一、標籤簡介

標籤概念

標籤，最初用來對實物進行分類和標記，例如標明物品的品名、重量、體積、用途等簡要信息。後來逐漸流行到數據行業，用來標記數據，對數據快速分類獲取和分析。

標籤特點

精確描述定位和搜索，具有生命週期的特性，可以計算，配置和規則化處理。可以用標籤來描述各種結構和非結構化[文檔、圖片、視頻等]的數據，從而使這些內容被高效的管理。

• 描述特徵：標籤[手機顏色]，特徵[紅色，白色]；
• 描述規則：標籤[活躍用戶]，規則[每日登陸，產生交易]；

標籤價值

• 精細運營的基礎，有效提高流量精準和效率。
• 幫助產品快速定位需求數據，進行精準分析；
• 能幫助客戶更快切入到市場週期中；
• 深入的預測分析數據並作出及時反應；
• 基於標籤的開發智能推薦系統；
• 基於某類下的數據分析，洞察行業特徵；

標籤的核心價值，或者說最常用的場景：實時智能推薦，精準化數字營銷。

二、標籤定義

屬性標籤

屬性標籤是描述基本特徵，不需要行為產生，也不是基於規則引擎分析，例如基於用戶實名認證信息，獲取：性別，生日，出生日期等特徵。變動頻率極小，且精準性較高。

行為標籤

通過不同業務渠道埋點，捕捉用戶的行為數據，基於這些數據分析，形成結果描述的標籤，例如：分析用戶「網購平臺」，得到的結果拼多多,淘寶,京東,天貓等。這些都是需要通過行為數據來判斷的標籤。

規則標籤

規則下分析出來的標籤，更多是基於產品或者運營角度來看，例如電商平臺需要對會員等級超過5級，且近7天活躍的會員發一次福利，這裡就涉及兩個標籤應用：1.「會員等級」基於什麼規則判斷；2.「近7天活躍」如何判斷，是基於登錄，還是產生交易行為，這些都要可以動態配置，然後基於規則引擎把結果生成。基於動態的規則配置，經過計算和分析，生成描述的標籤，也就是規則標籤。

擬合標籤

擬合類標籤極具複雜性，通過對多種標籤智能組合分析，給出預測描述，或者直接給出進階定義，例如所謂的讀心術，即通過多個特徵，眼神信息，判斷人的心理活動。在機器學習中有一句話：通過長期對用戶行為的判斷和學習，機器可能比用戶還了解用戶。

三、標籤管理體系

層級分類

標籤管理的基本手段，通常以行業來分：金融，教育，娛樂等；通過多級分類細化管理。

基礎標籤

即數據的關鍵標籤，特點精確扁平，不可再細分，用來精確的描述數據，類似元數據。當使用多個標籤組合描述數據特徵，就會形成結構化的表管理。

標籤值類型

值類型：數字，字典，布爾，日期，文本框，自定義等，是對標籤具體值的管理。例如標籤「性別」，標籤值「男.女.未知」,這種典型通過羅列字典來描述的場景。

四、標籤生產流程

1、基礎流程

數據採集

數據採集的渠道相對較多，比如同一APP內的各種業務線：購物、支付、理財、外賣、信息瀏覽等等。通過數據通道傳輸到統一的數據聚合平臺。有了這些海量日誌數據的支撐，才具有數據分析的基礎條件。不管是數據智能，深度學習，算法等都是建立在海量數據的基礎條件上，這樣才能獲取具有價值的分析結果。

數據加工

結合如上業務，通過對海量數據的加工，分析和提取，獲取相對精準的用戶標籤，這裡還有關鍵的一步，就是對已有的用戶標籤進行不斷的驗證和修復，尤其是規則類和擬合類的相關標籤。

標籤庫

通過標籤庫，管理複雜的標籤結果，除了複雜的標籤，和基於時間線的標籤變，標籤數據到這裡，已經具有相當大的價值，可以圍繞標籤庫開放一些收費服務，例如常見的，用戶在某電商APP瀏覽某些商品，可以在某信息流平臺看到商品推薦。大數據時代就是這麼令人感覺智能和窒息。

標籤業務

數據走了一大圈轉換成標籤，自然還是要回歸到業務層面，通過對標籤數據的用戶的分析，可以進行精準營銷，和智能推薦等相關操作，電商應用中可以提高成交量，信息流中可以更好的吸引用戶。

應用層

把上述業務開發成服務，集成到具有的應用層面，不斷提升應用服務的質量，不斷的吸引用戶，提供服務。當然用戶的數據不斷在應用層面產生，在轉到數據採集服務中，最終形成完整的閉環流程。

2、數據聚合池

• 基於IDmapping技術，置換唯一標識[uid];
• 基於uid關聯標籤，放入計算池；
• 相同的uid攜帶的標籤會以貪吃蛇的方式運行；
• 不斷豐富該uid下攜帶的標籤內容；

以此方式豐富標籤的場景，產生更大的數據價值；

五、源代碼地址

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