标签|初识画像标签，及突破低调用壁垒的实践涡轮增压|思维方式|角色|需求

编辑导语：你了解什么是画像标签吗？借助画像标签，我们可以对用户特征有更加明确的了解，并对自身产品的目标用户人群有更加清晰的定位。那么，当画像标签遇到无法突破圈层壁垒的场景时，应该如何进行优化？本文作者做了相应解读，一起来看一下吧。

文章插图
这节课梁宁继续讲的是产品“系统能力”模块里的迭代内容，不同于上节课内容强调整体迭代的连贯性、规范性，本节课强调的是迭代的内核，她在本文提及到的重点是：
从一个最好的内核开始，一个一个动作地持续迭代和一次一次微小的选择，就会成就你的产品以及你的人生。
这节课留的课后作业是：

微信红包这样的产品都有好几个月的时间无法突破圈层壁垒，你的产品有没有遇到过这样的情况？你是怎么做的呢？
你的人生产品，你准备怎么迭代呢？

今天我就来完成梁宁留的第一个题目的作业，在之前文章介绍自己的项目时，我用几个篇幅介绍了 BI 可视化系统的文章，这次咱们来介绍画像相关的内容。在描述我们的画像标签遇到无法突破圈层壁垒的场景前，我们先初步认识一下什么是画像标签？
一、画像标签的基础知识先看一个故事：某男性服装品牌想在微信朋友圈投放广告，考虑到成本和有效触达率，企业该如何配置广告的触达人群呢？
如果全量用户投放，微信10多亿用户如果完全投放那肯定是相当高的费用，且转化率肯定也不佳，那我们就要考虑在成本可控范围的目标人群投放，作为一个男性服装该如何定位自己的目标人群呢？
1. 画像标签的定义企业可以基于产品定位和历史销售数据等进行挖掘提炼，假设目标人群是人均消费在800~1000元（价格偏好）左右的25~35岁（年龄）男性（性别）用户，那在广告投放时，选择的标签有“价格偏好、年龄、性别”，再设置相应的值即可。
这里的“价格偏好、年龄、性别”就是画像标签：即能够对实体（以电商行业为例，这里的实体包括用户、商品等）的特征进行概括性描述的数据。
其中用户的特征包括基础属性、兴趣特征、行为特征、社会属性等，而画像标签数据又分为两部分，与普通的数据字段一样：包括标签（字段）名称和标签值两部分。
就拿开头的例子来说，“性别”就是一个画像标签字段，其标签值包括“男、女、未知”，写到这里肯定有朋友会有疑问，为什么会有“未知”的标签值？接下来我们要学习另外一个内容：画像标签类型。
2. 画像标签的类型【 标签|初识画像标签，及突破低调用壁垒的实践】画像标签类型包括两大类：统计类标签和算法类（或预测类），其中统计类标签又分为规则类和非规则类，规则类标签，顾名思义就是需要通过一定规则进行统计聚合后得到标签。而非规则类标签，即我们可以直接通过相关字段直接采集数据而得到的标签。
我们以音频行业的“最大专辑类型偏好”为例，其规则就是统计近30天播放量（时长）最大的专辑类型。而“最后登录城市”我们可以通过用户最后一次 sesion （用户与设备的一次会话）中的 city 字段直接获取城市数据，也就是对应的标签值。
而算法类标签，则是通过训练数据不断学习，形成预测模型，当数据输入经过模型判断后，就可以输出相应的标签值。
假设平台不强制用户绑定身份证信息，那么“性别”标签的获取就需要依赖算法去判断，下图以“性别”标签为例，其生产过程如下图所示：

文章插图
特别注意，算法的模型预测是需要有一定的数据体量，如果用户只播放过很少的内容或从未播放，模型是无法确定用户在“男、女”中哪个值的可能性更大，这时候就无法预测到性别，所以就有前面“未知”值。
二、画像标签低调用的突破在之前接管画像标签的相关工作后，摆在面前的首要问题是：全站近400个画像标签的调用次数呈现马太效应，即多集中在50个标签的使用中。面对这个问题，我们首先对算法类标签的准确率、覆盖率等进行了排查，发现80%以上的标签是和这50个标签的指标范围一致，可以直接给业务方使用。
既然标签可用，那为什么没有人去使用呢？我怀着这样的疑问对各事业部的业务方展开了调研，终于找到了问题：原来大家不知道这些画像标签能不能用？以及不知道该如何使用？