在运营工作中,我们经常需要做好用户标签设计,优化用户画像,以更好地服务平台和业务运营,这篇文章里,作者就结合实际案例,针对用户标签设计等问题进行了示例总结,一起来看。
源起
房产频道内页对于平台效果广告贡献虽然多,但仍然有些保量任务消耗不完。
同时平台频道内页对于目标用户的留存活跃有所依赖,提供更多的留资转化用以增强广告主对平台的信心。
通过两方面着手:
- 优化现有用户画像;
- 搭建平台内的资源位系统,推荐目标人群合适的楼盘。
一、优化现有用户画像
从房产购房的目标用户群入手,调研线上用户购房目标预期,然后细拆不同目标用户类型,用以推荐相关楼盘信息。其实从新闻的视角我们可以获取较为全面的用户标签,然而,从定义实际的房产垂类来说,仍然存在一定的gap造成短时间内不能快速的获取目标用户类型。也因此造成了需要详细落地的方案带动标签精准度。
从目标用户入手,大类画像可以分为:养老、自助刚需上车、投资、落户。商品就可以按照这几类大的范围去推送排序。
从以下几个维度区分不同的画像群体:户型、城际交通、小学教育资源、附近商圈、医疗配套、生活配套、2km地铁。
二、搭建用户侧标签
接下来是用户侧的数据准备,完整的应当包含:事实行为(事件事实标签)、总体特征(计算标签)、特征(特征预测标签)。
事实行为——客观量化的标签信息,即用户/商户/地标/物品 在“真实世界”中,所产生的数据,比如,A用户在昨天16:44进入房产频道页申请了去看房的资源。在这条记录信息中:
- 用户浏览
- 用户搜索
- 用户是否留资
- 城市天气
- 交通路况
都可以拆解到更细粒度的标签。
总体特征——在某个时间段中,用户/商户/地标/物品的 “总体数量” ,即经过特定计算加工后的结果值。通常是由一些条件限制得出来的结论。比如:统计在过去7天浏览地铁房的用户量;
- 近7天下单次数的总和 (统计方式:总和)
- 近7天下单最后一次的品类 (统计方式:最后归因)
- 近30天 城市温度的平均值 (统计方式:平均)
标签——用户/商户/地标/物品 所具备的”特征”,即经过规则、模型分析后的推测。比如:对老破小改造的视频感兴趣的用户:
- 用户浏览户型偏好
- 用户收藏喜好
以上三类标签,在不同场景使用频率不同,一般来说,能够高频被各类场景调用最多的是特征预测标签,无论资源位、推荐流都会用来实时给用户即时的反馈;而计算标签主要使用在投放广告、资源位、促活等运营策略当中,用以盘活线上可能参与的活跃用户;最后的事实标签主要依赖对线上用户的总分布特征、分析平台服务的全量用户分布。
三、用户标签系统示例
展示一份从用户画像当中提取的基础标签信息——聚类用户标签的维度。