唐颖
何为标签？大家最能想到的传统标签就是在图书管理，每本图书背上贴的那些纸质标签。比如ISBN817525766-0，这是国际标准书号；书口往往会敲上蓝印图章，标明该图书的拥有单位；在图书系统未完善的时候，书上更会贴上分类标签，比如历史、文学、科普、管理等等；其实书上自身的作者、版权、出版社、印刷日期等也可以看做是这本书的一类标签。
到了互联网时代，我们在访问电商网站时都会有商品导航标签，比如京东首页左边赫然在目的导航标签，比如家电、手机、数码、电脑、办公、男装、汽车、视频、图书等，在用户带有目标性的访问网站时，能有效的引导用户找到自己需要的商品。
其实这类互联网公司会对我们也悄悄打上各类标签，对我们进行“归类整理”。传统的基础标签：活跃、付费类标签；社会属性标签：性别、年龄、收入、学历、职业、居住地、消费能力、信用等级等；偏好标签：业务偏好、内容偏好、圈子偏好、时段偏好等；生态或其他标签：在电商网站、社交或游戏等平台内的购买、浏览、游戏行为计算出的对于某类商品的倾向、对于某类非消耗商品的拥有情况（比如你是否买过电视机、电冰箱、微波炉等）、对于消耗商品的日常消耗程度（每月会吃掉多少饮料零食、洗衣粉、洗发水等）、对于游戏玩法的激进程度、对于某类游戏道具的拥有情况、对于社交的渴望、朋友群的社群属性等等。
有点规模的互联网公司都会构建自己的标签平台，用来更快捷、更精细的运营自己的用户。常用的应用场景有如下几块：
1 精细化运营
传统行业或互联网早期的运营方式都比较粗放，如一到节假日都会搞买199元送100元、满299立减99、满500元砸金蛋等活动。这类互动对于用户是无差别的，能起到很好的品牌效应，但无法达到最大的经济效益，同时也无法满足用户真正的需求。用户往往会被优惠吸引而盲目地购买自己并不需要的商品，活动结束后却有隐隐的后悔。
千人千面是精细化运营的核心思想，或许你会有2个疑问：
（1）如何确定对于不用用户的活动力度或形式，我们评定的依据是什么？
（2）在公开场合下如何做到给用户不一样的活动内容，用户会不会对活动的公平性提出质疑？
对于互联网线上运营活动而言，这些都不是障碍。通过“运气”这个掩护，我们能将本来的随机性替换成“伪随机”。比如用户参与活动砸个金蛋，能获得一张某种商品的大力度优惠折扣券，用户在惊喜之余一定会珍惜这次看此难得的折扣机会，同时折扣商品又是心仪已久的商品，那购买率一定大大上升。比如我们知道这个用户是个准妈妈，以往的消费能力不错，根据以往的消费记录来看她都等于品牌有一定的要求，恰好她有过浏览婴儿床商品的历史，那这次对于她的最佳活动折扣商品就不言而喻了。同时这款高端品牌的商品的折扣行为是悄然无息的，不会给其他用户有折扣过的印象，保护了该品牌日常的日常销量。这里我们需要用到这位用户的消费能力、品牌敏感、性别、生育、年龄、近期偏好等标签。
2 数据分析
有了标签系统后，做数据分析是一件轻松愉快的事，往往还能分析到数据背后的数据。比如：
2.1 用户群体分析
我们能通过一组标签筛选出目标用户，然后分析出该目标用户群体下的其他标签的分布情况。比如我们选择“注册时间”在近2个月内、“累计充值”大于50000、“首周付费”大于5000、“性别”为女的高质量用户，然后查看他们“30天内活跃天数”、参与“双十一活动”的比率、“年龄段”、“收入”、“学历”等社会标签的组成情况。然后通过增加“30天内活跃天数”<5天的条件，再次筛选出最近不活跃的高质量用户，查看他们历史“偏好商品”的分布情况，可以很方便的对这类用户进行召回或促活活动，通过上文提到的个性化活动，对他们分别推送不同的礼品折扣券。
2.2 单用户画像分析
单用户画像分析往往应用在客服服务上，在客服对某一用户进行电话服务时，可以直接调出该用户的画像，可以很清晰的了解用户的基本面貌，以及历史行为特征等。那在处理客服事件时就可以做到快速响应并针对不同情况做出最优处理。当处理好该用户的事件后，这类信息又可以回溯到标签系统中，为用户更新或打上新的标签。
2.3 活动效果分析
进行活动效果分析的前提是标签系统和业务系统事先进行过活动埋点的对接，对用户的互动参与、付费、消耗（部分预充值的平台可以区分充值和消耗行为，比如游戏、直播、阅读、FM等平台产品）等信息进行有效的采集。
之后即可以在系统中对每批次活动进行效果分析，分析活动周期内的用户参率趋势。同时用各类标签对参与、付费、消耗交叉各类标签进行效果分析，往往一类活动的策划是针对某一类用户群的，比如针对高付费用户的活动，就可以将VIP登记或者充值分段标签与参与、付费、消耗进行交叉，分析活动是否达到预期效果。
如果活动是进行灰度发布的，那我们可以将参与活动用户与未参与活动的用户的交叉标签进行A/B test比对分析。也可以再拉出社会属性标签，分析参与活动的用户的性别、年龄、收入、学历等分布，并与其它活动的社会属性分布进行对比分析。总之，各类效果分析能帮助对后续活动进行指导，形成有效的运营闭环。
3 业务监控
传统的监控往往是对pv、uv、付费金额等进行波段判断，通过骤降、掉零、缓慢下降等策略做出报警功能。但有很多业务问题是这类监控力所不能及的。我们来看看标签系统能为我们带来哪些意想不到的新一代监控方式。比如：
3.1 标签流动监控
如图，这是一组互斥的活跃类标签，通过过往的数据，我们很轻易就能计算出这组标签的常规转换路径。其实在上图中可以再增加一种预测类标签，在流失和不活跃之间增加预流失用户，通过机器学习中的分类算法，可以对用户的流失行为作出预测。对应到付费维度，通过近段时间的付费行为，可以获得“频繁付费”、“活跃付费”、“新付费”、“回流”、“付费沉默”、“无付费”用户标签，我们通用可以根据历史数据得出期间的转换关系。
4 对外服务
4.1 开放API
标签系统的核心不在于自身的界面功能，而是数据查询能力。公司的其他系统都有查询此类数据的需求，比如广告系统、平台系统、问卷系统、推送系统、运营平台、客服系统、风控系统等。一般的插叙接口主要分三大类：
（1）通过一系列的标签组合条件，查询符合条件的用户数量，并返回该用户群体的ID组
（2）通过1个用户的ID，查询该用户的用户画像
（3）通过标签组合条件或者用户ID组，查询该用户群体的指定标签分布情况
其中第1类接口需要考虑到大批量用户ID的传输场景，一次放回几百万用户ID都是经常的事，所以得考虑接口异步查询或分页查询的场景。
第2类接口往往是有高频次访问场景的，特别对于平台或风控系统，在每个用户登录或消费时，都可能调用该用户的部分标签信息，判断是否有安全风险。所以这类标签需要做高并发的支持。
第1、3类系统由于是组合条件的查詢，往往会消耗服务器集群大量的计算资源，需要充分优化查询算法并做缓存。
我们总结了用户标签的种种应用场景，可以看到标签在互联网运营过程中扮演了重要的角色。如何找出有价值的标签，以及如何让标签融入到公司运营的各个环节，并形成有效的闭环，是公司生存发展的关键所在。
【参考文献】
[1]《大嘴巴漫谈数据挖掘》，易向军，电子工业出版社.
[2]《Data Mining：Concepts and Techniques Third Edition》，Jiawei Han/Micheline Kamber/Jian PeiMorgan Kaufmann，Morgan Kaufmann.endprint
