在标签体系对外推广实践的过程中，我们也经常会遇到客户提问：辛苦完成标签体系的开发与落库后，该如何使用这些标签，才能发挥其实用价值？ 如何把标签所承载的数据信息进行形象化，最直接的方法就是将标签直接拿来使用，进行个体画像分析。向系统提供一个用户ID后，系统会向你展示这个用户的全部标签结果，如下图所示。 如：需要圈选出使用APP活跃度高且偏好电销渠道和自营APP渠道的用户，则可在「客户数据洞察平台」进行如下配置： 图片 条件的设置主要包含两部分因素：时间和标签结果值。 能够反映这一特征的指数即为TGI指数，其计算公式为： 图片 如何通过TGI来判断显著性？TGI结果以100为基准：当TGI>100时表示目标人群更显著，TGI < 100时表示大盘人群更显著。 利用群组交集分析功能，可以查看群组间的交集量级及交集的数据详情。群组并集分析功能则更适用于查看并集组合结果和全部数据之间的量级差异性，以此来查看待分析用户群的覆盖量级情况。
如何从亿级别的数据中，快速筛选出符合期望的用户人群，进行精细化人群运营，是技术需要解决的问题。业界的很多方案常常需要分钟级甚至小时级才能生成查询结果。 而我们的场景，由于所有字段都需要作为筛选条件，所以本质上还是需要结构化存储，且要求查询低延迟，因此也无法使用HBase。 实时计算层：根据人群的筛选条件，从用户大宽表中，查询符合的用户数量和用户ID列表，为应用系统提供服务。 人群圈选前台系统：提供可视化的操作界面。 闲鱼PUSH系统：从人群圈选前台系统中获取人群对应的where条件，再从实时计算层，分页获取用户列表，给用户发送PUSH。在实现过程中，我们重点解决了分页查询的性能问题。 人群圈选系统为闲鱼精细化用户运营提供了强有力的底层能力支撑。同时，圈选人群，也可以应用到其他的业务场景，比如首页焦点图定投等需要分层用户运营的场景，为闲鱼业务提供了很大的优化空间。
2核2G云服务器 每月9.33元起，个人开发者专属3年机 低至2.3折
最近CDP平台新增了很多算法挖掘的标签，扩展了基于算法模型直接输出目标人群的场景，通过AB对比，算法圈选的目标人群的转化效果要好于运营基于经验、规则人工圈选的效果。 从上述案例可以看出，规则运营，需要具有具备良好的业务经验和一定的数据思维才能将目标用户识别条件标签化，主要特点如下： 优点 1.行动敏捷，明确运营场景以及人群圈选条件后，可以快速进行人群输出，是CDP平台运营可以自助圈选 2.基于模算法模型的人群圈选可以覆盖更多特征维度，用户分层能力更多样化、精细化。 既然算法模型无法取代规则运营，现在强调数智化运营，这两者如何才能取长补短，相得益彰呢? 此外，也可以配合使用一些算法挖掘类的标签，如价格敏感度(推荐红包金额)，在做更进一步的差异化运营。 用户偏好类、行为预测类，运营策略多样化场景，算法为主，经验为辅。
以酒店预定后推荐周边景区的交叉推荐场景为例，转化成标签需求就是，近X天有酒店待入住订单，且无景区成功单，红包卡券账户中无未使用优惠券。 明确了人群需求后，数据的流程主要包括： 数据源准备： 圈选目标人群所需要的标签数据从哪里来? 火车票订单、酒店订单、红包卡券数据 标签生产： 按照场景人群逻辑，清洗加工标签 人群圈选： 以标签为限定条件，从全量用户中过滤圈选出目标人群 用户触达： 将用户数据传输到营销通道，对用户进行触达 效果评估 (2)标签管理 标签资产的建设和管理是CDP平台的核心部分，没有标签再顺畅的流程、丝滑的体验，也不会有业务使用。 (4)人群画像 不同人群的用户画像构成是怎么样的，不同特征的用户，对运营转化的效果是否相同呢?人群画像的应用价值一是人群圈选过程中确定是否满足运营需求，二是事后效果分析时，不同特征用户进行对比分析。
平台为业务人员提供海量标签，支持快速圈选目标人群，同时提供精细化人群画像洞察能力，联动多渠道进行推送，并支持人群效果的数据查看，助力业务人员进行全链路用户运营。 04 用户画像平台能力 在平台建设层面，自如用户画像平台能力包含人群圈选，人群洞察、人群营销、营销效果分析，支持全链路定向用户营销。 人群圈选：通过人群圈选可进行精细化用户分层，而用户分层是个性化营销的基础。画像平台支持标签组合、分群组合以及 ID 数据上传 3 种方式，适应营销人员在不同场景下的圈选需求。 人群营销：支持 push/短信/优惠券等方式进行定向用户营销，例如圈选北京 7 日活跃用户，推送中秋礼包活动，进行节日关怀；圈选解约业主，通过短信活动触达，进行业主召回；自如的人群包对接至家服 CRM 例如：圈选 “北京、近 7 天、找房行为次数>3 的用户” 给其推送了优惠券，监控其营销效果，可再次圈选对优惠券有点击行为的用户，对其发送使用提醒，或是给其赠送其他服务，从而实现更进一步细分人群的营销。
完备性：指数据丰富、规则灵活、功能完善；支持丰富的人群圈选数据，预置标签、人群标签、平台行为、自定义上报行为等。做到在不违反隐私的情况下平台基本提供使用者想要的数据。 整体来看，平台支持灵活的标签及人群创建方式，使用者按照自己的想法任意圈选出想要的人群，按不同周期手动或自动选出人群包。此外也支持人群的跟踪分析，人群在多场景的应用等。 画像应用：提供基础标签分析及针对特定人群的标签分析，另外还提供人群圈选跟踪分析及线上应用等。 4.2.3 数据查询 数据查询方式：人群圈选过程中，如何保障大的APP查询、在复杂规则情况下的查询速度？团队在导入过程中对预置画像、平台行为、自定义上报行为，均按相同分桶规则导入集群。 4.4.3 实验人群定向 在 AB 实验中的人群实验，使用者通过规则圈选出指定人群作为实验组（如想验证某地区的符合某条件的人群是否更喜欢参与该活动），跟对照组做相应指标的对比，以便验证假设。
看过很多关于如何构建用户画像的文章，大多聚焦于用户画像对精准营销、精细化运营的价值、如何建设标签体系的某一或某几个点，本文主要从数据中台思想出发，更全面地分享如何从0-1规划和实施一款智能数据服务平台。 标签口径不一致：用户画像、精准营销平台人群圈选、算法特征都会涉及到用户或商品标签，各个系统存在标签同义不同值、同值不同义的问题，导致标签复用度低、重复建设带来的成名和资源浪费，这也是中台要重点解决的问题 业务运营靠经验：一般精准营销平台强调基于标签圈人的能力，什么样的用户适合推什么样的产品，提供什么样的服务，靠运营同学人工操作，基于经验或数据分析，确定特定场景下的人群标签条件，圈选后进行后续营销动作。 提供基于标签圈人的能力，精准圈定目标人群进行分析或数据输出 功能要点：人群列表，新增人群流程（圈选、excel等自定义上传、SQL语句）、人群画像、人群输出(接口或场景配置) （4）场景管理 目标：对接营销 经过项目推进后平台顺利上线投产使用，那该如何评价产品是否成功？智能数据服务平台本质是平台+智能，平台主要从应用价值，营销成本降低和频次的增高，智能方面，更多评价算法和运营经验之间的AB效果对比。
其次，基于短视频和直播的内容形式，内容将货品的使用场景具象化，形成一个个独立的基于人群兴趣的场，以此激发用户对货的兴趣和转化。 前面分析过，在兴趣电商的模式中，内容将货品的使用场景变得更具象化，场能否留住消费者，优质的内容输出是非常关键的。 为了提升投放精准度，其服务商聚睿数据运用货品行业洞察数据，明确200～1000元价格带白酒市场的核心购买人群画像，为古井贡酒制定了清晰的人群圈选策略： 一个是通过内容兴趣挖掘到的白酒品类的目标人群，另一个则是通过白酒类目的维度下钻 当然，圈选目标人群的过程不是一步到位的，在投放过程中，巨量云图对目标人群的优化有着相当落地的方法。 比如818期间，小仙炖大概投入了近百万进行精准的人群投放测试，方法很聚焦： 通过巨量云图的机会人群标签优选，将小仙炖过往的历史投放和销售数据，结合本次818圈选的目标人群，根据多维的指标特征将品牌初步圈选的人群分为重点拉新人群
品牌A的年货节实际投放效果，算法优选人群相比基于业务经验使用规则圈选的人群，在“O->IPL”人群关系加深率指标上好47%，显示了人群优选算法的有效性。 上图中，紫色框表示品牌目标人群即种子人群，蓝色框表示模型优选出的TopN人群，它与种子人群有小部分交集，交集占蓝色框的比例即为PredictTATopN Precision。 绿色框表示一周内品牌实际新增人群，与蓝色框的交集为预测准确的人群，交集占绿色框的比例即为NewTA topN Recall。 1.1.3 样本选择 a. 模型预测：圈选投放日期前1个月对品牌主营类目及相关年货类目有行为的用户，使用年货人群模型进行预测，去除预测分数小于0.5的用户，根据拉新目标去除品牌现有IPL人群。 如何衡量候选用户与种子人群的相似度，措施： 种子人群向量聚类 使用种子人群的K个向量聚类中心表示种子人群 K个聚类簇的重要程度衡量 增加种子人群每个聚类簇的历史统计CTR作为权重 候选用户与种子人群的相似度打分
②系统目标，指的是使用功能和系统性能等方面的目标要求。比如最终建设完成的标签系统/平台要能够支持可视化创建和管理标签；在性能方面，能够在1小时内完成千万级用户的标签计算和目标圈选。 这其中涉及到一个非常重要的问题，即如何对新构建的标签进行准确性校验。 常见的校验方式有三种： ①通过TGI进行逻辑自洽性校验。 （说明：“TGI”指的是洞察人群某特征占比与对照组人群该特征占比的比值，用于比较人群间的特征差异。） ②使用第三方平台校验。比如通过广点通，使用第三方数据来进行准确性的校验。 ③进行广告投放。 ②用于目标群体的特征洞察和圈选。 比如个推基于自身数千种标签和亿级别的特征数据，帮助品牌主、APP对细分人群进行画像分析，并使用不同的标签组合，智能圈选出符合目标特征的人群，为客户做广告投放、用户触达提供支撑。 ③精细化运营。
增长中的用户分群，如何动态圈选用户，分析其中的增长机会呢？聊一聊一种基于缓慢变化维度的分群方式。 图：某业务用户数分年龄段曲线（来自腾讯灯塔截图） 动态属性类：当天启动方式、当日拉活渠道、新老用户、当日有效使用、当日是否领取红包等 - 特点：基本上是基于用户当天的一些行为或状态，例如启动方式，但每天的启动方式都可能变化 ，圈选出过去1个月有领取过红包N次以上的用户，观察这批用户的留存率变化，这种方法相对好一些，但是受圈选日期的影响较大 这里我们更关心，真正喜欢领取红包的那批人，他们究竟在留存率指标上有什么变化？ 如： - 滚动计算过去1个月的活跃天数分段分群 - 滚动计算过去1个月有观看直播的用户群 - 滚动计算过去1个月发布视频天数分段分群 通过在运营指标构造的缓慢变化维度上分析异动数据，比较容易找到业务的交集影响和变化 红包敏感群体（缓慢变化维度中，过去1个月领取红包22-28天的群体），使用发布器的渗透率在逐渐升高，这说明红包模块和发布器模块，用户产生了较强的交集，这里可以分析出，在产品层面迭代，促进2个模块的相互互动
②系统目标，指的是使用功能和系统性能等方面的目标要求。比如最终建设完成的标签系统/平台要能够支持可视化创建和管理标签；在性能方面，能够在1小时内完成千万级用户的标签计算和目标圈选。 这其中涉及到一个非常重要的问题，即如何对新构建的标签进行准确性校验。常见的校验方式有三种：①通过TGI进行逻辑自洽性校验。 （说明：“TGI”指的是洞察人群某特征占比与对照组人群该特征占比的比值，用于比较人群间的特征差异。）②使用第三方平台校验。比如通过广点通，使用第三方数据来进行准确性的校验。③进行广告投放。 ②用于目标群体的特征洞察和圈选。 比如个推基于自身数千种标签和亿级别的特征数据，帮助品牌主、APP对细分人群进行画像分析，并使用不同的标签组合，智能圈选出符合目标特征的人群，为客户做广告投放、用户触达提供支撑。③精细化运营。
人群服务 人群服务会运用于用户运营平台的“选用户”环节，数据的管理能够提供可选择的用户条件，进行前端渲染。 而选完条件后则涉及数据的去重，不同人群包之间的计算，在最后的运用环节又涉及到了加解密。 3-2、产品表现：用户圈选 在选取用户时须考量的产品功能为：圈选方式、圈选频次、圈选条件及人群服务。 实质上这4个功能的底层支持都来自于用户数据平台，用户运营平台则负责服务的运用及表现。 1）圈选方式 条件选取 这是在可视化、自助化选择用户条件后，通过与其取值范围进行比较经计算生成人群数据包的一种形式。 一般来说，具备抽象为可视化条件的数据使用较为高频，数据准确性较高。 4）人群服务 前面的部分描述的是如何选取用户，而这一部分则是选了后还要做的事情。 其执行流程如下： 通过条件查询得到了人群包，然后对不同人群包进行交并叉相关的数学计算。 理解了规则引擎核心的4要素，下一个问题就是如何能够让研发、产品、运营不同的角色都可以使用，适用的角色每向前一步，易用性就更高一层。 如果连研发敏捷提升都无法做到，那这套引擎就没有存在的意义了。
LBS服务中融合了移动通讯、互联网络、空间定位、位置信息、大数据等多种信息技术，利用移动互联网络服务平台进行数据更新和交互，使用户可以通过空间定位来获取相应的服务。 通过高德提供的POI接口数据或者将数据爬取下来，加工处理，供后期使用。 4.地理围栏 POI是兴趣点，即点的概念。 二、POI和地理围栏的应用场景 1.用户特征识别信息盲点补充 人群的差异化运营几乎是现在每个精细化运营的企业都在做的事情。 例如，小区周边新开了一家生鲜买菜的线下体验店，需要对曾经在周边1Km内取菜点取过菜的用户进行短信推送，吸引用户前来光顾，此时主要会用到【XX小区】+【周边1Km】+【订单数>0】等标签条件，来圈选出目标人群 ：通过多种条件筛选出目标POI或周边区域，如POI类型、属性、省份、城市、具体地址信息等，离线场景直接圈选目标人群，实时场景输出区域规则 服务输出：圈选的目标区域，作为LBS位置标签，对接精准营销平台，
它不仅仅是一种使用工具的能力，更是一种思维能力，我尝试将其延伸到了从科研到实践的各个方面。 接下来，如何将二者恰当的结合成为了一个问题，尤其是我主攻的符号学理论如何被量化？最终，我将研究对象，也就是民国画报的图像文本进行拆解，拆解为图像基本信息和标志性元素两个类目。 最终完成了对十万字文本、千幅图片的分析，在数据与符号、图像与历史的互读中，考察出民国两大画报如何以图像表征其支持党派的军事口号和政治倾向，并如何对大众进行政治上的“视觉劝服”。 我负责人群管理模块的搭建。人群管理应包含从上传、查看、圈选到投放人群的全流程。 新增“人群上传”，支持 API 批量接入客户 数据，指数倍提升客户创建人群的效率;迭代“人群列表”和“人群圈选”，支持圈人时对人群数量作实时计算，并回传至人群列表，提升客户体验;迭代“人群投放”功能，支持投放至腾讯广告和巨量引擎
而且相关性高往往意味着更好的用户体验 后面将会介绍实际场景中当前定向系统想要同时满足这两点并不容易以及Smart DMP定向如何做到同时两者兼顾的。 但是DMP定向也有显而易见的缺点，定向效果直接由标签选择的质量决定，虽然标签人群圈选的门槛很低，但是圈选高质量标签人群却是一件极其专业的事情，其原因主要是两个方面： 第一，DMP标签数量众多，标签组合更是天文数字 可以看到，智能定向没有显式人群圈选的过程，用户是否是目标用户由算法在线评估。 长时兴趣和短时兴趣使用self-attention来建模，最后通过DNN来预测相关性分数。 ? TMM是一个标签挖掘模型，在Smart DMP中，TMM直接复用了DMP的标签模型。 我们也统计了自上线以来一年时间里面，使用Smart DMP的商家占比，可以看到占比持续提升到50%多，目前是京东广告定向中使用最广的定向工具。 ?
分享过程中的相关问答：Q1：如何量化和评估透明存储的收益？A：量化维度分两方面，首先是从提效方面来衡量，即使用效率是否提升，比如用户（数据分析师）处理业务需求时的数据使用效率提升情况。 目前我们结合多个类型的任务综合来看，透明存储能够使跑数时间缩短30%；其次是降本方面，即资源消耗是否有减少，可以通过CPU核的使用时长以及内存使用时长进行量化评估。 Q2：透明存储如何实现历史工程对数据格式的兼容和切换？ 由于业务方的标签组合复杂多样，所以在对大规模数据进行计算和标签构建的过程中，如何加速标签计算，实现秒级人群圈选和洞察便成为我们需要攻克的难题。 个推每日治数平台团队 高级数据研发工程师之昂基于每日治数平台DIOS的开发实践，深度剖析了有效提升标签存算以及人群圈选效率的核心技术手段。
，这里会受领取红包渗透率影响较大，另外每天领取红包的用户，没有了一致性和连续性（每天不是一批用户） · 我们通过特征判断，高龄群体喜欢领红包，分析高龄群体的特征，但又无法解释红包业务 · 通过号码包圈选 ，圈选出过去1个月有领取过红包N次以上的用户，观察这批用户的留存率变化，这种方法相对好一些，但是受圈选的日期影响较大 其实，这里我们更关心的是，比较喜欢领取红包的那批人，他们究竟留存上有什么变化 构造出很多与业务强相关的缓慢变化维（我们后文称呼为「运营视角缓慢变化维」），如： · 过去1个月活跃天数 · 过去1个月是否有观看直播 · 过去1个月发布视频天数 通过在运营视角缓慢变化维上分析异动数据，还非常容易找到业务的交集影响和变化 · 红包敏感群体（缓慢变化维中，过去1个月领取红包22-28天），发布渗透率在逐渐提高，这说明红包模块和发布模块，用户产生了较强的交集，也许可以在产品层面迭代，促进2个模块的相互互动 运营视角缓慢变化维的构造维需要注意如下几点 如何通过画像洞察用户价值点
中的数据，可以通过编写少量的代码（如 SQL）对数据进行分层、加工处理，能够快速的对数据进行建模，构建数据集市，以拖拉拽的方式创建报表和数据看板等；能够以可视化 +SQL 的方式进行数据标签体系的构建、人群圈选以及人群画像透视分析等 ； 标签人群引擎：基于 ETL 引擎处理过的数据，快速进行标签化，且可以基于标签进行人群圈选； 报表引擎：基于数据建模引擎的数据构建动态报表； 营销引擎：基于标签人群引擎提供的人群数据进行自定义的活动构建 InfoQ：创略使用低代码后有哪些受益点？效果如何？ 霍强：在 CDP 项目交付过程中，极大程度上解放了 ETL 工程师的工作，使客户多数据源接入 CDP 变得高效便捷，且缩短了数据接入环节的周期。 能更便捷的进行数据处理和分层，能够基于可视化的界面，加上一定的 SQL 片段完成整个数据处理和上下游任务依赖，能很好的进行可视化数据建模及拖拉拽完成报表构建，并可视化组装数据看板；能够以可视化的形式进行标签体系构建、人群圈选 、人群特征画像透视等功能，在没有数据开发工程师的情况下，也可以完成从数据接入，到数据建模，再到数据可视化的整个分析链路的完整流程，也可以完成从数据接入，到标签体系构建，到人群圈选和人群画像，再到自动化营销活动构建的整个精准营销链路的实现
智能数据分析（ IDA）基于安全、低成本、高可靠、可弹性的云端大数据架构，帮助企业客户实现从数据采集、建模、挖掘、效果分析、用户标签画像到自动化营销等全场景的数据服务，快速实现数据驱动业务增长的目标。
扫码关注腾讯云开发者
领取腾讯云代金券
云服务器
网站备案
对象存储
云直播
实时音视频
