共计 3643 个字符，预计需要花费 10 分钟才能阅读完成。
在人与人打交道的过程中，咱们会在有意无意间给四周的人通过贴标签的形式进行大抵的判断，比方好谈话的、难相处的、聪慧的、爱冷落的……贴标签就是用最快的速度将人和事归类，这是人类使用“模式识别”意识世界、进行社会交往最便捷的形式之一。
而在企业的数字化转型过程中，搭建标签体系也早已不是什么神秘的事件。在数字经济时代的明天，各行各业都早已意识到了数据的重要性，开始开掘数据的价值。标签体系，正是将数据承载的信息和价值进行了具象化的出现。通过采集用户在产品中的应用痕迹，进行标签剖析、客户洞察，再落地到理论的企业精细化经营过程中去。能够说，标签是从理论业务场景登程，解决理论的业务问题的一个过程。
然而，落地到标签体系理论的设计与落地中来，却并不是那么简略，欲速不达的事件。很多人都在做，却从第一步开始就做错，更不用说能带来真正的价值。那么到底应该如何利用和了解标签体系，这个系列将联合数雁的我的项目交付教训进行具体的解说，明天先来聊聊标签的设计与加工，个别须要通过以下几个步骤：
· 标签体系设计
· 标签模型设计
· 标签加工与更新
· 标签利用
一、标签体系设计
标签服务于业务利用场景，好的标签体系设计可能让业务人员在应用时随需随取，及时查问出须要的数据，就算不具备这个标签，业务人员也能够本人疾速加工进去，无需寻求数据开发人员的帮忙。那须要做到
·标签类目划分正当
·标签涵盖的数据源丰盛，标签欠缺
·后续扩展性高，即基于根底标签加工出新的标签时，方便快捷
标签体系的设计个别会依照以下步骤：
1、数据梳理
依据现有业务背景，以及数据，梳理出大略的标签体系。如企业个别数据大略来源于这几局部：
● 用户根底数据
用户 ID、性别、年龄、手机号、邮箱、身份证号、会员等级等根底信息。
● 业务交易数据
如在批发畛域，用户产生的每一笔交易都会有记录，如下图：
● 用户行为数据
如用户在 APP、PC、小程序等的浏览、点击、珍藏、评论行为，可反映出用户的行为特点。
● 流动 / 积分数据
会员商城的 cha 会员等级、积分兑换等数据。
● 售后投诉数据
客户投诉、售后解决等数据。
基于对数据的梳理，可进行标签根本体系的梳理，梳理出一部分有价值的标签。
2、基于 OLP 模型体系化梳理标签
OLP 模型是目前比拟通用的建设标签体系的模型，OLP 指“实体 - 关系 - 属性”模型，用下方场景举例：
· 实体：指对象，如人、书籍、门店等，可针对每个实体建设一套标签体系
· 属性：实体带的特色，如人有性别、年龄属性，书籍有价格、内容属性，门店有售卖渠道、地址地位等属性，属性是一种类型的标签
· 关系：通过动作产生关系，如基于购买动作，人和书籍产生关系，基于这个动作可产生生产时段偏好、领取形式偏好等标签
基于该模型，对标签进行查漏补缺，梳理出标签类目与标签。
3、定义标签与加工口径
· 标签中文、英文名：标签的中文名称、英文名称
· 标签所属类目：标签所属一级、二级、三级类目
· 标签类型：依据不同维度的划分，采纳其中一种。比方统计类标签、预测类标签、自定义标签等，亦或是原子标签、衍生标签、组合标签、算法标签等
· 标签值定义：定义每个标签的标签值，如“近一个月买入金额区间”标签，可依据购买金额的区间段定义“零 / 低端”、“一般”、“中端”、“准高端”、“高端”等标签值
· 标签含意（形容）：形容该标签业务含意，如“最近 30 天的购买商品的金额区间，对用户消费力进行评估”
· 标签业务口径：标签以哪个数据定义为准，如“用户沉闷城市”标签，以用户购买次数最多的城市为口径加工，而不是浏览次数、评论次数等
· 标签技术口径：形容该标签从哪个表的哪个字段取值，SQL 取数逻辑是什么
· 业务方起源：该标签的业务需求方是谁
· 标签更新周期：形容标签更新频次，天 (如 T +1、T+ 2 等)、周、月、小时、分钟更新等
· 标签更新优先级：同一时间端跑多个标签时，若资源无限，先跑优先级高的标签
基于以上工作，最终得出一份标签体系表，以这份表和业务方最终确认标签划分、标签与标签值、标签加工口径是否有疑义，没问题，便可进入标签开发环节。
二、标签模型设计
进入具体开发之前，需思考标签模型层设计，在数仓加工进去哪些数据，标签产品加工哪些数据。标签模型仍旧遵循数仓建模的“ODS-DWD-DWS-ADS”分层设计，基于 DWD、DWS 层形象一层标签模型层，加工标签根底标签，届时在标签产品上让业务人员通过规定可加工生成新的标签。
个别遵循“公共层数据”、“大数据量计算”的标签放在数仓中数据开发写 SQL 实现，“通过规定可定义”、“标签规定常常批改”的标签在标签产品中配置。数仓个别实现：
1、公共层数据
蕴含根底属性数据、根底指标（指标也能够作为一种标签，如最近 30 天购买金额、最近 30 天拜访次数等），这些数据不仅给标签零碎用，也能够给 BI 报表、数据门户应用，所以放在数仓中加工表。
● 根底信息类标签
● 交易类标签
● 行为类标签
2、大数据量计算的标签
如计算历史最高破费金额、商品的历史最高库存、累计生产金额、用户排序等，这些标签的计算基于的数据量大，最好放在 hive 中跑批上线。
在数仓中加工好标签根底表，这些表中的标签个别称之为原子标签，再将该表对接标签产品，在标签产品中进行衍生类、组合类标签加工。
三、标签配置
基于标签模型的设计，一部分根底指标类的标签在数仓已建设实现，一部分标签须要在产品界面上实现。咱们接下来看下业务人员如何在袋鼠云标签产品「客户数据洞察平台」中配置标签。
1、依据业务对象，创立实体、关系
假如一个电商类客户，须要建设一套用户标签体系，则首先创立“用户”实体对象，并在实体对象下接入标签多张根底表，如用户根底信息表、用户行为事件的指标表等，这些表的字段可作为原子标签间接应用，也可作为后续加工衍生、组合标签的根底。
同时，在后续加工衍生标签时，在某些场景上会用到多个实体下的原子标签加工，这时候能够用“关系”将 2 个实体关联起来，如将“用户”实体与“书籍”实体通过用户表的“最近购买商品 ID”、以及书籍表的“书籍 ID”关联起来，便能够用到 2 个表的字段进行某个标签的加工，如下图：
2、读入原子标签
从标签根底表中读入原子标签，进行原子标签的元数据管理。
读入原子标签时，有些字段可能存储的是编号或一些枚举值，但业务人员须要看到具备实在业务含意的值，此处可做一层字典值映射。比方将“省市编号”映射为具体的省市名称。
3、创立衍生标签
基于接入的数据表的原始字段和原子标签，通过“且、或”关系、“求和、去重计数、计数、最大值、最小值、均值”聚合函数、“等于、不等于、小于、小于等于、大于、大于等于、蕴含、不蕴含等”操作符，对源表字段进行加工，生成衍生标签。
如基于用户拜访次数、交易次数，加工“用户活跃度“衍生标签，蕴含“高沉闷”、“个别沉闷”、“睡眠状态”标签值，对用户活跃度进行掂量。
除通过可视化规定加工标签外，也会凋谢 SQL 界面写 SQL 加工标签，因为在理论场景中，客户场景不尽相同，有些简单标签须要 SQL 疾速实现，在产品界面上也可间接操作。
同时，尽管产品上会凋谢基于函数计算的标签加工、SQL 类的标签加工，但还是会倡议客户将公共层的指标类标签、及简单类标签放在数仓中实现，以使标签配置这层轻量，届时进行数据跑批时疾速。
4、创立组合标签
基于原子标签和衍生标签，可进行组合标签的创立，如基于最近交易工夫、最近 1 年交易次数，最近 1 年交易金额区间这 3 个标签，加工“用户综合价值”组合标签，将客户分为“低价值用户”、“个别放弃用户”、“重要倒退用户”等。
5、创立实时、算法标签
· 实时标签：如基于用户实时行为数据通过 Flink 引擎计算实时标签，如用户点击 APP 上的一个商品广告，且退出购物车，判断该客户属于“某类型商品感兴趣用户”，作为客户短期趣味标签。
· 算法标签：如基于用户的基金交易行为，预测该用户属于追涨、杀跌、高抛等哪种类型的客户，作为客户的危险偏好标签。
最终将这些实时与算法标签的元数据可对立接入标签平台对立治理。
标签逻辑创立好之后，同时配置标签的更新周期、更新优先级，进行标签的定时跑批、手动跑批等。
四、写在最初的话
作为「全链路数字化技术与服务提供商」, 袋鼠云始终致力于为客户提供有价值的、全链路的数据服务，也心愿通过更加优质的数据产品和服务助力企业数智化“蝶变”。全新降级的数据智能剖析与洞察平台——数雁 EasyDigit，蕴含客户数据洞察平台 DataTag、指标治理剖析平台 EasyIndex。
其中，客户数据洞察平台，即标签体系构建与客户画像洞察平台。通过标签萃取、标签治理、客群圈选、画像剖析、数据服务，构建以业务价值为导向的标签体系与多样化群组，深度把握客户特色，利用于企业经营与营销，撑持商业化剖析，驱动业务增长，让企业海量数据不再孤立无用，有形的数据发明有限的价值。
袋鼠云开源框架钉钉技术交换 qun（30537511），欢送对大数据开源我的项目有趣味的同学退出交换最新技术信息，开源我的项目库地址：https://github.com/DTStack
