|
在当前的业务中，用户画像已经成为了重中之重，从模拟用户调研人群、分析挖掘用户使用的行为、预测/推荐用户兴趣等场景中，复盖的用户场景非常多，那今天的主题就是面临海量的标签和数据，我们如何进行治理?
01、背景&目标
首先，已经覆盖全业务线进行画像标签的建设，生产出来的标签能力如何评估?
其次，在精细化运营的场景中，如何保证标签持续运营优化，助力业务运营?
最后，海量的数据标签上线后的使用计算和存储资源，业务真正的使用诉求以及收益是否能复盖数据成本，如何更加合理的去规划?
02、价值&收益
标签质量：根据标签的时效性、标签覆盖度、标签准确性等维度判断当前标签的多维度质量能力评估。
标签使用：深度调研一些低频的标签定位数据质量问题还是没有实际使用场景，如果是数据质量问题，优化后监控是否有使用频率的提升。
计算资源：根据低频率标签和无使用场景标签进行处理下限治理，优化整体标签架构和计算资源，从计算效率和计算成本进行收益评估。
数据存储：一部分统计下线的标签历史的数据存储，另外一部分是正常的标签进行数据有效期的管理，节约数据的存储成本。
03、模型评估
1、模型概览
从业务的自身实际情况角度去考虑，首先有哪些指标可以客观评估，并且大家都认同理解保持一致，另外就是这个指标梳理出来后，能够实际有治理标签的指导意义。
2、维度定义
复盖率：主要是评估实际用户被打标的情况，即被打标的用户数在总用户数的占比。
简单举个栗子，比如【是否购买】的标签，当前全量用户有100万，其中有50万打上了“是”标签，其中有30万用户打上了“否”，那么剩下的20万没有打上任何标签，也就是说当前是否购买的标签复盖率是80%。
使用度：主要评估标签在使用、分析、调度场景的情况。
人群圈选：直接反应该标签的使用现状，有多少人用该标签进行的圈选人群，使用的次数越多，代表着该标签符合场景、标签数据比较可信。
关注度：主要评估该标签被收藏、查看、搜索等场景的情况。
实用度：主要评估标签在业务场景使用情况。
在业务使用的过程中，标签势必要随着业务的发展而进行迭代，因此要记录标签的迭代次数、应用的质量(用户通过平台对标签打分)进行综合考量。
3、模型计算
关于标签模型评估，一般思路就是函数+规则最终评定。大致分为两种情况，第一种评定的维度像关注度、实用度这种，需要先通过Sigmoid函数等函数转化成评分，然后再再进行人工规则进行加权，收藏这种主动行为更有倾向，那么比重就高一些。第二种评定的维度像安全这种，如果敏感数据未脱敏，并且超过5%，直接给0分。
04、模型应用
1、对内
降本：可以拉取最近3个月内使用度<10的的标签进行治理，对于下线的标签可以评估数据存储的成本，以及消耗的计算资源，评估收益。
提效：提高标签的复盖率、准确性，那么针对一些业务场景，评估是否有收益的提升。
安全：针对标签的数据风险项，进一步进项加强防控。
监控：根据多维度指标可以进行整个标签综合的评估，制作一张数据看板，对于每个维度可以设定阈值进行预警，进行治理。
2、对外
对于业务团队的使用者，要把核心的标签以及能力进行产品能力的外化，用户点击标签可以看到历史的就绪时间，标签的覆盖度。
这里需要有个考量，有的标签其实是一把双刃剑，比如使用度标签，那么在两个标签的定义和场景差不多的时候，会不会用户直接选择一个使用度高的，但是这个标签就真的是用户想要的么，那平台如何通过信息展示和产品交互更好的引导用户，是需要投入调研和考思考的。
（编辑：汽车网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
