标签作为当下最广泛的数据资产类型之一，对企业洞察用户画像、发展精细化经营等具备重要的撑持作用。企业标签体系的建设并非欲速不达的，须要联合业务视角进行整体的布局，更波及到简单的数据治理和数据资产治理等工作。
本文对个推 TechDay“治数训练营”第四期进行了回顾，为大家分享企业级标签体系的建设方法论、搭建流程及实践经验。
课程回顾
以后不少企业都曾经或正在投入建设本身的标签体系，然而因为数据未失去无效治理、短少整体的标签体系布局、未能对标签数据资产进行继续的经营治理等起因，一些企业在建设标签体系的过程中依然面临标签数据用不起来、数据教训无奈积淀等难题。
针对以上状况，个推深度梳理本身标签体系建设教训，最终总结出企业级标签体系建设的方法论，通过简略五步即可实现高质量标签体系的构建。
一、确定指标
首先，咱们须要依据业务需要来确定标签体系的建设指标。依据标签的应用场景，标签体系的建设指标可分为业务指标和零碎指标两种。
①业务指标，指的是最终给业务带来理论收益的指标。比方通过标签体系的建设和利用，使用户的次日留存率晋升 20%。
②零碎指标，指的是应用性能和零碎性能等方面的指标要求。比方最终建设实现的标签零碎 / 平台要可能反对可视化创立和治理标签；在性能方面，可能在 1 小时内实现千万级用户的标签计算和指标圈选。
二、标签体系设计
确定了标签体系建设指标后，接下来要开始标签体系的顶层设计。这其中，有以下几个外围问题须要关注：
1. 如何确定标签目录？
咱们倡议企业充沛联合业务需要和数据资产状况来确定标签目录，由“业务 + 数据”独特驱动标签的生产。
业务驱动比拟好了解，即依据业务诉求来确定要生产的标签，比方企业为晋升危险辨认能力，须要创立“危险账号”和“黑名单”等标签；而为了晋升付费转化率，能够创立“商品偏好”和“价格敏感度”等标签。
数据驱动是指基于数据资产状况提出标签需要。一般而言，业务人员更聚焦业务，对于底层数据状况往往理解较少。这就须要数据开发工程师、数据分析师等深度染指，从数据资产中开掘和提炼出有价值的标签，比方依据场景偏好数据，提炼出常驻地、游览地偏好等标签；依据电商 APP 端内数据，提炼出消费水平、生产偏好等标签。
值得注意的是，企业在理论设计标签目录和标签体系的过程中，并不是仅仅依附单纯的业务驱动或单纯的数据驱动就能实现，而是须要业务方和数据方一直沟通磨合，将业务需要和数据资产状况进行匹配，最终实现一份标签目录的设计。
经验总结
对于标签目录的确定，常常会遇到以下两个常见误区。
误区一：
标签越多越好。其实业务方并不需要过多的标签，一般来说 20% 的标签就能满足业务方 80% 的需要。
误区二：
标签越高级越好。一些算法工程师或技术人员往往破费大量的工夫优化模型，构建简单的模型标签。其实，把根底标签、规定标签做好，根本就能满足业务方的绝大多数需要。因而企业在建设标签体系的过程中须要思考投入产出比，评估标签的理论利用需要强度、掂量不同标签对业务的晋升成果。
2. 以后数据根底是否撑持标签体系构建？
数据建设是标签体系的基石，企业只有打好数据根底，能力构建出一套高质量的标签体系。因而在进行标签体系的搭建之前，企业须要对数据进行综合治理，晋升数据的品质和可用性。
3. 如何确定标签规定？
依据生产方式的不同，标签能够分为事实标签、规定标签、模型标签等类型。
事实标签 的规定定义比较简单，数据分析师在了解业务数据的前提下，从业务方的原始数据中提取即可。比方从用户注册信息中提取用户起源渠道、性别或者年龄阶段等标签。
规定标签 领有很强的业务属性，须要业务人员和数据分析师一起去剖析摸索，基于原始数据进行标签规定的创立和拼接。比方要创立一个“大学生”标签，那就须要从各个维度对“大学生”进行特色定义，比方年龄方面个别在 18-25 岁之间，线上利用偏好方面装置了一些大学生课程管理类 App 等等。
个推每日治数平台 DIOS 实现智能特色洞察联合本身标签体系建设实际以及服务行业客户的教训，个推发现，标签规定定义是企业搭建标签体系过程中所广泛面临的痛点、难点。即便是业余的数据分析师团队和业务专家也须要先破费大量的工夫和精力去了解数据和用户之间的关联性，再从中提炼出标签规定。为了晋升企业客户的标签生产效率，个推打造的数据智能操作系统——每日治数平台 DIOS，实现了指标智能特色洞察以及智能数据举荐，帮忙客户疾速定位所需数据、主动提炼标签规定，更加高效地进行标签生产。
模型标签往往是参考已有事实数据来预测群体的偏好、特色和分类，例如依据散失用户群的特色来预测其余用户群的散失概率。个别在事实标签和规定标签的笼罩量级、饱和度、准确度等有余的状况下，咱们就须要创立模型标签，来满足相干业务需要。
个推每日治数平台 DIOS 实现零代码搭建机器学习模型传统的模型标签创立流程还是比较复杂的，波及到算法开发、模型搭建、模型调优等简单的工作。个推每日治数平台 DIOS 将本身建模方法论“五步法”产品化，实现了零代码建模能力，没有编程教训的业务人员也能在 DIOS 的可视化界面上拖拖拽拽，疾速实现机器学习模型的搭建。
三、标签开发
实现了整体的标签体系设计，接下来就进入到标签开发环节。一般而言，标签开发的过程能够拆解为工程开发、工程测试、工程上线等三个阶段。在工程开发阶段，研发工程师依据标签规定以及数据源状况进行工程的开发；而后由测试工程师联合业务诉求及工程后果对标签品质进行测试验收，确保标签准确性后最终上线。这其中波及到一个十分重要的问题，即如何对新构建的标签进行准确性校验。
常见的校验形式有三种：
①通过 TGI 进行逻辑自洽性校验。
比方新构建了一个男性标签，通过 TGI 发现被打上男性标签的人群中有很大一部分也被打上了女性的标签，显然这是一种很不合理的景象。（阐明：“TGI”指的是洞察人群某特色占比与对照组人群该特色占比的比值，用于比拟人群间的特色差别。）
②应用第三方平台校验。
比方通过广点通，应用第三方数据来进行准确性的校验。
③进行广告投放。
圈选不同标签下的目标群体，进行 A / B 测试，依据投放后果校验标签的准确性。
实现了工程测试和标签准确性校验，就能够正式上线运行标签体系。咱们倡议，企业能够先在理论业务场景中进行小范畴的屡次测验，再大规模进行标签体系的上线，防止前期呈现大范畴的调整和改变。
四、标签全生命周期治理
作为一种重要的数据资产，企业还须要在标签体系上线当前，对标签资产进行全生命周期的精细化治理。
此外，咱们还倡议企业建设标签品质保障体系，设立责任人制度，确保标签第一负责人可能及时响应相干事项；梳理标签开发、上线的流程和教训，实现后续标签的开发、测试、上线等流程规范化和标准化；更加体系化地进行标签品质监控，比方通过定时工程监控标签计算工程、量级、饱和度等信息。
五、利用与反馈
企业建设标签体系的最终目标是服务业务。常见的标签业务利用场景有几种：
①开发数据类产品。
比方智能举荐零碎正是基于标签大数据和算法实现。
②用于目标群体的特色洞察和圈选。
比方个推基于本身数千种标签和亿级别的特色数据，帮忙品牌主、APP 对细分人群进行画像剖析，并应用不同的标签组合，智能圈选出合乎指标特色的人群，为客户做广告投放、用户触达提供撑持。
③精细化经营。
实现对目标群体的画像洞察后，就能够进行更加精细化的经营。比方品牌主能够针对不同趣味偏好的消费者群体制订差异化的广告素材、抉择不同的媒体平台，晋升广告投放成果。
针对在不同场景下的标签利用后果，企业还须要做好后效的剖析，迷信评估标签的品质、覆盖度等，并把新产生的上游数据进行入库解决，使整个标签体系的全生命周期失去体系化的管控，真正实现数据资产的继续增值。
以上是对个推 TechDay“治数训练营”第四期直播内容的回顾，大家能够观看直播回顾视频进一步理解标签体系建设的相干要点。