数据应用场景之标签管理体系

一、标签简介

标签概念

标签，最初用来对实物进行分类和标记，例如标明物品的品名、重量、体积、用途等简要信息。后来逐渐流行到数据行业，用来标记数据，对数据快速分类获取和分析。

标签特点

精确描述定位和搜索，具有生命周期的特性，可以计算，配置和规则化处理。可以用标签来描述各种结构和非结构化[文档、图片、视频等]的数据，从而使这些内容被高效的管理。

• 描述特征：标签[手机颜色]，特征[红色，白色]；
• 描述规则：标签[活跃用户]，规则[每日登陆，产生交易]；

标签价值

• 精细运营的基础，有效提高流量精准和效率。
• 帮助产品快速定位需求数据，进行精准分析；
• 能帮助客户更快切入到市场周期中；
• 深入的预测分析数据并作出及时反应；
• 基于标签的开发智能推荐系统；
• 基于某类下的数据分析，洞察行业特征；

标签的核心价值，或者说最常用的场景：实时智能推荐，精准化数字营销。

二、标签定义

属性标签

属性标签是描述基本特征，不需要行为产生，也不是基于规则引擎分析，例如基于用户实名认证信息，获取：性别，生日，出生日期等特征。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，捕捉用户的行为数据，基于这些数据分析，形成结果描述的标签，例如：分析用户「网购平台」，得到的结果拼多多,淘宝,京东,天猫等。这些都是需要通过行为数据来判断的标签。

规则标签

规则下分析出来的标签，更多是基于产品或者运营角度来看，例如电商平台需要对会员等级超过5级，且近7天活跃的会员发一次福利，这里就涉及两个标签应用：1.「会员等级」基于什么规则判断；2.「近7天活跃」如何判断，是基于登录，还是产生交易行为，这些都要可以动态配置，然后基于规则引擎把结果生成。基于动态的规则配置，经过计算和分析，生成描述的标签，也就是规则标签。

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，给出预测描述，或者直接给出进阶定义，例如所谓的读心术，即通过多个特征，眼神信息，判断人的心理活动。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，机器可能比用户还了解用户。

三、标签管理体系

层级分类

标签管理的基本手段，通常以行业来分：金融，教育，娱乐等；通过多级分类细化管理。

基础标签

即数据的关键标签，特点精确扁平，不可再细分，用来精确的描述数据，类似元数据。当使用多个标签组合描述数据特征，就会形成结构化的表管理。

标签值类型

值类型：数字，字典，布尔，日期，文本框，自定义等，是对标签具体值的管理。例如标签「性别」，标签值「男.女.未知」,这种典型通过罗列字典来描述的场景。

四、标签生产流程

1、基础流程

数据采集

数据采集的渠道相对较多，比如同一APP内的各种业务线：购物、支付、理财、外卖、信息浏览等等。通过数据通道传输到统一的数据聚合平台。有了这些海量日志数据的支撑，才具有数据分析的基础条件。不管是数据智能，深度学习，算法等都是建立在海量数据的基础条件上，这样才能获取具有价值的分析结果。

数据加工

结合如上业务，通过对海量数据的加工，分析和提取，获取相对精准的用户标签，这里还有关键的一步，就是对已有的用户标签进行不断的验证和修复，尤其是规则类和拟合类的相关标签。

标签库

通过标签库，管理复杂的标签结果，除了复杂的标签，和基于时间线的标签变，标签数据到这里，已经具有相当大的价值，可以围绕标签库开放一些收费服务，例如常见的，用户在某电商APP浏览某些商品，可以在某信息流平台看到商品推荐。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，自然还是要回归到业务层面，通过对标签数据的用户的分析，可以进行精准营销，和智能推荐等相关操作，电商应用中可以提高成交量，信息流中可以更好的吸引用户。

应用层

把上述业务开发成服务，集成到具有的应用层面，不断提升应用服务的质量，不断的吸引用户，提供服务。当然用户的数据不断在应用层面产生，在转到数据采集服务中，最终形成完整的闭环流程。

2、数据聚合池

• 基于IDmapping技术，置换唯一标识[uid];
• 基于uid关联标签，放入计算池；
• 相同的uid携带的标签会以贪吃蛇的方式运行；
• 不断丰富该uid下携带的标签内容；

以此方式丰富标签的场景，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