用户标签各种运用方法如何对用户标签管理与分层( 二 )

标签的模型按数据的实效性来看，标签可分为
静态属性标签。长期甚至永远都不会发生改变。比如性别，出生日期，这些数据都是既定的事实，几乎不会改变。动态属性标签。存在有效期，需要定期地更新，保证标签的有效性。比如用户的购买力，用户的活跃情况。从数据提取维度来看，标签数据又可以分为类型。
事实标签。既定事实，从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息。模型标签。没有对应数据，需要定义规则，建立模型来计算得出标签实例。比如支付偏好度。预测标签。参考已有事实数据，来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品。标签的处理为什么要从两个维度来对标签区分？这是为了方便用户标签的进一步处理。
静态动态的划分是面向业务维度，便于运营人员理解业务。这一点能帮助他们：
理解标签体系的设计。表达自己的需求。事实标签，模型标签，预测标签是面向数据处理维度，便于技术人员理解标签模块功能分类，帮助他们：
设计合理数据处理单元，相互独立，协同处理。标签的及时更新及数据响应的效率。以上面的标签图表为例，面临以下问题：
属性信息缺失怎么办？比如，现实中总有用户未设置用户性别，那怎么才能知道用户的性别呢？行为属性，消费属性的标签能不能灵活设置？比如，活跃运营中需要做A/B test，不能将品牌偏好规则写死，怎么办？既有的属性创建不了我想要的标签？比如，用户消费能力需要综合结合多项业务的数据才合理，如何解决？模型标签的定义解决的就是从无到有的问题。建立模型，计算用户相应属性匹配度。现实中，事实标签也存在数据缺失情况。比如用户性别未知，但是可以根据用户浏览商品，购买商品的历史行为来计算性别偏好度。当用户购买的女性化妆品和内衣较多，偏好值趋近于性别女，即可以推断用户性别为女。
模型计算规则的开放解决的是标签灵活配置的问题。运营人员能够根据自己的需求，灵活更改标签实例的定义规则。
比如图表中支付频度实例的规则定义，可以做到：
时间的开放。支持时间任意选择：昨天，前天，近x天，自定义某段时间等等。支付笔数的开放。大于，等于，小于某个值，或者在某两个值区间。标签的组合解决就是标签扩展的问题。除了原有属性的规则定义，还可以使用对多个标签进行组合，创建新的复合型标签。比如定义用户的消费能力等级。
标签最终呈现的形态要满足两个需求：
标签的最小颗粒度要触达到具体业务事实数据，同时支持对应标签实例的规则自定义。不同的标签可以相互自由组合为新的标签，同时支持标签间的关系，权重自定义。实践分享数据应用层即为标签的使用场景，最典型的应用场景是：精准推送。
精准推送。该场景对标签的实效性要求并不高，可以只考虑离线的历史数据，不需要结合实时数据，是标签首选的实践场景。运营人员使用标签筛选出目标用户，定向推送活动。推送渠道根据活动的需要来进行多渠道投放，能够支持微信，App，短信。
运营主要工作基本就是不停地生产活动，向用户投食，监测活动的效果，不断优化投放策略：找到不同用户对应的最佳匹配活动。这块主要关注活动以下环节：
活动前：目标用户，活动内容，投放渠道。活动中：效果监控和跟踪。活动后：效果复盘和优化。除精准推送外，用户标签还有其它的应用场景。在技术层面上，对算法建模及响应性能也有更高的要求：

以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!

「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：

用户标签各种运用方法 如何对用户标签管理与分层( 二 )

用户标签各种运用方法如何对用户标签管理与分层( 二 )