运营-建立标签体系实现精准营销

• 思考的背景
  • 运营过程中的核心诉求方面：
    • 一般运营活动中，怎么对不同用户群体分层，提高流量的分发效率？  
    • 对于个体用户，怎么深入到日常使用场景，提高流量的转化效率？
  • 落到产品设计层面，需要解决以下问题：
    • 怎么设计一个完善的用户标签体系？怎么打标签？打哪些标签？谁来打？
    • 怎么使用用户标签，创造商业价值？
• 标签系统的结构

每个层面面向用户对象不一样，处理事务有所不同。层级越往下，与业务的耦合度就越小。层级越往上，业务关联性就越强。

• • 数据加工层  
    • 需要尽可能汇总最大范围内的数据  
    • 收集了所有数据之后，需要经过清洗
      • 去重
      • 去刷单数据
      • 去无效数据
      • 去异常数据等等  
    • 提取特征数据
  • 数据业务层  

数据加工层为业务层提供最基础数据能力，提供数据原材料。业务层属于公共资源层，并不归属某个产品或业务线。它主要用来维护整个标签体系，集中在一个地方来进行管理。

• • • 定义业务方需要的标签  
    • 创建标签实例
    • 执行业务标签实例，提供相应数据  
  • 数据应用层  

应用层的任务是赋予产品和运营人员标签的工具能力，聚合业务数据，转化为用户的枪火弹药，提供数据应用服务。

• • • 精准化营销  
    • 个性化推送  
• 标签体系的设计
  • 业务梳理
    • 有哪些产品线？产品线有哪些来源渠道？一一列出
    • 每个产品线有哪些业务对象？比如用户，商品  
    • 最后再根据对象聚合业务，每个对象涉及哪些业务？每个业务下哪些业务数据和用户行为？  
    • 结果类似如下：

• • 标签的分类

按业务对象整理了业务数据后，可以继续按照对象的属性来进行分类，主要目的：

• • • 方便管理标签，便于维护和扩展
    • 结构清晰，展示标签之间的关联关系
    • 为标签建模提供子集。方便独立计算某个标签下的属性偏好或者权重  
    • 梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在四级比较合适，方便管理，到了第四级就是具体的标签实例。

• • 标签的模型
    • 按数据的实效性可分为  
      • 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。比如用户的购买力，用户的活跃情况  

• • • 从数据提取维度可分为：

• • • • 事实标签

既定事实，从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息

• • • • 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实例。比如支付偏好度  

• • • • 预测标签

参考已有事实数据，来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品​​​

• • 标签的处理
    • 静态动态的划分是面向业务维度

便于运营人员理解业务  

• • • • 理解标签体系的设计
      • 表达自己的需求
    • 事实标签，模型标签，预测标签是面向数据处理维度

便于技术人员理解标签模块功能分类

• • • • 设计合理数据处理单元，相互独立，协同处理
      • 标签的及时更新及数据响应的效率  
    • 模型标签的定义解决的就是从无到有的问题
    • 标签的组合解决就是标签扩展的问题
    • 标签最终呈现的形态要满足两个需求：
      • 标签的最小颗粒度要触达到具体业务事实数据，同时支持对应标签实例的规则自定义
      • 不同的标签可以相互自由组合为新的标签，同时支持标签间的关系，权重自定义  
• 实践分享  
  • 精准推送

运营主要工作基本就是不停地生产活动，向用户投食，监测活动的效果，不断优化投放策略：找到不同用户对应的最佳匹配活动

• • • 活动前：目标用户，活动内容，投放渠道
    • 活动中：效果监控和跟踪
    • 活动后：效果复盘和优化
  • 其它的应用场景
    • 推荐栏位
    • 消费周期评估
    • 广告投放
    • 促销排期