。人群包的使用上,系统中应考虑提供多种高效的对接方式。由于应用场景的不同,人群包中携带的特征属性等也可能不尽相同。
人群的特征使用上,应考虑到应用场景。大部分都是需要支持高 QPS 查询的在线服务。尽可能快速的响应,返回一个用户身上的标签情况。
同时,设计完善的通知机制,当人群计算完成、标签计算完成的状态,可以快速被获取到。
四、如何搭建自己的标签体系
搭建一个标签体系,可以从我们的使用场景里入手。既然我们的目标是来做精细化运营,那么我们的搭建也应该围绕着精细化运营的方法进行拆解。简单的概括就是「自上而下的需求梳理」和「自下而上的体系构建」。
自上而下的需求梳理
自上而下的需求梳理,可以拆解为几个步骤:运营的目标、运营的方案、人群的拆解。
在我们做精细化运营时,是有一个或者多个预期的目标的(比如:支付订单),同时业务也有核心指标(比如:页面通过率),那么为了达成这个目标者指标,我们需要进行运营方案的制定。
制定方案时,第一步就是指标拆解,比如「提高盈利额」可以拆解成「提高客单价」「提高客群数量」,提高客群数量又可以二次拆解成「提高页面通过率」「提高 App 启动人数」。当我们把指标进行拆解后,我们自然就知道了需要做哪些事情了,同时我们将场景带入,也就知道需要对哪些人做哪些运营干预。
比如「提高页面通过率」,我们就需要再次进行人群的拆解:新老用户的通过率不同,不同偏好的用户通过率不同,不同目标的用户通过率不同……在拆解的过程中,我们就会发现:做这个运营活动,我们需要「新老用户标签」「用户偏好标签」「访问目标标签」……
于是,标签的体系的需求梳理工作,就顺理成章的完成了。
自下而上的体系构建
当我们有了希望创建的标签清单,先别急着创建,我们还需要进行一次数据的梳理和抽象。
我们会发现,很多业务标签的定义会有部分重叠,比如:「新老用户」「活跃用户」都会使用最近访问的时间进行判断。类似这样的情况还应该会有很多,这里给出一个比较通过用的解决办法。
第一步 事实标签的搭建:首先,理解什么叫事实标签。用户的属性、用户的行为指标这些归类为事实标签,在事实标签中,只会描述「什么时间」「做了几次」这类真实反映事实的情况。
事实标签主要的作用,就是用来做行为的概括和描述,并且为更加上层的标签打下数据基础(元标签)。由于事实标签只描述事实,所以他们的稳定性极高,不会随业务指标的改变而变化。
第二步 模型标签的搭建:模型标签是基于自己的业务判断,或者大数据分析,综合多个维度产生的标签。举个业内最通用的例子,应该就是 RFM 模型的标签了。最近一次消费时间 Recency,消费频率Frequency,消费金额 Monetary,这三个指标都可以使用事实标签进行描述。
所以,模型标签很依赖业务的判断。当然,我们也可以很自由的修改切割方案,所以模型标签是结合了业务经验,再加上一些主观判断得到的一个可以反映用户特征的标记。他的稳定性一般,因为偶尔会结合不同的产品周期和客群的演变而进行调优。
第三步 用户群标签的搭建:当我们有了事实标签和模型标签后,其实已经可以开始进行精细化运营了。但是对于某些特定的场景,我们可以固化下来一些有特征的用户群,比如:高价值流失客群(使用「消费能力」「最近一次访问时间」「消费意愿」……构成)。
这类标签更加贴合业务,甚至还有一定的时效性和周期性,有些甚至直接和活动挂钩。用户群标签更加贴合业务场景,基本是不稳定的,会随着业务的变化、运营策略的调整而新增或修改。
总结
本文主要提供了一个画像系统的搭建思路,并从应用的场景反向推出大致需要提供哪些分析功能和模块。难免有些疏漏的情况,请各位结合自己的业务情况进行补充,随着业务的发展和技术的进步,也会有更多的分析方法加入进来。
系统的搭建,最终都是为了完成目标而服务,所以,在我们引入新功能的时候,需要三思一下,这个功能,能不能很好的帮我完成这个目标?如果答案是肯定的,那么这个功能就是有价值的。