解析标签体系及人物基础属性

2023-06-28 理论教育版权反馈

【摘要】：父标签和叶子标签共同构成标签体系，但两者是相对概念。正中间则是永恒不变的“人物基础属性”。所谓人物基础属性指的是：用户客观的属性而非用户自我表达的属性，也就是描述用户真实人口属性的标签。

标签是某一种用户特征的符号表示，有两个重要特征：一是它要具有一定的种群性，须在一定程度上抽样与归纳事物的特征；另一个特征是，它是使用符号来表示用户的一类特征，这个符号可以是中文，也可以是数字。用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理。

用户画像主要来源于标签的描述与刻画，合理准确的构建标签体系显得十分重要。从原始数据到最终的业务标签，从数据清洗到数据挖掘与机器学习，让建模方法能做到理解、了解人，并且从中得到归纳。参考许多案例与企业实践文档，本书认为标签体系应该具备如图9-1所示的层级结构。

pagenumber_ebook=225,pagenumber_book=209

图9-1　标签体系建立来源层级图

标签是某一种用户特征的符号表示，是一种内容组织方式，是一种关联性很强的关键字，能方便地帮助人们找到合适的内容及内容分类。它解决的是描述（或命名）问题，但在实际应用中，还需要解决数据之间的关联，所以通常将标签作为一个体系来设计，以解决数据之间的关联问题。一般来说，将能关联到具体用户数据的标签，称为叶子标签。对叶子标签进行分类汇总的标签，称为父标签。父标签和叶子标签共同构成标签体系，但两者是相对概念。例如，表9-1中，地方、型号在标签体系中相对于省份、品牌，是叶子标签。

表9-1　多级标签表

pagenumber_ebook=225,pagenumber_book=209

用户画像标签体系创建后一般要包含以下几个方面的内容：标签分类、标签级别、标签命名、标签赋值、标签属性。

用户画像标签可以大体分为基础属性标签和行为属性标签。由于基于一个目标的画像，其标签是在动态扩展的，所以其标签体系也没有统一的模板，在大分类上，与自身的业务特征有很大的关联，在整体思路上可以从横纵两个维度展开思考：横向是产品内数据和产品外数据，纵向是线上数据和线下数据。正中间则是永恒不变的“人物基础属性”。如果说其他的分类因企业特征而定，那么只有人物特征属性是各家企业不能缺失的板块。所谓人物基础属性指的是：用户客观的属性而非用户自我表达的属性，也就是描述用户真实人口属性的标签。所谓非“自我表达”，举例来说，某产品内个人信息有性别一项，用户填写为“女性”，而通过用户上传的身份证号，以及用户照片，用户购买的产品，甚至用户打来的客服电话，都发现该用户性别是“男性”，那么在人物基础属性中的性别，应该标识的是“男性”。

标签分级有两个层面的含义：其一是指标到最低层级的涵盖的层级；其二是指标的运算层级。标签从运算层级角度可以分为三层：事实标签、模型标签、预测标签。事实标签是指通过对于原始数据库的数据进行统计分析而来的，比如用户投诉次数，是基于用户一段时间内实际投诉的行为做的统计；模型标签是指以事实标签为基础，通过构建事实标签与业务问题之间的模型，进行模型分析得到。比如，结合用户实际投诉次数、用户购买品类、用户支付的金额等，进行用户投诉倾向类型的识别，方便客服分类处理；预测标签则是在模型的基础上做预测，比如针对投诉倾向类型结构的变化，预测平台舆情风险指数。

标签属性可以理解为针对标签进行的再标注，这一环节的工作主要目的是帮助内部理解标签赋值的来源，进而理解指标的含义。一个明确的标签体系大致有五种属性：

①固有属性，是指这些指标的赋值体现的是用户生而有之或者事实存在的，不以外界条件或者自身认知的改变而改变的属性，比如性别、年龄、是否生育等；

②推导属性，由其他属性推导而来的属性，比如星座可以通过用户的生日推导，而品类偏好则可以通过日常购买来推导；

③行为属性，产品内外实际发生的行为被记录后形成的赋值，比如用户的登录时间，页面停留时长等；

④态度属性，用户自我表达的态度和意愿，比如通过一份问卷向用户询问一些问题，并形成标签，如询问用户是否愿意结婚，是否喜欢某个品牌等；当然在大数据的需求背景下，利用问卷收集用户标签的方法效率显得过低，更多的是利用产品中相关的模块做了用户态度信息收集；

⑤测试属性，来自用户的态度表达，但并不是用户直接表达的内容，而是通过分析用户的表达，结构化处理后，得出的测试结论；比如，用户填答了一系列的态度问卷，推导出用户的价值观类型等。

解析标签体系及人物基础属性

相关推荐