惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

J
Java Code Geeks
Google DeepMind News
Google DeepMind News
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
小众软件
小众软件
Blog — PlanetScale
Blog — PlanetScale
腾讯CDC
A
About on SuperTechFans
Vercel News
Vercel News
I
InfoQ
阮一峰的网络日志
阮一峰的网络日志
月光博客
月光博客
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
人人都是产品经理
人人都是产品经理
S
SegmentFault 最新的问题
V
Visual Studio Blog
T
Tailwind CSS Blog
大猫的无限游戏
大猫的无限游戏
M
MIT News - Artificial intelligence
博客园 - 【当耐特】
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
Microsoft Azure Blog
Microsoft Azure Blog
Apple Machine Learning Research
Apple Machine Learning Research
GbyAI
GbyAI
美团技术团队

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
精细化运营的前提—标签体系构建
杰运规划 · 2024-08-14 · via 人人都是产品经理

精细化运营的核心在于深入理解用户需求,通过构建多维度的标签体系,实现对用户的精准画像和个性化服务。本文将详细介绍如何构建精细化的标签体系,并探讨如何将标签体系有效应用于个性化运营中。

移动互联网经过十余年的疯狂发展,流量红利时代已经过去,如今,各大APP日活用户数量达到上限,在移动互联网的下半场,企业需要对现有用户进行精细化的运营,提升用户触达精准度和转化效率,从而实现企业下一个阶段的持续性增长。

精细化运营,显而易见最重要的部分,就是“精细化”,所谓“精细化”,就是对某类事物从不同维度进行标签化分类,从而形成用户多维度需求的画像标签。

第二重要的部分是“运营”,而“运营”就是根据精细化的标签,对用户进行个性化的运营服务。

本文章分为上下两篇,上篇主要介绍精细化运营的第一部分:精细化标签,也就是标签体系,下篇会介绍精细化运营的第二部分:个性化运营,具体内容请持续关注。

一、标签是怎么来的?

标签分类不是将商品划分为连衣裙、面膜、卫衣,将岗位划分为销售、行政、财务等类目层级的分类,而是将连衣裙从【风格】维度划分为:甜美风、优雅风、通勤风,将销售岗位从【行业】维度划分为:房产销售、汽车销售、金融销售等多类别的分类。

以上只是列举了事物一个维度的分类,现实中每个事物都有很多维度的分类,那这些分类是怎么来的呢?是运营人员自己觉得高大上创造出来的吗?显然不是,这些分类维度及类别,都是从用户真实的需求中挖掘出来的。

以招聘领域为例,如下图,企业招聘【外贸经理】,会要求有“医疗器械”“电气”产品经验,熟悉“东南亚”“南美”“中东”地区市场;招聘【大客户销售】,会要求有“供电系统”经验,这些要求我们可以挖掘为标签,所以标签是从用户的真实需求中挖掘出来的

具体应该怎么挖掘呢?用户所有的要求我们都要挖掘成标签吗?还是说哪些应该挖,哪些不应该挖呢?

二、如何挖掘标签?

标签挖掘的前提是确定挖掘对象,就是针对哪类事物进行挖掘,电商平台的挖掘对象是商品类目,例如服装、数码产品、家居产品,或者更细分的连衣裙、卫衣、衬衣等。招聘平台的挖掘对象是职位类目,例如销售、产品经理、会计等。

选定了具体的挖掘对象,理论上来说就可以进行标签挖掘了,但现实中标签挖掘工作专业度很高,一般都是由熟悉领域知识的运营人员来做,有的甚至需要领域专家才能做,哪怕是专家也未必能做好标签的挖掘工作,因为每个挖掘对象都不同,挖掘的维度也是迥异的,哪些标签需要挖掘,哪些标签不能挖掘,很难形成固定化的挖掘规则,只能在逻辑层面设定一些指导思想,再根据挖掘结果进行评估和优化,而且不同领域的挖掘逻辑也不尽相同。

笔者对招聘领域比较熟悉,总结了招聘领域标签挖掘三原则,希望对大家理解标签挖掘能有一定的帮助。

1、区别度

区别度是指该标签可以把该类目下不同的职位或简历区别开来。例如销售职位,要求有“软件行业”“教育行业”经验,这类词可以把销售职位区分成不同的行业,这种类型的词我们可以抽取。“开发客户”是每个销售人员都要做的事,“沟通能力强”,是销售职位招聘时都会要求的,这种词不能把不同销售岗位区分开,所以这类词不适合抽取为标签。

2、可衡量

可衡量是指该标签是一个既定事实,不存在模棱两可、没办法衡量的情况。很多岗位会要求一些软性技能,例如“良好的表达能力”“态度积极”“逻辑能力强”,这些软性的能力很难衡量,起码只看简历描述是没办法衡量的,所以软性技能、主观评价等,属于不可衡量的词,这些词不适合抽取为标签。

3、有门槛

有门槛是指在该类目下,某一项工作或技能是有门槛的,不是该岗位的任何人都能直接胜任的。例如护士职位,需要做“药品保管”“消毒隔离”等工作,首先“药品保管”“消毒隔离”是每个护士可能都会涉及的工作,其次哪怕某个护士之前没有做过药品保管、消毒隔离工作,也可以胜任这两项工作,所以这类工作或技能,对护士职位来说是没有门槛的,这些词不适合抽取为标签。

三、如何让标签成体系?

根据以上方式挖掘出来的都是单个标签,如下图中,“电商”“教育行业”“电销”“面销” “华北区”“华南区”,这些单独的知识标签非常多,而且粗细不一,没办法进行体系化管理和应用,我们要把挖掘出来的标签进行归类,并建立层级关系,形成体系化的结构。

1、分维度——搭建标签体系的基本树干结构

分维度就是将挖掘出来的标签进行归类,并给每个类别定义一个维度名称。例如“电商”“教育行业” 是属于“行业方向”,就是什么行业的销售人员或岗位。“电销”“面销”是属于销售方式,就是通过什么方式去售卖产品。

“华北区” “华南区”属于销售区域,就是面向什么区域的客户进行销售。这样单个的标签知识就形成了体系,再将其与具体的职位类目(销售)挂上关联关系,就形成了下图红色方框内,标签体系的基本树干结构。

2、建层级——添加标签体系的繁茂枝叶内容

建层级就是将原本粗细不一的标签建立上下级关系,例如上图挖掘出来的标签中,同时存在“IT互联网”“电商”“母婴电商”“跨境电商”,“电商”属于“IT互联网”,而“母婴电商” “跨境电商”属于“电商”,这些标签粗细不一,不可能把他们完全平铺,让其相互独立,要给他们建立层级关系,让其在逻辑层面形成体系,体系化的标签不但方便管理,而且对后面的泛化推荐也有帮助。

从文本中直接挖掘出的标签,除了有粗细不一的问题,还存在多词同义的问题,因为每个用户表达词汇的方式是不一样的。例如上图挖掘出来的标签中,同时存在 “国际电商” “境外电商” “跨境电子商务”等词,这些词说法不一样,但含义是基本相同的。我们要给这些同义词做归一,归一化的标签,不仅能避免标签体系的数据冗余,还能对后面的算法挖掘提供识别关键词。通过给标签建立层级体系,并将标签进行归一化,就把原来只有基本树干的标签体系,加上了繁茂的枝叶,如上图绿色圆框中的内容。

3、定模型——确定标签体系的底层根部系统

完成了以上分维度、建层级两个环节的流程,已经搭建成了一套比较完善的标签体系,但现实中,招聘领域的职位类型很多,每个职位下挖掘出的标签都不一样,很难形成一套固定化的挖掘规则或体系,也很难对某个职位的标签体系进行评估。

基于以上问题,我们总结出了招聘领域的标签六维模型,六维模型是基于对岗位的深度剖析与归纳,得出的能够概括所有职位类型与标签知识的关系模型,该模型总结了招聘方对不同岗位的技能、工具、产品、客户等全方面的知识要求;

可以用一句简单的话总结为:该岗位是做什么细分工作的,具体需要什么技术/技能,使用什么渠道/工具,将什么行业/领域的,什么材料/产品,做成/卖给什么客户需要的产品/服务,具体可见下图。

六维模型是招聘领域标签体系的底层根部系统,因为有了这个模型,我们就能从底层抓住每个职位的标签特征,不管是在标签生产环节,还是标签评估环节,都能为标签体系的构建提供底层的逻辑指引。

四、如何做好标签体系?

以上就是标签体系构建的主要流程,掌握了这些就可以做出标签体系,但要想做好标签体系,还远远不够,因为整个标签运营的流程特别长,本篇文章主要讲了标签体系的构建,后面还涉及标签的收集、评估、产品应用、策略应用等。

每个流程都是一个复杂的系统,而且每个流程都依赖于前期构建的标签内容,所以标签生产同学在前期做标签构建时,就要了解后续标签运营的全流程,而且非常清楚每个流程中对标签生产的要求

例如,使用算法挖掘方式收集标签时,要避免歧义词导致的挖掘错误,所以在前期添加同义词时,就要了解哪些可能是歧义词,尽量避免歧义词的添加。

在推荐策略应用时,会按标签进行相似类目的泛化,所以在标签生产时,要保证所有相似类目都有共同的标签。

标签体系的构建往往需要长时间、多资源的投入才能做好,而整个标签体系的运营,是一个更加复杂的系统,因为标签在业务上有多种应用场景,与业务的关系是牵一发而动全身的

过了跑马圈地的时代,移动互联网的下半场,要做“精细化运营”并不是一句简单的口号,而是要能真正的从行业需求着手,并解决实际的业务问题。

本文由 @小杰运营哇 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。