数据分析-标签

浮生物语

1. 标签的分类
标签按照生成规则不同，可以分为统计类标签、预测类标签。
统计类标签只需要利用现有的数据，通过简单的逻辑计算，即可得到。统计类标签按照标签的内容又可以划分为基本属性标签、行为类标签。《大数据时代》的作者维克托·迈尔-舍恩伯格在其著作中说，大数据的简单算法比小数据的复杂算法更有效。统计类标签就是这种依托于大数据的简单算法的结果，在实际生产中，因其靠谱性，使用价值要比预测类标签更大。
预测类标签是基于统计类标签，在通过建模、预测算法实现标签值的预测。

2.  标签的选取
打标签就是通过归纳，提炼出一组附属于观测对象的属性值。标签的选取应以研究对象为出发点，从不同角度刻画对象的特征。
若观测的对象是非生物，则可能的标签值，包括：长、宽、高、质量、重量、密度、颜色等物理属性。
若观测的对象是植物，则可能的标签值，包括：名称、外形、光喜好、温度偏好、湿度偏好、酸碱度倾向、花期、花瓣数等植物自然属性。
若观测的对象是非人类的动物，则可能的标签值，包括：学名、分类、等级、性别、出生年月、身高、体重、血型等动物自然属性；而对于高等动物而言，还有相应的社会属性。
若观测对象是人，则可能的标签值，包括：姓名、性别、出生年月、身高、体重、血型、肤色等自然属性；也可能包括：语言、种族、教育程度、收入水平、常驻地、工作单位身价、人脉资源等社会属性；同时可能包括：、兴趣爱好、价格偏好、产品偏好、价值偏好等心理属性。

3. 标签的价值
以客户画像中的标签使用为例，探讨标签的价值。企业在进行客户关系管理、精准营销活动时都离不开标签。客户被打了标签后，就可以按照标签值进行聚合、细分，为特定客户群的营销推广提供便利。除此之外，一些预测性标签可以帮助锁定高潜客户，减少营销人员的营销成本，可以提高转化率。

4.标签的特征
4.1. 概括性
标签具有高度的归纳与概括能力。所谓归纳与概括，就是求大同存小异。例如向他人介绍自己的朋友，举了朋友喜欢看的动漫、漫画、游戏以及cosplay等等，讲者话音未落，听者按耐不住自己激动的心情，做了个打住的手势，“哦，是个典型的二次元阿。”这就是标签与传统数据记录的区别。标签来源于基本的数据记录，是在基础数据之上的概括与抽象。
又比如，收银记录显示，客户A曾在过去6个月内光顾某服装店3次，每次购买的商品都属于高利类产品；而客户B在过去1年内光顾该服装店2次，一次购买了微利产品，一次购买了让利产品。我们可以根据A、B客户过去的消费记录给A贴一个标签“高价值客户”，给B也贴一个标签“低价值客户”。
4.2.时效性
在实际应用中，应根据实际场景制定标签值的更新策略。若是用于数据分析，标签可能只需要一次标注计算，后续更新即可。而用于平台端的标签则需要根据实际情况，采取定时或实时更新。比如，对于实时产生的用户行为日志数据，将触发相应标签值发生变更，则标签值也应实时计算、更新结果；而对于部分基本属性标签，在一段时间内是相对稳定的，则只需定时更新；除此之外，对于预测性标签值，也采取定时进行更新计算。