
标签开发类型,一般是数据产品和开发人员关注的模块。标签按统计方式分,可分为事实标签、规则标签、算法标签;按更新频率来划分,可分为离线标签、实时标签;按数据类型分类,可分为数值、字符串、字符串数组等;按维度分类,可分为单维标签、多维标签。
事实类标签是用户画像最基础、最常见的标签,通常是基于原始数据清理后的归类,用于描述客观事实。例如,姓名、会员等级、终端类型、购买次数、购买金额等。
规则类标签,顾名思义,是基于确定的规则而产生。与事实类标签不同的是,规则类标签拥有更多的业务属性,其业务规则需与业务人员共同制定。例如,将“活跃用户”标签可定义为,“过去 30 天发生 a 行为 x 次”&“过去 30 天发生 b 行为 x 次”,进行综合评定。
算法类标签,基于现有事实及规则无法得出,导致标签的覆盖率低,业务使用价值就大大降低,这时需要运用决算法进行数据挖掘与训练,得出标签预测结果。
7、性别标签
例如性别标签,需要综合使用 58 底层的多个数据源,优先取身份认证数据,其次取用户填写的一些数据。
以上强认证的数据均没有的情况下,判断有 APP 列表的用户,基于相关特征,通过LR算法做分类预测。选取如用户 5 年内最新安装的 APP 列表、表现类二级偏好、手机型号、操作系统等特征,进行模型训练。预测的准确率达 86.94%,性别标签的覆盖率从 20%,提升至 74%。
但随着个保法的颁布,获取 APP 列表的数据逐渐下降,为进一步提升标签覆盖率,针对无法获取 APP 列表的用户性别预测,根据用户访问行为,针对 90 天内看帖量>= 5的人群,采用 LR 算法进行预测,特征使用用户看帖帖子内容,帖子标题,帖子一级表现类,帖子二级表现类。用帖子数据预测的准确率为 73.7%,标签覆盖率补充提升 5%。
三、标签管理平台
1、标签建设痛点及方案
制定完标签规范和标签建设流程后,通过维护线上文档的方式来指导建设,存在标签质量无法校验、标签权限申请麻烦、标签上下线管理混乱等问题。建设标签管理与分析平台,提升标签的可用性、易用性和价值。
2、标签生命周期管理
构建标签全生命周期管理与分析,以及标签权限管控能力。核心解决标签数据质量、标签应用质量、标签安全问题。
做好标签增、看、用、评、下,即标签接入、标签查看、标签使用、标签评估、标签下线全生命周期管理。构建标签生产、元数据管理、标签市场、安全管理四类能力,进行标签数据质量、标签应用价值两类评估。
3、标签评估
标签数据质量评估,包含标签的准确性、标签覆盖数、元数据的完备度。应用价值评估,主要从标签使用度、关注度、标签应用效果三方面评估。
例如,标签应用价值总评分=权重*标签使用度评分 + 权重* 标签关注度评分 + 权重 *标签应用效果评分。
标签使用度
标签使用度,用于表示标签在哪些地方使用,通常标签应用的模块,如人群圈选、人群分析、接口调用等。
标签使用度评分=权重*标签分析次数评分 +权重* 人群圈选次数评分+权重*接口调用次数评分
分析次数评分=标签被分析使用的日平均次数/(all 标签被分析的日 max 次数/ 100分)
标签关注度
标签关注度,用于表示使用者对标签的关注类操作,如查看、收藏、申请权限等。
标签关注度评分=权重*标签查看次数评分 + 权重* 收藏次数评分 + 权重 *申请权限次数评分
标签应用效果
标签应用效果,用于表示标签在实际场景应用时的效果,如CTR等,需回收例如push、资源位平台的效果数据。
标签应用效果评分=标签 CTR/(all 标签 max CTR / 100分)
在标签使用时,对标签展开评估相当重要,方便平台方下线无用标签,同时也方便做一些热门标签、优质标签的推荐。
4、标签平台
构建数据源接入和标签录入能力,如规范标签命名、标签口径、标签分类结构、标签更新频率等;增加标签接入审批能力,由平台产品进行审批,把控标签录入质量;并配置标签数据监控,标签数据异常时,能及时通知到对应负责人。
从标签使用者视角,解决使用者在海量标签中,选取合适的标签的问题。通过构建标签地图,支持快速检索标签;通过构建标签评分,评估标签的价值,从而进一步进行标签推荐。
四、小结
标签体系的建设,需以实际业务应用场景出发,满足业务使用的同时,保障能力的可拓展性,使用的便捷性。以场景化、结构化、系统化的方式,解决标签质量、数据权限、标签下线的问题。