标签体系-内容建设思路

标签的定义
● 标签：可以为对象做出判断的属性，比如及格，高价值用户，但无判断的不为标签，比如89分
● 标签的作用：为对象进行判断，从而去解决问题
● 标签建立的关键：问对问题，业务问题进行拆解，然后对应标签进行解决
● 标签应用主要场景：宏观清算资源、分析问题、实现/优化/预测指标达成

标签的对象
万物皆可为对象，万物皆可分析。
● 客户：消费者，为产品付出资金的对象，投入产出比是其衡量的标准，除了估量金额的大小之外，用户的使用效益也是在其考虑的范围之内
● 用户：产品的使用者，深受用户体验影响，在乎效率也在乎关怀
● 内容：为客户/用户服务的资源或者由为客户/用户产生的资源，内容为产品赋能的程度、为客户/用户带来的体验、价值可深度挖掘的程度都是其标签来源
● 活动：目标达成是其北极星指标，为了目标达成，需要计量其投入（时间、资源、人员）、活动设计（对象特征、范围广度、范围深度）、目标（对象质量、对象价值）
● 流程：完成一个目标所需要经历的整个过程，其过程包括效率、学习成本、投入成本、目标达成率、可优化能力等

标签体系的作用：为北极星指标服务
标签体系为了实现北极星指标，而北极星指标非最小粒度可执行的指标，需要通过结构性思维进行指标拆解，再结合指标实现的对应场景，拆解成可执行指标，最终形成指标体系，而叶子节点指标就是标签体系服务的最直接对象。通过分析用户的生命周期以及标签可以应用的场景，结合统计方法和场景复现，形成整一套标签体系，直接服务于叶子节点指标。

指标体系是最终结果的呈现，用于结果盯对和问题发现，而标签体系是基于指标的诉求，加以分析手段，形成可以反馈指标问题且合适提高指标的标签内容。

标签的建立：方式多样
若是也给标签做标签，也就是分组，可以通过：用户流转流程以及用户管理模式、标签属性、来源类型、使用类型、更新频率等等。
一般情况下，用户生命周期是最基本的主线，结合用户流转的每个环节以及用户管理的模式，罗列出无数、可实现的应用场景。而以上的场景可以通过基本通用的事实标签去满足80%的简单诉求，再结合场景的特殊性，通过模型标签、策略标签去精细化场景，去应用复杂的场景。

若是以一个未有具体应用场景，需要提前建立标签体系。可以建立较为全面、定义较为简单、应用较广的“粗略”标签内容1.0版本，以便真实场景的到来，可以在1.0版本的基础上快速建立2.0版本的标签。

标签的建立不可脱离业务，用户真实的旅途场景和可能的标签应用场景是建立标签体系的基础。比如，用户的行为一周最多只能发生一次，以最近一天的行为建立标签则偏离业务，而若为价值标签，一周为统计时间，同样缺乏实际使用意义。

标签的迭代：持续完善
标签需要经过反复的迭代，业务加以标签预测指标结果，通过达标程度或者A/B的结果，进行场景和人群的再次分析，修正标签的定义以及增删标签，对标签体系不断进行迭代。

1）业务层面验证以及迭代方式：引入“假设-测试-验证-定义”的迭代方式，找到可以准确刻画用户的标签体系，找到更多业务增长点；
2）数据部门验证以及迭代方式：引入“假设-数据反馈-重迭代”的迭代方式，建立使用率较高的标签体系
注：需要获取到使用频率、确定使用者，确保使用结果可找到反馈

标签的应用：场景举例
整个公司的北极星指标会进行拆分，根据组织架构，会将下一个小粒度的指标成为二级部门的北极星指标，然后不断拆解，不断将子指标成为下一级部门的北极星指标，最终叶子指标被实现，合并完成整个公司北极星指标的实现。
指标的实现可以借助标签的力量，每个业务不止需要确定整个公司的北极星指标，最直接是需要明确知道上一级部门的北极星指标，知道自己的北极星指标是为何服务、为何直接服务。然后为了指标，确定达成指标的策略，分析策略所需要的标签。

凡是用到优化和分析的场景都可以用到标签。比如我们的智能推荐、资源配置优化、内容优化分析、ABtest的人群圈选、用户画像等等，以下是一些具体场景。

智能推荐，根据对象的喜好和诉i求针对性、及时性地推荐产品。其中交互对象分别是客户和产品，为了两者匹配，需要贴上各自的标签，进行信息推送。用户1个月的统计数据造就2个标签，可以完成一个智能推荐算法，半年的统计数据造就10个标签也能完成一个智能推荐算法。智能推荐算法的优劣不在于使用统计时间的长短以及标签数量的多少，而在于合适的标签的多少。

资源配置优化，根据资源最优化的原则进行分配。资源最优化依旧是交互对象之间合适的匹配原则，对象是使用者和被使用者的标签碰撞。举个例子，老师和学生的匹配，已有老师地域和专业背景标签，已有学生地域和喜好标签，通过现有标签的分析，发现同一个地域、老师专业和学生喜好的搭配，能够最大程度提高课堂氛围，完成较高效率续费率，因此可以采用标签在分班时，根据标签进行匹配分班。

内容优化分析，根据内容，从使用量、内容属性等角度建立标签，再通过结果进行分析，挖掘出用户偏好的内容属性，再根据偏好的内容属性，进行内容重组合、重生产，同时需要根据外部信息标签，比如热点、政策风向、投放平台制度，对内容进行调整。

ABtest的人群圈选。ABtest一般采用小范围的试验，同时除了验证的变量之外需要现在其它变量尽量一致，因此在人群圈选中，需要根据试验的诉求圈选出人群，比如影响较大的，第一波需要选中低质量的用户，后续慢慢调整标签，拓大范围。因此标签也可以服务于ABtest。

用户画像，是标签的整体概览。通过用户生命周期的每个行为和场景描述进行拆分，形成一个个标签，有助于对整个用户池子的再度使用以及用户体验优化。

标签为指标而生，为指标而重生，为指标而成群，为指标而成体系。

微信公众号：小娜的数据小世界