关于数据分析:数据应用场景之标签管理体系

一、标签简介

标签概念

标签，最后用来对实物进行分类和标记，例如表明物品的品名、分量、体积、用处等简要信息。起初逐步风行到数据行业，用来标记数据，对数据疾速分类获取和剖析。

标签特点

准确形容定位和搜寻，具备生命周期的个性，能够计算，配置和规则化解决。能够用标签来形容各种构造和非结构化 [文档、图片、视频等] 的数据，从而使这些内容被高效的治理。

• 形容特色：标签[手机色彩]，特色[红色，红色]；
• 形容规定：标签[沉闷用户]，规定[每日登陆，产生交易]；

标签价值

• 精密经营的根底，无效进步流量精准和效率。
• 帮忙产品疾速定位需要数据，进行精准剖析；
• 能帮忙客户更快切入到市场周期中；
• 深刻的预测剖析数据并作出及时反馈；
• 基于标签的开发智能举荐零碎；
• 基于某类下的数据分析，洞察行业特色；

标签的外围价值，或者说最罕用的场景：实时智能举荐，精准化数字营销。

二、标签定义

属性标签

属性标签是形容基本特征，不须要行为产生，也不是基于规定引擎剖析，例如基于用户实名认证信息，获取：性别，生日，出生日期等特色。变动频率极小，且精准性较高。

行为标签

通过不同业务渠道埋点，捕获用户的行为数据，基于这些数据分析，造成后果形容的标签，例如：剖析用户「网购平台」，失去的后果拼多多, 淘宝, 京东, 天猫等。这些都是须要通过行为数据来判断的标签。

规定标签

规定下剖析进去的标签，更多是基于产品或者经营角度来看，例如电商平台须要对会员等级超过 5 级，且近 7 天沉闷的会员发一次福利，这里就波及两个标签利用：1.「会员等级」基于什么规定判断；2.「近 7 天沉闷」如何判断，是基于登录，还是产生交易行为，这些都要能够动静配置，而后基于规定引擎把后果生成。基于动静的规定配置，通过计算和剖析，生成形容的标签，也就是规定标签。

拟合标签

拟合类标签极具复杂性，通过对多种标签智能组合分析，给出预测形容，或者间接给出进阶定义，例如所谓的读心术，即通过多个特色，眼神信息，判断人的心理流动。在机器学习中有一句话：通过长期对用户行为的判断和学习，机器可能比用户还理解用户。

三、标签管理体系

层级分类

标签治理的根本伎俩，通常以行业来分：金融，教育，娱乐等；通过多级分类细化治理。

根底标签

即数据的要害标签，特点准确扁平，不可再细分，用来准确的形容数据，相似元数据。当应用多个标签组合形容数据特色，就会造成结构化的表治理。

标签值类型

值类型：数字，字典，布尔，日期，文本框，自定义等，是对标签具体值的治理。例如标签「性别」，标签值「男. 女. 未知」, 这种典型通过列举字典来形容的场景。

四、标签生产流程

1、根底流程

数据采集

数据采集的渠道绝对较多，比方同一 APP 内的各种业务线：购物、领取、理财、外卖、信息浏览等等。通过数据通道传输到对立的数据聚合平台。有了这些海量日志数据的撑持，才具备数据分析的根底条件。不论是数据智能，深度学习，算法等都是建设在海量数据的根底条件上，这样能力获取具备价值的剖析后果。

数据加工

联合如上业务，通过对海量数据的加工，剖析和提取，获取绝对精准的用户标签，这里还有要害的一步，就是对已有的用户标签进行一直的验证和修复，尤其是规定类和拟合类的相干标签。

标签库

通过标签库，治理简单的标签后果，除了简单的标签，和基于工夫线的标签变，标签数据到这里，曾经具备相当大的价值，能够围绕标签库凋谢一些免费服务，例如常见的，用户在某电商 APP 浏览某些商品，能够在某信息流平台看到商品举荐。大数据时代就是这么令人感觉智能和窒息。

标签业务

数据走了一大圈转换成标签，天然还是要回归到业务层面，通过对标签数据的用户的剖析，能够进行精准营销，和智能举荐等相干操作，电商利用中能够进步成交量，信息流中能够更好的吸引用户。

应用层

把上述业务开发成服务，集成到具备的利用层面，一直晋升应用服务的品质，一直的吸引用户，提供服务。当然用户的数据一直在利用层面产生，在转到数据采集服务中，最终造成残缺的闭环流程。

2、数据聚合池

• 基于 IDmapping 技术，置换惟一标识[uid];
• 基于 uid 关联标签，放入计算池；
• 雷同的 uid 携带的标签会以贪吃蛇的形式运行；
• 不断丰富该 uid 下携带的标签内容；

以此形式丰盛标签的场景，产生更大的数据价值；

五、源代码地址

GitHub·地址
https://github.com/cicadasmile
GitEE·地址
https://gitee.com/cicadasmile

数据洞察系列文章

举荐浏览：编程体系整顿