标签 作为企业数字化营销的基石，在企业运营与营销场景下发挥着重要的作用，通过标签体系，企业可以更好地了解消费者的需求和行为，丰富用户画像特征，帮助企业优化产品设计和营销策略，提高产品的市场竞争力。
因此，企业需要从 业务场景 出发，构建适用于 自身业务模式和逻辑的标签体系 ，为企业的精细化运营及精准营销服务，进而深入挖掘潜在的商业价值。
本次分享来源于 火山引擎客户数据平台VeCDP 服务于近百个场景的经验，将 汽车、金融、零售、泛互 等领域交付、落地经验抽象成5000字干货，从方法论到案例，帮你建设一套“好的”标签体系。
《火山引擎 客户数据平台 VeCDP 产品白皮书》
已发布，涵盖产品技术架构、核心功能及应用实例等全方位内容，揭秘字节跳动在内外部众多行业、场景沉淀的CDP实战经验，点击 “ 阅读原文 ” 即可领取。
首先介绍标签和标签体系的基本概念。
标签体系的构建 是一个完整的闭环，通过活动数据可以进行分析洞察，然后根据洞察结果留存好的标签，抛弃不相关的标签，形成企业合适的标签库。企业规划好的整套标签体系服务于各个业务部门，如果需要使用不同的标签，可以进行分类和授权标签，实现动态快速扩展。
火山引擎VeCDP 的标签最终服务于上层的业务场景，例如营销、分析等场景。而标签体系是对标签的一种组织方式，对标签进行分类，形成一套可以长期稳定使用并且适用性较强的框架。
在建立整体的标签体系之前，第一步是做好标签的设计。标签设计，需要梳理好整个数据流程、业务场景。
/ 标签与群组 /
在做营销活动的时候，会用到两个核心对象，第一是标签、第二是群组。
接下来介绍一下这两者之间的关联和区别。
标签主要是提取客户特征，对客户进行一些画像洞察。群组主要是针对某场营销活动，圈选某个客群进行营销和分析。前者是进行特征的抽取，后者是做服务与活动。由于标签是特征的提取，所以在系统中留存的时间会更长。而群组主要是为了某个活动，服务完该活动，其生命周期理论上就结束了。
另外一般对于品牌方或者说企业主而言，标签是数据分析师或IT人员去构建的。而群组，可能更多的是运营这样的业务角色去使用。
概括而言，标签更多是面向客户数据的抽象加工，群组是面向活动进行的精准的人群圈选。
/ 构建标签的三类数据 /
在构建标签时，通常会用到三类数据： 行为数据、属性数据和业务数据 。
● 行为数据： 是通过各个业务系统，或者其它第三方应用上的埋点采集得到的线上线下的数据。
● 属性数据： 是用户的一些基本资料、会员属性、微信基本属性等等。
● 业务数据： 比如订单类数据、消费类数据，或是客服的一些工单、咨询单之类的数据。
基于以上数据，可以通过标签规则或者模型去构建标签，并在上层构建分群。
/ 判断标签好坏的四大原则 /
构建标签体系的时候需要兼顾合理性和灵活性。合理性主要是从业务视角出发，而灵活性主要是工具的视角，需要满足各类业务场景。下面从四个细化的层面去介绍。
首先，可追溯性 ，指的是可以对标签做一些历史的回溯，通过洞察标签变化，可以了解到整个客群全生命周期的变化，同时也可以了解整个营销活动的执行效果。
其次，数据和计算的实时性 ，标签可以分为实时标签和离线标签。实时标签能够支持对营销要求更高的一些场景，例如金融行业储值金额达到一定数值的时候，需要实时去做一些营销，此时标签的构建是依赖实时数据，实时生产的。
再次，标签制作的灵活性 ，上文也提到在构建标签的一些数据和规则方面，执行频率都可以灵活配置。
最后，生产和使用流程的强可管理性 ， 会体现在标签的权限方面，以及服务上下游的相关应用，例如对外提供的一些API，提供数据输出的能力、Kafka消息订阅的能力、记录标签的增删改查相关信息、标签的上下架操作、标签审批的管理等。
大部分客户在构建标签时会遵循一个标准流程，如下图所示。
第一步是明确需求，梳理业务场景和流程。之后就可以知道如何接入何种数据，上文也提到，接入的数据一般是包括属性行为，以及业务相关单据的数据。接入这些数据之后，接下来就可以构建规则，真正把标签构建出来，其中包括一些标签的分组以及层级的构建。
标签构建之后，就可以去圈选目标人群，从而去做一些营销活动。对这些活动进行洞察，同时结合标签事件等各种信息就可以更好地去做标签管理，修改标签规则，重新上下架一些标签。
其中也可以去做标签的价值评估，即哪些标签是更有意义的标签，标签后期的建设方向等。最后会产生优化策略，它会体现在新需求的输入，从而形成一个全流程的循环闭环。
在企业内部，整个标签体系的构建，其实是一个持续构建的过程。
/ 明确标签建设目标 /
构建标签时，会遵循5W2H的分析方法论。
第一，What，即针对何种场景，例如客户生命周期场景或是会员营销场景。
第二，Where，即依赖什么样的功能模块，例如是否需要一个算法标签或是基本的规则标签，是否需要依赖于群组的一些信息。
第三，When，即什么时候需要上线标签。
第四，Why，即构建标签的原因，例如需要做洞察或者营销转化，又或是需要服务于客户，做一些客户关怀。
第五，Who，即谁构建标签，如前文所述，可能是业务也可能是IT相关人员，其所用的标签工具也会不同。
第六，How，即如何构建标签，例如构建RFM标签、统计标签，或是普通规则标签。
最后，How much，即构建标签能够产生多少业务价值。
/ 标签体系设计 /
从标签体系的整体设计来看，第一步是最底层的规划主体。此时需要去梳理各个主体对象，梳理对象主体之间的关联关系，梳理数据源和具体数据类型。
接下来就是探查数据，包括前文讲到的基本属性、行为数据、订单数据等，数据是实时还是离线，如何去接入。数据梳理清楚之后，我们需要构建标签类目。数据产生之后，会先做一些探查式分析，从而可以了解客户群体是何特征，之后再去构建标签类目，拆分类目。
最后需要把标签内容设计出来。整个设计标签的过程中，前期规划、内部对齐、标签口径对齐以及数据梳理，都是非常重要的。
/ 标签内容和类目的设计 /
上图中结合具体的业务场景，将客户按照不同的生命周期进行了分类，例如可以分为沉睡客户、潜在客户、活跃用户以及忠诚用户。
有了这样的客户分类之后，就可以去做具体的规则定义。沉睡客户，可以定义为过去30天其浏览次数比较少的客户；潜在客户，可以定义为除了沉睡客户之外的那些没有互动的客户；而活跃客户是有一定互动的客户；最后忠诚客户是互动相对来说非常高频的，并且有邀约一些新的客户即老带新的一些行为。
于是我们能定义清楚整个客户的生命周期，以及对应的规则。有了这些规则及客户标签的定义，就可以针对不同的客户有相应的处理策略。针对 沉睡客户 ，需要对其进行激活；针对 潜在客户 ，需要进行持续的互动；针对 活跃客户 ，需要促成订单转化；最后对于 忠诚客户 ，需要持续地让其产生复购。
/ 数据探查 /
接下来介绍标签体系的数据链路，具体包括VeCDP系统中数据采集的步骤和标签构建的方法。
首先要做标签相关数据的采集，需要连接外部各种各样的数据源。数据采集完成之后，需要做数据的加工处理，针对这些数据需要做ETL以及表间join操作。
接下来是VeCDP系统中的一个核心能力—— ID打通 。火山引擎VeCDP会设计ID的优先级、生存策略以及参考关系，之后把各渠道ID做整体的融通。
最后我们把数据落到VeCDP中，成为基础的属性数据、行为资料，以及业务订单数据，还有一些其它的明细数据和维度数据。
/ 规划主体 /
主体又称实体或对象，针对不同的行业，规划出来的主体也是不一样的。例如汽车行业，通常将业务对象梳理成两个主体，即人和车。围绕着人的标签体系，包括基础属性信息，在一些媒体点位的互动行为信息，以及留资相关信息等。同时围绕车，会有一些汽车相关的信息，包括维修保养以及车联网采集到的信号信息。在其它行业，也是类似地，可以梳理出不同的主体。
/ 标签加工与更新 /
接下来基于梳理出来的主体去构建标签。在火山引擎VeCDP中，提供了十几种标签构建的方法。其中规则标签是基于一些规则去组合，生命周期标签是围绕其生命周期去打标签。
首末次标签是基于用户首次及末次行为去构建一些标签。偏好标签，需要统计用户行为信息，观察用户集中行为聚集在哪些方面，之后做一些排序，就可以得出偏好信息。
标签的更新频率，可以设置整体上是实时还是离线，如果是实时计算，理论上就是一个实时标签。如果是离线计算，可以去配置其更新类型，例如手动更新还是定时更新，执行的频率可以选择天级、周级或者月级等等。
/ 离线标签与实时标签 /
离线标签和实时标签有着不同的适用场景，在规则和一些限制方面都会存在差异。
从更新方式来看，离线标签会更强调手动更新或者按周期去更新，而实时标签则是实时计算，一般是由某个行为事件或者某个消息触发去做实时更新。
从参与计算的数据来看，离线标签基本上是全量的业务数据都可以参与计算，而实时标签则需要考虑计算的性能，是有限的数据参与，针对一些时间序列数据，像订单数据和行为数据，可能会限制一定的时间范围，例如一天或七天内。
从复杂性来看，离线标签复杂性相对会更高，实时标签相对低一些。
从适用场景来看，离线标签主要用于画像分析，实时的要求不那么高。但是实时标签可能会在一些实时营销，当达到某个标准之后要实时地给用户发券或者是告警。
/ 标签价值评估 /
在应用标签的过程中，可以通过采集标签在系统中的使用信息，进行价值评估。
首先，标签覆盖量评估，包括标签覆盖数量和覆盖率。
第二，标签值的分布，包括标签值随时间的变化以及趋势。
第三，标签使用热度，哪些标签是高频使用的，哪些是相对低频使用的。
第四，标签稳定性，由于标签本身依赖于各种各样的上游数据，不同的上游数据会导致标签在实际计算的时候，整体稳定性是有差异的。
第五，标签关注度，主要统计标签收藏的相关情况。
最后，标签优化率评估，主要是指标签在持续应用的过程中，哪些标签可能会被频繁变更。
通过评估以上维度，可以得知哪些标签高频应用、哪些标签有价值、哪些标签可以持续做优化，从而指导后期标签体系的构建。
接下来介绍标签应用的一些典型案例。
每个行业都有不同的标签体系，零售行业会根据用户画像和订单行为构建标签和画像；汽车行业关注线索到店、线上互动和市场活动等流程；金融行业主要基于客户交易、资产和负债情况构建风险评估和客户价值评估。除此之外，火山引擎VeCDP还会在一些泛互联网行业中应用，所以整个标签更体现其工具性。
/ 标签应用的典型案例 /
● 汽车行业
在汽车行业，我们会按照消费者生命周期以及使用流程，去构建其标签体系，包括基本信息、行为数据。行为数据包括线上行为以及线下行为，以及消费信息、售后信息。
汽车行业是高客单价的行业，因此更注重售后的管理。另外，在一套标签体系下，不同部门关注的点是不一样的。销售部门会更关注线索、到店、下订、试驾这样的用户流程；运营部门则更关注线上互动，包括签到、评论、分享以及精品消费等等；市场部门会更关注整个市场活动的留资、下订行为。
● 零售行业
零售行业相对而言标签会做得更加精细化。围绕用户画像，通过其订单互动行为、基础信息，去构建整体标签规则和画像。
另外，零售行业除了使用第一方的数据，同时也会去采集第三方的数据做一些补充，然后去构建其完整的画像。
除了用户画像，零售行业还会做商品画像，商品作为一个独立的主体，围绕商品的一些基本信息、价格策略、库存信息以及售卖情况去构建标签和画像。
最后还有门店画像，包括门店地理位置、类型、门店业绩以及在售商品等。
在零售行业会利用各个主体之间产生的关联关系来构建一些标签，例如用户和门店之间，用户会有到店的动作，用户在门店中有消费动作，包括用户买了何种商品、浏览了何种商品，通过类似关联关系的组合去做营销。
● 金融行业
金融行业标签大致有如下图所示的分类。
首先是原始信息，包括客户交易、客户资产、客户负债以及客户持有的产品情况。基于这些内容，可以去构建客户风险评估，以及客户价值评估，从而构建整个标签体系。
/ 标签应用价值 /
● 线索跟进、成单转化
标签体系的构建是一个完整的闭环，通过活动数据可以进行分析洞察，根据洞察结果留存好的标签，抛弃不相关的标签，形成企业合适的标签库。
在高客单价营销场景中，针对一些线索，会围绕线索做标签的打分，生成一些数字类型的标签，包括正向打分机制和负向打分机制，最后得到总分作为线索的评分。
-
正分机制包括属性信息、信息完整度、最近的互动行为信息以及留资信息，以及客户本身跟销售员的互动信息。
-
负分机制主要包括客户在电话中明确拒绝或者战败线索。
● 精细营销、降本增效
精细化营销更多是体现在一些低价高频的营销场景，例如发放优惠券的场景。
首先把一些客群批量圈出，围绕优惠券使用场景，比如最近180天用券次数、最近30天用券次数、近7天用券次数，以及客户对优惠券的敏感度。
有一些客户可能会更关注低价优惠券，希望打折力度更大。基于优惠券使用的信息，可以给客户做一些标签画像，去服务于上层的营销场景。
● 分析洞察、剖析画像
基于标签可以去做一些分析洞察，比如客户行为分析、画像分析、流程分析等。首先构建好标签，然后去做活动，之后会产生活动数据，基于活动数据，可以再做一些分析洞察。
分析洞察后可以得知哪些标签可以促成转化，哪些标签跟整个活动效果是不相关的。
从而可以把好的标签留存下来，去服务于下一个标签体系的构建。不合适的标签就可以逐步抛弃掉，最终形成适合企业的标签库。
产品介绍
火山引擎客户数据平台 VeCDP
面向业务增长的客户全域数据中台，帮助企业打破数据孤岛，建立统一的人、物档案，以数据驱动全链路营销和深度运营，实现企业数字化转型和增长。后台回复数字“11”了解产品
——相关阅读——
