本文作者结合标签上层应用以及曾经标签开发工作的经历，站在产品的角度总结思考了标签的来源、应用场景、构建流程以及运营维护四大问题。
伴随着DT时代的到来，越来越多的企业开始重视数据资产的建设，如何在海量数据中挖掘有价值的信息，是企业面临的一大挑战。可以看出，各企业相继基于自身以及外部数据构建了自身的标签体系，无疑是应对挑战比较有效的解决方案，因为这样可以让隐藏的数据价值进一步显现出来。
由于笔者负责的较多产品经常涉及到标签，特结合标签上层应用以及曾经标签开发工作的经历，站在产品的角度总结思考了标签的来源、应用场景、构建流程以及运营维护四大问题。
标签的来源
正如马老师前段时间官方宣布了阿里“新六脉神剑”中提到的“客户第一“的价值观一样，笔者认为绝大多数企业，特别是在互联网企业经营中，围绕的重心是提升客户满意度，这样才能提升企业价值。
同时，企业也追求一个投入产出比的极致，如何能够以小成本地大力提升客户满意度是一个持续性需要思考和解决的难题，但在执行相关措施之前，企业需要搞清楚自身客户是谁、喜欢什么、现阶段正在碰到什么问题等信息，这些信息统称为客户画像，这样才能针对性进行相应措施的实施。
那么如何描绘客户画像呢？
这里面需要一种产品思维，就是需要将现实中各个实体（即客户）看起来很乱的具象（即画像）抽象成一个个元素，再通过这些元素去具体化地对每一个实体进行描述，从而让各个实体看起来规整统一，这里面的元素就是标签。
所以标签就是能够代表客户画像的抽象组合，从而能够较方便地为分析人员提供全面、准确并具有指导意义的信息，进而优化运营的策略，为客户提供有针对性的服务。
标签的应用场景
既然标签能够刻画客户的画像，那么在企业中一般应用的场景有哪些呢？笔者结合自身的体会认为主要包含精细化运营、产品应用、洞察报告以及异业辅助四方面。
1. 精细化运营
一般情况下，如果企业处于标签体系初步搭建的阶段，这时候主要是利用标签将客户进行分群，针对各个客群进行相应运营策略的制定，其本质原因是企业希望小成本地把现有客户资产挖掘和客户运营做的更好。例如：
（1）客户生命周期管理
通过客户行为和状态特征，建立用户生命周期管理模型，从而依据各阶段人群画像特征进行相应运营策略制定，进而更好地提升服务品质，提升企业价值。
（2）高价值客户研究
根据“二八原则”，一个企业80%的收入来自于20%的客户，所以企业重心是挖掘这20%客户的价值。通过锁定这部分客户，分析其相应画像特征，进行精细化运营。
2. 产品应用
上周笔者分享的《产品经理之「种子」挑选和栽培》中也提到数据价值最直接的呈现方式就是产品，同样的基于标签结合不同的应用场景可衍生不同的应用产品，例如：
（1）精准营销平台
所谓的精准营销即是指在精准定位人群的基础上，依托现代信息技术手段建立个性化的用户沟通服务体系，实现企业可度量的低成本扩张之路。一般是根据用户特征、兴趣偏好甚至是实时行为等标签通过相关渠道进行相应产品的营销。比如说向20到35岁间同时处于孕期或是育期的女性，在浏览育婴资讯时通过APP弹框投放奶粉类产品广告，从而增加产品被购买的可能性。
（2）千人千面推荐
互联网发展从PC端到移动端，人们的时间越来碎片化，同时信息的爆炸式增长，增加了用户获取有价值信息的难度。如果一款产品不能给用户带来价值，那么被卸载是可以被预料到的结果。比如对于资讯类产品，需要增加用户驻留的时间。对于搜索类应用，需要更贴合地展现用户搜索的内容。对于电商类应用，需要提升用户的转化率，所以需要千人千面的推荐从而满足个性化需求差异。
（3）决策辅助应用
伴随着科学决策需求的不断涌现，如何利用数据进行辅助支撑也是一个老生常谈的问题。例如笔者负责的一个关于门店选址的应用，通过勾选所售商品的目标客群画像特征（即标签），在地图上显示相应目标人群聚集情况，并结合其他数据（如周边交通情况、物业情况等），从而为门店选址提供决策辅助作用。
3. 洞察报告
上述阐述的决策辅助应用由于各方数据集合的局限性、数据变化浮动较小以及开发成本较高等问题，部分时候会以洞察报告的形式对外呈现，例如：
（1）品宣类报告
通过相关标签统计结果数据，结合相关故事场景，能够很好地引起社会关注，从而起到品宣的作用。比如国庆、中秋以及春节等时节，淘宝、携程、三大运营商等企业经常会出具相应的洞察报告，民众通过洞察报告呈现的数据以及相应结论进而感受“不一样”的现象。
（2）商业类报告
此类报告主要是针对某商业决策目的进行相应数据的支撑说明，并以有偿的方式对外输出。由于笔者所在的项目主要涉及的是大数据变现，所以经常需要与外界的企业进行商业合作。
例如某企业需要进行相应会员拉新，一般会针对该企业现有会员进行相关画像分析，通过定位现有会员明显标签特征，从而估算相似人群（即潜在会员）的体量。又或者是某商场需要进行业态调整，通过分析商场顾客相关品牌偏好，采取相应业态调整措施，从而提升顾客满意度，进而提升相应到访率以及成交量等。
（3）异业辅助
由于企业自身的数据具有局限性，所以部分时候企业希望能够融合异业数据进行相应问题的解决。例如某征信公司调用某运营商用户的通信消费水平信息，评估用户消费和偿还能力，作为用户信用评级的参考依据等。
以上四块是笔者认为标签应用的常见场景，由于标签应用的灵活性，所以可能某些利用方式满足多个场景。比如说上述的企业会员拉新问题，既是属于洞察报告的场景，也可以属于产品应用的场景。因为可以通过产品直接显示相应报告所需数据和后续的营销触达，同时也可以是异业辅助的场景。因为需要双方数据的融合，甚至可以理解也是精细化运营的场景。因为是针对会员（某种意义可以称为高价值人群）的研究。那么既然标签的应用场景那么多，接下来就是考虑如何构建标签的问题了。
标签构建的流程
结合之前标签开发的经验，笔者总结其构建流程分为如下五步：
（1）需求分析
分析相应标签需求，并确定其实现方式。例如笔者曾负责过在房产研究中需要的家庭居住结构的标签开发，通过业务分析选择通过是否已婚、是否与子女居住在一起等规则进行判断。
（2）确定数据满足程度
梳理已有数据是否满足所需支持应用模型开发，如满足则进行开发，反之则需要从外部数据进行引入。由于在需求分析中得出该需求主要需要是否已婚、居住地、交往圈等数据，已有数据能够全部满足。
（3）模型开发
基于已有数据，通过业务理解，运用相关技术，进行应用模型的开发，笔者认为构建标签的方式主要分为如下三种：
- 基于统计类的标签，顾名思义，这类标签是可以从用户注册、用户访问、消费类数据中统计得出，是最为基础的标签类型，例如性别、年龄、月均消费金额等标签；
- 基于规则类的标签，该类标签基于用户行为及确定的规则产生，在实际开发标签过程中，该类标签的规则由运营人员和数据人员共同协商确定，如距今 90 天内打开应用次数 > 30，是“活跃用户”标签的定义和口径；
- 基于挖掘类的标签，该类标签为概率模型，是介于 0~1 之间的数值，需要通过算法挖掘产生，例如根据一个用户的消费习惯判断其对某商品的偏好程度。
（4）定义模型派生属性
从模型应用的效能角度考虑增加附加字段，比如说上述的家庭居住结构的标签，可以增加家庭标识附加字段，从而更好地圈定居住在一起的家庭成员。
（5）设计物理模型
根据DBMS特性以及数据量实际大小，确定最佳的物理表参数。例如常见的设置月份为分区字段，从而更快地进行相应查询。
标签的运营维护
标签在开发完上线之后，并不意味着结束，而是一个新的开始。就如同产品一样，当上线之后，意味着相关运营以及维护工作的开始。由于笔者接触此类工作不多，所以在这里先简单地与各位分享。
1. 运营
笔者认为标签运营主要分为收集业务需求、使用答疑、标签推广。就像产品一样，当产品（即标签）上线之后，需要联系相应需求方进行试用，并跟踪试用后效果以及反馈意见进行相应迭代优化，或是根据相应业务需求进行新标签的构建。同时，在需求方使用过程中相关疑问要进行回答。当标签试用效果不错后，要进行大规模的推广。
2. 维护
笔者认为标签维护主要分为数据质量保障以及标签规整。上线后的标签由于需要常态化地使用，所以数据质量需要重点保障。
其次，伴随着各位业务需求的不断涌现，需要越来越多地标签进行支撑，难免会出现标签体系杂乱的情况，就类似产品一样，当需求越来越多时，如果没有一定的结构化，那么整个产品也会越来越乱，所以笔者认为标签规整也是其中非常重要的一块。
结语
以上是笔者关于标签来源、应用场景、构建流程以及运营维护的思考总结，其实说到底标签也是产品，所以纵观上述的阐述，均与产品设计、产品开发、产品运营等流程相似。
不过可惜的是笔者由于项目分工的原因，关于标签具体的工作体会不是特别深，所幸目前项目组陆续也在进行相关标签的研究与实践，后面笔者会深入思考并继续总结分享给大家。
本文由 @于振国 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议