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。

怎么做标签系统

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：

1. 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

2. 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？

3. 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。

1. 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

1. 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。

2. 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

1. 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。

2. 

   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”。

3. 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

1. 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。