大数据客户标签管理系统

TagWorks for User

*标签的申请，创建，应用，评估，退役需要系统工具支持

*地区公司没有系统级参与，只能随时提出，随意添加

*大标签池，依靠人为分类管理。*单个标签，需要组

合标签的工具和能力

*补充增加标签业务

属性分类及权重

*各个标签之间需要

建立关联关系管理

*以目前的数据源，

再扩展新的标签已经

很难

*内部的其他系统数

据需要整合，多数据

源管理缺乏工具

*外部数据需要补充

*数据资产/成果资产的管理缺少规划及工具支撑

*跨系统客户识别和拉通。

*目前的客户标签分

析以离线数据处理为

主，缺乏实时处理能

力

*需要增加客户线上

行为的数据采集和分

析，以更全面认知客

户

*报表为主，简单展

现，展现内容松散

*缺乏针对性的业务

解读和分析

*客户标签和营销行

动之间缺乏联结

从数据资产管理的角度管理标签

模型、算法

标签需求

标签定义标签生成标签管理

客户信息

客群画像特征分析报表展现

地区公司工作台

营销平台

数据管理平台

CRM 数据关联数据

第三方数据

营销执行客户服务第三方合作

百分点客户标签管理系统，为企业解决数据资产管理问题

标签与业务高度融合，业务含义，业务权重，业务应用全面跨系统的客户识别和客户ID拉通识别同一客户在不同系统的信息贯穿标签资产的生产、应用，评估，价值分析，退役全过程

不只着眼于企业内部数据，全面分析和认知客户的全视角特性

标签是数据分析凝炼后形成的“数据资产”精华

标签是将繁复的数据高度提炼，形成可应用的数据资产

•源于本体论

•多源异构数据凝炼，结构清晰

•完整标签体系，不同语境，不同含义

•大数据分析建模算法工具产出标签及其权重

•易于组合，方便存储

用户画像是真实用户的虚拟代表,是标签集合的呈现

产品画像是产品在不同维度，不同场景的价值呈现

加油站画像是周边环境的适应要素的呈现

基于业务场景，对标签全流程，全生命周

期管理。企业可以对用户标签的定义，创

建，使用，业务价值评估，业务退役等环

节图形化管理。企业数据资产一目了然。数据整合标签建模标签生产场景应用

全数据归集于一个数据资产平台

整合企业内部、外部数据，基于海量用户特征的挖掘技术

构建企业全维度用户标签，形成企业360°用户画像

完善的数据管理及输出流程，无缝支撑各类数据应用

多源异构数据采集及整合能力，生产企业自有业务标签

接入第三方标签，整合建立企业标签体系

标签生产应用全过程监控审计管理

输出完整用户画像，支持应用扩展

数据计算处理

企业业务数据

线上行为数据

互联网抓取数据

客户服务数据

多源数据采集

清洗整合算法标签生产搜索引擎分布式高速列式存储可视化操作平台

创建标签标签管理系统产品架构

存储查询机器学习标签体系存储整合元数据

创建标签

生产标签

标签任务

人群标签

标签筛选

标签输出

标签输出

价值分析

标签价值

标签生命过程管理申请审批开发发布可视化展示

标签体系人群图谱单用户画像

人群特征群用户画像

建模第三方标签数据

多种业务多种数据源

人口属性基本信息行为特征营销偏好

消费特征

地区特征

油非特征

社交图谱

标签审批管理标签开发&发布

用户群管理

价值分析

生成一方标签

第三方补充

优化标签体系

数据输出

精准用户分类

应用拓展

业务标签体系定义

标签应用

标签生产应用全过程

标签原料：数据源

•多源异构数据接入

•实现各级业务系统的基础数据的统一规范化管理•数据技术规范统一

•标准化整理、存储

•关系明确的数据管理

行为

数据

业务

数据

爬虫

数据

建模

清

洗

结构

化

实时

计算

离线

计算

用户特征

标

签

体

系

场景特征

产品特征

单一用户画像

单一标签用户

自定义群画像

分

布

式

大

数

据

系

统

自定义特征

用

户

画

像

大数据处理模块

实时营销

互动营销

个性化推荐

实

时

互

动

多数据源能力及模型能力

用户画像模型

•基于用户兴趣爱好

个性化推荐素材、推送消息

扩展用户群体, 识别潜在用户群体，针对扩展用户进行推荐•基于用户行为偏好

识别最有价值用户、浏览/购买/下载高频次用户

确定用户浏览/购买/下载周期，筛选可营销用户，进行素材推送•预估用户效用函数，

识别影响用户选择应用的一系列可能变量（营销变量、用户自身变量等）

用户管理模型

•用户价值分析•用户营销管理•流失情况分析•唤醒沉默用户

•

分析用户一切与时间有关的选择和行为。包括用户流失、用户再次浏览/购买/下载时间等。了解用户行为背后的影响因素

•

用户评论、留言等文本信息分析，以精炼方式及时捕捉用户真实意见及话题

•准确计算时间、场景、行为类别等因素对标签准确度影响权重

•

拒绝经验主义，通过价值分布算法呈现数据中真实的用户特征分布情况

•

利用搜索引擎技术，实时组合标签，快速定位人群，利用关键特征标签从海量数据中实时定位目标受众

•

标签生产过程中，根据样本变化及应用反馈意见，机器学习引擎自动调整规则参数进行算法及模型校准调优

•

真正实现应用越久、数据越丰富，标签越准确的效果

大数据分析算法

用户关系模型

快速查询、自动校准

因子分析（FA ）

聚类分析（FA ）

用户选择模型

用户终身价值（CLV ）

用户关系管理（RFM ）

用户流失预警

生存分析模型（Survival Analysis ）

搜索引擎

机器学习引擎

社会网络分析（SNA ）

时间衰减算法

价值分布

文本挖掘模型

自然语言模型

主题分析模型

标签云

•识别用户的关系网络•发展领导者和潜在用户•找到意见领袖•

扩展营销范围

回归分析

贝叶斯估计

神经网络

决策树

时间序列分

析Model base