推荐构建用户标签的3大体系 如何构建用户标签?

个体由标签组成 , 这些标签由谁来打?打那些纬度标签?怎么打标签?如何建立成熟的标签体系 , 是本文的重点 。
目录:
  • 用户标签是什么?
  • 如何搭建标签体系?
  • 用户标签的作用?
一、用户标签是什么用户标签是构成用户画像的核心因素 , 是将用户在平台内所产生的行为数据 , 分析提炼后生成具有差异性特征的形容词 。 即用户通过平台 , 在什么时间什么场景下做了什么行为 , 平台将用户所有行为数据提炼出来形成支撑业务实现的可视化信息 。
如图所示 , “个性”“佛系”等词都是我们90后这代人群的标签 。
标签来源:
产品初期:在产品还没有用户的情况下 , 主要通过大量用户调研和行业调研 , 基于产品定位和业务需要梳理出初始目标用户标签 , 前期的人工工作量相对繁重 , 可对初始标签的设定准确性远高于凭空想象 。
产品发展期:基于原有数据沉淀分析出来的精准性标签 , 与用户行为产生的数据进行清洗整合 , 提炼出相对完善的用户标签;基于原有数据梳理标签 , 要注意数据排重 , 避免标签过于同质化 。
二、如何搭建用户标签体系
推荐构建用户标签的3大体系 如何构建用户标签?

文章插图
(用户标签搭建纬度)
1. 标签属性标签分为三种属性:静态标签判断用户基础需求 , 动态标签提升用户体验 , 预测标签提升用户转化 , 提高产品价值 。
  • 第一种静态标签:用户主动提供的数据:指用户不变的基础信息 , 多为用户固定数据 , 如姓名、性别、年龄、身高、体重、职业、地区、设备信息、来源渠道等 。
  • 第二种动态标签:平台介入的数据:指用户在平台内的特有标签 , 是平台根据用户行为给用户打上便于管理的标签 。 用户行为是指用户从启动APP到关闭APP阶段内 , 在APP内所有操作行为 , 如用户的点击、浏览行为、互动(评论、点赞、转发、收藏)行为等 。
  • 第三种预测标签:平台介入的数据 , 指根据用户在平台内的行为数据对用户未来行为或喜好进行预测;是设计千人千面和运营策略的关键;比如某电商平台 , 根据用户A“月均消费5单 , 且有数额过万的运动商品”的购物数据 , 平台会给用户A打“高频、品质敏感性、运动”的标签 , 后期会更多推荐高品质运动商品及相关运动品牌活动的精准推送 。
2. “贴标签”方式标签由平台运营团队创建 , 结合业务场景梳理出一批原始标签;注意标签创建要紧贴业务场景 , 为用户“贴标签”通常有两种形式 , 即用户是否感知到自己被“贴了标签” 。
第一种隐性标签:后台给用户打标签 , 用户无法感知;后台结合用户前端的点击浏览行为等用户行为操作 , 自动为用户贴上相应类别标签 , 这种方式的好处在于用户行为真实度极高 , 平台易获取无修饰无加工的用户行为数据 , 不足之处对于平台来讲前期人工成本较高 。
第二种显性标签:用户主动给自己打标签 , 即用户在产品前端页面手动选择自己感兴趣的标签 , 用户通过触发标签机制 , 后台机器匹配数据直接打标签 。 这种方式优点在于高效 , 不足之处在于数据真实度偏低(初始标签存在无法满足所有用户的风险 , 用户也许会选择近义词也许跳过不选) 。 这种方式一般陌生社交产品和社区产品使用较多 , 目的是提升千人千面的精准度 , 提升用户体验 。
若选择第二种形式 , 需要注意标签机制的设计规则(如标签默认前台固定页面展示 , 需用户手动选择后 , 标签自动隐藏不再显示) 。 其次后台注意标签选择排重 , 如出现A用户的标签既是后台添加又是用户自己选择 , 则保留用户自己选择标签 。
最后要牢记:“用户也不知道自己要什么” , 不是用户自己选择标签之后就万事大吉了 , 要结合用户行为数据持续优化标签 。
3. 标签的优化第一种机器优化:机器根据数据反馈持续更新 , 优点在于机器的高效智能 , 不足之处在于投入的技术成本以及机器欠缺一定的精准性 。 这种方式比较适合产品发展期 , 用户量较多 , 且有一套成熟的标签体系 , 机器已经可以达到一般的智能化 , 只需运营抽样进行精准度测试和标签规则优化即可 。
第二种人工优化:人工对标签规则调整优化 , 优点是精准度高 , 不足在于人工运营成本高 。 这种方式适合产品初期 , 用户量小机器识别还不是很成熟 , 可以达到准确优化 。

推荐阅读