大數據應用場景下，標籤策略如何實現價值最大化？

如今，各行各業都已經意識到了數據的價值，開始沉澱數據資產，挖掘數據價值，但是數據本身其實是很難直觀地看到其價值的。數據就是存儲在計算機系統的“01”代碼，如果你不去用它，能有什麼價值？

正如美國哈佛大學教授格林先生所説：數據本身並不等於知識，更不是智慧，只有經過正確分析之後，數據才能凸顯它的意義。

在標籤體系對外推廣實踐的過程中，我們也經常會遇到客户提問：辛苦完成標籤體系的開發與落庫後，該如何使用這些標籤，才能發揮其實用價值？

如何把標籤所承載的數據信息進行形象化，最直接的方法就是將標籤直接拿來使用，進行個體畫像分析。向系統提供一個用户ID後，系統會向你展示這個用户的全部標籤結果，如下圖所示。

在分析好該用户的特徵後，運營就可以根據他的畫像特徵進行鍼對性的分析與溝通。例如，該用户當前正處於哺乳期，可以向她推薦一些奶粉產品。

這種針對個體的畫像分析通常產生在小數據量的場景下，更多的應用於CRM系統中，如銷售人員和客户之間的一對一溝通服務過程。銷售人員需要提前介入，根據對用户的初步瞭解，提前鎖定目標問題，給用户帶去流暢高效的溝通體驗。

然而，在大數據量的場景下，這種一對一溝通方式效率很低。想象一下，用户來到購物平台首頁，排隊等待服務人員依次進行鍼對性提問，那用户等不到服務人員對接就已經流失掉了。

面對這種情況不用着急，只需要根據用户特徵初步判斷其所屬人羣后，通過用户畫像為客户量身制定相關喜好或潛在喜好的推薦，直接將針對該人羣的運營策略應用於該客户身上，便能直接切入客户心之所向，大大提升用户體驗和服務效率。

這個策略的制定過程通常可以通過以下四步完成：

確定運營目標

如確定以提升用户活躍度指標為方向的運營目標。以運營目標為導向才可快速進行用户分析，短時高效地尋找到可以提升整體水平的目標用户。同時，運營目標的制定也可以讓運營效果具有可衡量性。

實現用户圈羣

根據運營目標確定篩選條件，篩選出符合要求的用户實現用户圈羣。如：需要圈選出使用APP活躍度高且偏好電銷渠道和自營APP渠道的用户，則可在「客户數據洞察平台」進行如下配置：

條件的設置主要包含兩部分因素：時間和標籤結果值。時間可以是絕對時間，也可以是相對時間，如：圈選1月1日註冊且過去第1天活躍的用户，這裏的1月1日即是絕對時間，過去第1天即是相對時間。

進行鍼對性分析

篩選出符合要求的用户後，要對篩選結果進行鍼對性分析，確定用户羣體的整體特徵。這裏的分析可以有多種方式，典型的分析方法包括羣組畫像分析、顯著性分析、對比分析和羣組交併差分析。

● 羣組畫像分析

針對圈選的用户，系統統計出每個標籤的實例數情況，用户根據這個數據結果查看標籤分佈情況，判斷羣組在各標籤上是否有一些典型特徵。

上圖即為某一羣組在“保單規模”這個標籤上的結果分佈情況，可以看出，這個羣組中保單為中等金額的用户佔大多數，保單規模為“中等金額”是這個羣組的主要特點之一。

那麼，是否根據這個標籤的結果分佈，我們就可以直接下結論這個羣組有這個突出特點呢？答案是否定的。除了進行羣組畫像分析外，我們還需要用到顯著性分析方法。

● 顯著性分析

一個羣組的構成需要配有相同的或相似的個體特徵，這個特徵可以是個體的基本屬性、來源渠道、興趣偏好，也可以是具有相似的行為特點，當將這個羣體聚集起來時，這個羣體的一些個體特徵的佔比通常比他在集體範圍內的特徵佔比高很多，這就是顯著性分析。

上圖舉了個分佈的例子，總體中，閲讀時長超過10分鐘的人佔比25%，把其中活躍度高的用户篩選出來構成一個羣組，這個羣組內閲讀時長超過10分鐘的人佔比有50%，閲讀時長則是這一羣體的顯著特徵之一。

能夠反映這一特徵的指數即為TGI指數，其計算公式為：

對應上述例子，TGI = 50% / 20% * 100 = 250。

如何通過TGI來判斷顯著性？TGI結果以100為基準：當TGI>100時表示目標人羣更顯著，TGI < 100時表示大盤人羣更顯著。

除了在當前羣體內部做特徵分析，也可以和其他羣體做比較分析，來確定當前羣組有何突出特點。這時，可以進行對比分析或是羣組交併差。

● 對比分析

想要將一個高潛用户轉化為目標用户，首先需要知道目標用户有什麼特點，以及和高潛用户之間的差異是什麼？

這時可以通過對比分析來實現。通過下圖可以看出，成熟期用户的APP瀏覽次數明顯高於高潛用户數據，進一步分析原因後，就可以制定相應策略將高潛用户轉化為成熟用户。

● 羣組交併差

針對創建的標籤，設置了很多羣組，但這其中，有些羣組因為時間的變化或是圈羣條件的差異性過小，導致圈羣結果的相似性過高。這時，如果繼續保持這些羣組的計算，將會造成大量的資源浪費，同時，運營每天的盯盤效率也會降低。

此時，就需要去比較羣組間的差異性，更多的保留差異性大的羣組，根據實際需要，對差異性小的羣組進行適當取捨。

利用羣組交集分析功能，可以查看羣組間的交集量級及交集的數據詳情。羣組並集分析功能則更適用於查看並集組合結果和全部數據之間的量級差異性，以此來查看待分析用户羣的覆蓋量級情況。如統計所有已創建羣組的並集結果，發現有10%的數據沒有覆蓋，此時可以去分析剩下的10%是因為數據異常，還是標籤體系有疏漏導致的用户未覆蓋到。羣組差集分析功能則更加聚焦於羣組的獨特性。

值得注意的是，羣組的優劣不能以覆蓋實例量級作為衡量標準。高ARPU值用户量級佔比很低，但卻是企業的主要收入來源，不可小覷。

那麼什麼樣的羣組可以被評價為優質羣組呢？可以從以下幾點考慮：

· 基於你的運營目標，羣體可以有典型的特徵出現；

· 圈選羣組的特徵變化將對運營目標的實現起到舉足輕重的作用；

· 根據羣組特點，用户的穩定性相對較高，這種穩定性體現在用户量級、新增用户佔比數據上。

制定運營策略

根據羣體特點制定運營或營銷策略，並落地執行，是實現用户精細化運營和精準營銷的重要基石。

羣組的一大構成要素就是運營，通常來説，羣組構建的越精準，運營策略也就越好構建，運營效果就越好，同時，好的運營策略和運營效果也可以反向讓羣組更加穩固。

綜上所述，標籤工作至關重要，它是量化定性因素，提供價值判斷的重要工具。基於標籤圈羣，可以進行用户的深度細分，並挖掘羣組的畫像特徵、顯著性特徵、對比性特徵，掌握羣組特點，靈活迭代營銷策略，進行精細化運營。

袋鼠雲客户數據洞察平台還在持續迭代，精益求精中，未來將圍繞用户洞察、標籤應用方向、標籤實現的方式方法等進行更多的深度場景價值挖掘。 想了解或諮詢更多有關袋鼠雲大數據產品、行業解決方案、客户案例的朋友，瀏覽袋鼠雲官網：http://www.dtstack.com/?src=szkyzg

同時，歡迎對大數據開源項目有興趣的同學加入「袋鼠雲開源框架釘釘技術qun」，交流最新開源技術信息，qun號碼：30537511，項目地址：http://github.com/DTStack