推荐、精准营销作为重要的业务场景，广泛存在于当今互联网。一些主要的领域、公司都推出了相关的产品和服务，包括：
- 亚马逊的个性化产品推荐；
- 淘宝推荐系统的千人千面；
- 今日头条的新闻推荐；
- 各种个性化广告；
以上这些智能推荐系统的基础，都是给用户「打标签」。
标签系统的价值
精准运营是标签系统最主要的应用场景。
不同的发展阶段，有不同的运营目标。通常，对于增长期的企业/产品/服务来说，运营的目标是用户增长：拉新、促活、防流失，即运营人员需要获取到更多的新用户，让用户留下来，提高使用频次，并防止老用户的流失。随着人口红利的消失，互联网进入「下半场」，用户获取成本越来越高，用户增长越来越平缓。这个时候服务和运营的精细化就显得尤为重要了。我们需要找到最适合的用户群，在最恰当的时间，采取最恰当的手段，获取最大的价值。最后一个 「最」是目标，前面三个 「最」是实现目标的途径，即精细化运营。其中的关键，在于找到目标用户群，然后分析他们的行为习惯，做触达。由此，我们引出了「用户分群」的概念。只有通过精耕细作，把用户分群，针对不同的用户群服务得更好，通过每个用户创造更多的价值。
在这样的背景下，运营不再是粗放的全量运营，而是精细化的精益运营，运营人员需要思考：
- 如何对不同的用户群体分群，提升用户运营的ROI？
- 对于个体用户，如何深入到日常使用场景，提高转化效率？
标签系统的结构
那么，说回到标签系统，如何建立一个系统，有效的支持业务上的需求呢？需要思考：
- 数据层面：给用户打哪些标签？怎么打？
- 功能层面：如何定义、生产、管理、输出标签？
- 应用层面：如何与业务系统结合，将数据能力转化为业务价值的地方？
这三个层面分别对应着标签系统的三个部分：数据加工层、数据服务层、数据应用层。这三个部分，从下到上，从标签的生产，到管理，再到标签的应用。
数据加工层
数据加工层解决的是标签数据的生产问题，在这里完成数据的收集、清洗、转化、计算。通常，一家公司会有很多条产品线，每个产品线的业务数据又是分属在不同位置。为了搭建完善的用户标签体系，需要尽可能汇总最大范围内的数据。同时每个产品线的所有端也要尽可能的覆盖。之后，需要进行数据清洗，如去重、去除无效数据、去异常数据等等。再然后转化、计算出标签数据。
数据服务层
数据业务层主要用来维护整个标签体系，集中在一个地方进行管理。主要完成以下核心任务：
- 定义业务方需要的标签
- 标签完整生命周期的管理
- 实现应用层的对接
数据应用层
数据应用层是将数据能力转化为业务价值的地方。业务方按照各自业务的需求使用标签，实践中可用到以下几块：
- 标签取数：标签和用户画像的数据整合中心，可支撑业务部门的日常取数需求，也可作为其他系统的数据支撑来源；
- 营销推荐：通过不同的标签组合，可以圈定一批目标用户进行精准营销，数据可推送至短信平台、促销平台等进行短信、邮件、赠品的下发；
- 多维分析：标签可以更好的连接数据和业务人员，降低数据获取和操作的难度，赋能业务人员参与到数据分析之中；
- 用户画像报告；
标签系统的设计
上面讨论的是我们要建立什么样的标签系统，接下来讨论的是如何建立。可以从标签系统的结构：数据层面、功能层面、应用层面，亦即数据加工层、数据服务层、数据应用层展开。其中应用层面定义系统构建的目标，数据层面和功能层面是实现目标的途径。像所有产品设计一样，在开始的时候，要明确系统/产品要解决什么问题，做需求分析，明确标签系统要满足哪些业务场景。之后，拆解需求，需要回答：满足业务场景，需要输出哪些标签数据（设计标签体系），系统层面需要提供哪些功能（系统功能设计），数据输出端到端的流程（数据生成流程设计）。
设计标签体系
梳理标签思路：1）有哪些产品线？产品线的业务流如何？2）每个产品线有哪些业务对象？比如用户，商品，订单。3）按照对象对标签进行分类，如用户标签、商品标签；4）最后再按照业务，为每种类型的标签分类，并明确每个业务下有哪些业务数据和用户行为。最终形成一个个具备可分类性的标签。
系统功能设计
有了标签数据之后，需要考虑如何管理、输出数据。这个能力依赖于标签管理系统的搭建。管理系统需要具备的基本功能为标签的管理，如标签的新增、下线、修改、查找浏览。还需要考虑权限管理，哪些人/系统可以请求标签数据。另外，需要结合系统满足的业务场景，设计相应的功能：
- 标签取数：数据提取功能；
- 营销推荐：根据筛选条件圈人，与业务系统对接的接口；
- 多维分析： 特定用户标签探查，用户分群，群体画像；
数据生成流程设计
这部分主要是明确数据加工的流程，涉及的内容偏技术，包括源数据的接入、ETL、数据计算、数据存储、数据查询等。产品在其中，主要是明确标签数据的用途，查询场景、场景、频次、响应时间，研发据此，做技术选型，完成设计。
网友评论