掌握Excel多种计算天数的方法提升工作效率
2443
2022-07-03
大数据的标签管理
n 可重复标记性
对同一个用户,可以打上很多个标签。所以标签不同于传统意义上的分类,它也被称为“开放分类”。而且同一个用户身上的标签数量,会随着时间的推移而持续不断的被增加。标签数据越多,最后得到的用户受众画像信息会越来越完整。
例如男性用户A,喜欢浏览汽车网站,同时爱好音乐和收藏。可以对他打的标签就有男性,网站,汽车,音乐,收藏。而过了一段时间,他结婚有了小孩,同时喜欢上淘宝购买母婴用品,这时他又会被标记上已婚,有小孩,在线购物,母婴的标签。
浅谈大数据的标签管理
n 指向明确性
每个标签都指向用户的一类属性或行为。属性不仅包括性别、年龄、身高、体重等信息,甚至还包括一些家庭成员,联系方式,地址等敏感隐私信息;行为则是指某段时间内用户的参与倾向性。行为指向与时间有一定的关系,比如这段时间我有购房的需求,会经常浏览×××网站,这时会产生×××相关的标签。但过了不久我买到了心仪的房子,而不再关注×××时,指向×××行为相关的标签就可能已经失效。
还是上面用户A的例子:
ü 标签男性可归纳为用户的性别属性;
ü 标签网站、汽车、音乐、收藏、在线购物、母婴可归纳为用户的爱好或预购意向属性;
ü 标签已婚,有小孩则可归纳为用户的婚姻和家庭属性;
浅谈大数据的标签管理
正是基于标签的这两个特征,所以它在精准营销方面发挥了独特的效用。首先网站将用户的各种在线行为转化为标签数据,并分析大量已收集到的标签数据得到相对完整的受众用户画像。然后将画像信息与DSP,SSP,Ad Exchange等广告平台做对接,平台根据每个广告主的投放需求过滤受众画像,来将每个广告精确曝光给最为匹配的目标用户,从而达到精准营销的目的。
营销的精准性,在于匹配最为符合的受众用户画像。而要确定到最符合的画像信息,又基于对大数据量的标签数据的分析。随着网站的用户数和访问频率的提升,标签数据会相应产生几何级的增长;同时现在各互联网公司也逐渐倾向于标签数据的交换和共享,来获取更丰富的受众信息。所以在大数据领域,对海量标签数据的管理已经成为日趋重要的需求。
现在市面上已经存在的标签管理系统,比较出名的有商业付费工具如Ensighten、TagMan、Tealium、Satellite、OpenTag、Tag Commander、Super Tag、Site Tagger、Bright Tag等,也有Google提供的免费工具Tag Management。这些工具基本功能大体类似,仅区别于各自的增值服务方面。所以结合未来的发展趋势,标签管理应基本涵盖以下四块主要内容: 浅谈大数据的标签管理
² 数据标签化
通过制定容器、规则、条件将代码发布到网站的页面,来将用户信息转化为标签数据。这是标签管理必备的基本内容。
² 标签数据管理
对海量标签数据的管理,还包括去重,合并,转义等标签数据操作。
² 标签共享和交换
现在各互联网公司逐渐倾向于交换和共享标签数据,来充实已掌握的标签数据。所以这个以往的增值服务,也将变得越来越重要。
² 标签分析
包括受众分析,归因分析,以后与各广告平台对接后的投放效果分析,成本分析等等。
一、标签的定位
标签的本质:标签是从元数据中提取到数据的特征,进而用来描述数据的结构化数据。通过标签使得数据(甚至是原本无法被描述、理解、定位的数据:比如视频中李易峰哭泣的镜头)更加便于被搜索、定位、管理,
标签是精细化管理、运营的基础,通过标签,能有效命中对象,提高管理效率。
好的标签的可以精准定位,而太精准也会导致覆盖率有限的弊端。(不过这个优劣势就看标签的应用场景了)
二、标签的作用
对于C端运营
标签可以用来满足个性化需求:目前对于标签的应用,主要是应用在C端,比如百度的智能推荐、taobao的千人千面。
标签还可以用于信息分级、表示权重,标注优先级。
对于B端管理
通过标签标注系统所提供的资源的属性信息,方便统计、管理。
通过标签,可对某些属性的信息进行监测和报警。
三 、构建标签系统时pm需要明确
初心:标签系统要以终为始,从需求出发
在设计标签体系的时候,一定要思考我们将如何使用这些标签,切忌需求大而全。在优先满足需求,在满足需求的基础上,保证一定的扩展性。大量不使用的标签会降低标签的使用体验,降低有效使用标签的效率
在做标签系统时要回答几个问题:
通过标签想提供什么服务,创造什么价值?=标签想解决什么问题、能解决什么问题
怎么打标签?打哪些标签?谁来打标签?=标签从哪来?怎么打更好用?
标签怎么管理?=标签的增删改怎么管理?
四、标签系统怎么设计
标签系统可以分为三个部分:数据加工层,标签服务层,标签应用管理层。每一层面向对象不一样,处理事务有所不同。层级越往下,越直面数据,与业务的耦合度就越小。层级越往上,越偏向业务需求,与业务的关联性就越强。
数据加工层:只要是数据库,清洗数据,拿到数据的各个方向的特征
2. 标签服务层:构建标签体系,管理(增删改查)、维护标签、定义业务需要的标签,生产标签,支持查询、创建可具象、服务业务的标签
3. 管理应用层:基于标签下数据的特征,为用户及管理赋能
基于标签特性,提供数据
对标签下的内容,提供精准管理
个性化推送(订阅报警?)
五、标签的模型拆解
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。比如用户的登录时长,活跃与否,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
基于统计类的标签=事实标签。既定事实,从原始数据中提取。比如用户的性别、星座、注册城市、使用时长、月消费总额。这类标签可以从元数据中提取和判断,是最为基础的标签类型,构成了用户画像的基础。
基于规则类的标签=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。该类标签的规则需要各达成一致。如:距今 90 天内登录次数>3&停留时长超过30分钟 ,是“活跃用户”。
基于挖掘类的标签=预测标签。参考已有事实数据,来预测用户的行为或偏好。
六、标签体系的设计
业务梳理:体验用户/资源的实际流程,结合用户的使用场景,根据业务流程进行全盘梳理
有哪些产品线、哪些用户、涉及到哪些服务
有哪些特权配置
标签分类:先有场景,再拆标签。宗旨就是高可扩展,便于标签的管理和维护。一般最多也是就是四级标签
标签的筛选逻辑
标签的单选与多选设计
标签的交集与并集设计
七、标签的管理
标签权限:对标签设置访问权限,防止数据泄露或标签超越其使用范围。
业务专用的标签:比如某一个垂类想统计的标签信息,不想给别的垂类看到
特定场景专用标签:只有特定的人在特定的情景下才能访问的标签
常用便捷性标签:某一类标签,用户经常使用。这类标签不应该涉及隐私数据
标签管理平台的基本功能:增删改→ 直接影响到用户的使用,需要考虑到修改前后标签内数据的变化,以及业务是否能接受
新增与修改逻辑
增、改标签是添加后实时发布到前台,还是编辑后统一增加按钮,统一发布到前台
修改的标签,是否需要对已有标签进行全部替换
是否支持批量更新标签和实时更新标签。
2. 标签下线、删除逻辑
标签下线之前,必须判断该标签当前是否有用户在用,影响面有多大,真正下线前需要提前告知风险
标签下线时,可优先把标签设置成不可访问,下线一段时间后,如果没有任何问题,再来做真正的废弃逻辑
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。