|还没理解用户标签体系？看这篇就够了( 四 )
本文插图
图 12 场景举例：将自然语言转换成配置规则
那么问题来了 ， 业务经验可靠吗？我们评价一个规则 ， 通常有几种标准 ， 分别是覆盖率、准确率和召回率 。 从这些指标去衡量 ， 以经验为参考的规则就不一定符合真实业务需求了 。
事实上 ， 定义标签是可以通过科学的数据分析方法进行的 。
我们前面有提到 ， 对于数值类的标签 ， 最好通过业务经验来分层 ， 来提高业务判断的效率 。 对于这种高中低分层 ， 通常可以使用分布分析的方法 。
比如还是对于「用户点击商品详情页」的次数 ， 我可以计算它的次数分布 ， 再按照 25% ， 50% ， 75% ， 75% 以上划分标签 。
这样 ， 我不仅能划出四个分层 ， 还能保证每个层级都有很好的覆盖度 。 对于资产盘点分层、付费用户分层这样的标签 ， 分布分析是一个很好用的方法 。
本文插图
图 13 使用分布分析进行用户标签分层
当然了 ， 我们需要的其实不是对「用户点击商品详情页」次数的分层 ， 而是对「用户购买意愿」有解释力的标签 。 算法类标可以有效地解决这个问题 。
所谓的算法类标签 ， 本质上也是在做「预测」这个事情 。 下图所示的是神策用户画像产品实现的相似人群扩散功能 ， 通过提供种子用户 ， 来学习他们的特征 ， 并预测一个用户的标签 。 对于「用户购买意愿」 ， 我们可以用「实际真的有购买」过的人群 ， 来作为我们的种子用户 ， 让算法去学习他们的特征 。
本文插图
图 14 算法型标签：相似人群扩散
算法类标签的好处 ， 在于它能通过交叉验证 ， 获得自己的预测相似度 。 我们可根据对标签解释力的需求 ， 设置一定相似度以上的人群 ， 打上「高用户购买意愿」的标签 。
算法类标签也有坏处 ， 它是个黑盒 ， 不如规则那样简单明了可解释 。
我们神策的用户画像产品在做算法类标签实践的时候 ， 也遇到了这样的问题 。 所以 ， 一个好的算法类标签 ， 应该还能输出它所使用的行为特征权重 。 这样 ， 能让算法黑盒变成相对白盒 ， 业务人员可解释度强 。 同时还有一个好处 ， 就是特征权重其实也展示了那些特征才是最影响业务结果的 ， 有些时候我们不是想要预测标签 ， 而是想要知道什么特征对转化更重要 。
四、如何利用好用户画像分析赋能业务落地？
1. 用户画像的用法
我们在前面有提到 ， 标签体系的用途 ， 其实主要是两大类 ， 一类是分析洞察获取业务灵感 ， 另一类就是输出赋能精细化运营和数据产品系统使用 。
对于标签体系来说 ， 利用标签去筛选目标客群 ， 并且输出人群列表 ， 其实是最简单直接的一种应用方法 。 通过组合多个基础标签 ， 可以快速做到很精细的目标人群输出 。
当然 ， 这也对我们的基础标签梳理有一定的要求 。
本文插图
图 15 画像基础用法：筛选客群输出
同时 ， 当标签数据能与数据产品系统打通的时候 ， 它就会变成强有力的武器 。
神策在这方面的解决方案 ， 是将用户标签和与智能运营平台进行数据打通 ， 这样可实现精准筛选受众用户 ， 并且基于用户的行为去实时触发各种推送、短信、弹窗或优惠券策略 。 可以助力运营部门快速试验不同的精细化运营策略 ， 以及将成功的运营策略自动化 。
推荐阅读
- 互联网|上线半年收获6700万用户，这款聚焦下沉用户的陌生人社交APP是怎么做到的？
- IT爆料猿|中国电信6月5G用户数净增779万户，累计3784万
- 互联网|发放高利贷，还要窃取用户信息？这些金融APP在秀“道德底线”
- |滴滴拼车变“青菜拼车”，用白菜价吸引用户？
- 老人机|2G、3G将转网，两亿老人机用户或将换手机
- 合约|OKEx永续合约梯度档位大调整 用户持仓额度显著提升
- |携号转网服务用户突破千万 仅 1.3% 用户回到原运营商
- 新机发布|华为Mate40真机渲染图全球首曝光!将推双处理器版本:国内用户有福了
- 砍柴网|携号转网服务用户突破千万 仅 1.3% 用户回到原运营商
- IOS系统|iOS 13.6:苹果刚刚给了iPhone用户29个更新的安全理由