用户标签 - Beta
最后更新于
灰度beta功能 ,如需体验试用,请联系客户经理 。
标签是用户行为和特征的抽象与描述。
目的為: 使大量业务价值低的数据 转变 为更有价值的业务信息 。
在特定业务场景下,标签可以让我们快速的了解一个用户
或一群用户
的特征。
举例:
如在电销场景下,我们的客服人员需要了解目标用户的性别、年龄、常住城市、家庭成员数量、历史购买记录、最近浏览偏好等标签信息。这些信息可以帮助客服人员在脑海中快速形成一个鲜活的人物形象,帮助客服人员在与客户的交谈中更好的组织语言、挖掘并满足客户需求。
按照业务特征
划分,标签可以分为人口属性标签、交易属性标签、兴趣偏好标签等。
按照创建方式
划分,标签可以分为属性标签、计算标签、分层标签和算法标签。
标签可以帮助我们更加全面的描述一个用户,使业务人员能够前所未有的 看清用户。
但这并不意味着标签需要越多越好。出于计算成本和管理成本考量,我们应结合业务场景和业务需求,考虑什么样的标签能在业务操作中帮助我们更好的完成业务目标,并依据此目标进行标签的创建。
根据GrowingIO 的行业经验 : 許多人错误的 的认为跟踪更多、更丰富的标签有助于更好地了解客户。通常情况下,数据丰富,但洞察力较差。
一些细分市场最成功的客户仅限于跟踪少数重要数据,以帮助他们回答同样重要的业务问题。 企业内部的标签体系往往有上百上千个,但对业务产生要效益的标签往往约10% 。
目前GrowingIO提供了4种标签计算模型,
分别为
累计值/平均值/占比标签
最大值/最小值的事件属性标签
最初/最终的事件属性标签
分层标签
这4种标签主要用于解决 计算标签
和规则标签
的使用场景。
标签分类
描述
特点
举例
属性标签
根据企业沉淀的用户信息,
加工转换生成
数量少、业务信息大
根据身份证号生成标签。如
年龄、性别、是否是生日、
出生省市等
计算标签
根据用户的行为和特征计算生成
数量多、业务信息小
根据购买事件计算生成
最近购买距今天数(R)、
购买次数(F)、购买金额(M)
规则标签
根据业务经验,
人工或半人工通过规则计算生成
人力成本高、数量少、
业务信息大
根据RFM计算标签按业务
需求根据规则讲用户进行
分层
算法标签
大部分依赖算法计算,
需要人工参与调参和业务效果验证
计算成本高、数量多、
业务效果需要验证
根据用户特征和行为
预测用户购买意向