数据分析思维之用户标签

1. 什么是标签&＃xff1f;

标签就是由原始数据&＃xff0c;经过整理、加工、分类所得&＃xff0c;一个抽象的符号&＃xff0c;并且代表一类人/物的特征。

2. 用户标签有什么用&＃xff1f;

能快速、方便地细分用户群体&＃xff0c;锁定更有需求的人&＃xff0c;实现更精准的营销/服务。&＃xff08;如下图所示&＃xff09;

可以基于过往分析成果&＃xff0c;预先打上标签&＃xff0c;能极大提升效率&＃xff0c;实现更复杂、更精准的分析。

并且&＃xff0c;还能把最后效果记录进标签库&＃xff0c;积累分析经验。如果标签打的对&＃xff0c;那我们按标签做的事就能起到效果&＃xff0c;标签本身质量也被确认&＃xff1b;如果标签打错了&＃xff0c;那按标签做的事就会没有效果&＃xff0c;后续就能修订标签&＃xff0c;打新标签。

我们做用户分层和分群&＃xff0c;做精准营销&＃xff0c;所有结果也可以以标签形式保存。在后续多次验证&＃xff0c;从而沉淀管用、区分度高的标签&＃xff0c;提升用户画像的准确度与有用性。

3. 用户标签的制作流程

做标签&＃xff0c;就是个循序渐进的过程。从原始数据直接分类得到初级标签&＃xff0c;之后多个标签组合&＃xff0c;生成综合标签。当多个标签一起用于评估&＃xff0c;可能采用分类或降维算法。当标签是预测未来时&＃xff0c;需要用预测算法。最后评价标签有没有区分度&＃xff0c;关键看打标以后&＃xff0c;各类标签在目标上的差异&＃xff0c;所以清晰目标很重要。

制作标签共有7步&＃xff1a;

1. 从单维度开始
2. 设定区分目标
3. 进行维度拆解
4. 观察区分效果
5. 总结经验
6. 多维度交叉
7. 不断提升效果

4. 用户标签的4大常见问题

4.1 没有目标&＃xff0c;盲目打标

即使是同一个原始数据&＃xff0c;在不同目标下&＃xff0c;打标方式会完全不同。拿用户年龄举例&＃xff0c;可能有好几种分类贴标签的方式&＃xff08;如下图&＃xff09;

4.2 不区分时间状态

比如打一个“高价值用户”标签&＃xff0c;这里“高价值”指的是历史消费水平高&＃xff0c;还是未来消费的多&＃xff1f;很多人傻傻不分&＃xff0c;就统计下历史消费金额&＃xff0c;然后消费多的就是价值高。但是谁保证用户过去买的多&＃xff0c;未来一定买的多&＃xff1f;&＃xff1f;完全不一定。

注意&＃xff1a;如果我们要打的标签是个未来情况&＃xff0c;比如未来消费多&＃xff0c;意味着我们要做一个预测&＃xff1a;用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论&＃xff0c;不能简单基于历史数据统计。

4.3 行为动机乱归因

比如用户买了产品A&＃xff0c;于是就打个“A产品喜爱者”标签。然而用户真的喜欢A产品吗&＃xff1f;我们只知道用户买了A的行为&＃xff0c;并不能直接推导出动机。如果想推倒动机&＃xff0c;需要基于一段时间数据分析&＃xff0c;并且综合多个维度判断。

4.4 结果缺少检验

打用户标签是希望区分用户&＃xff0c;那么最后区分效果&＃xff0c;在目标上的差异越大越好&＃xff0c;如果差异不大&＃xff0c;那打标意义就不大&＃xff0c;可以取消标签&＃xff0c;或者再做优化&＃xff08;如下图所示&＃xff09;。