数据中台如何建立标签体系？3000字干货分享( 二 )

标签体系架构可以分为三个部分：数据加工层，数据服务层，数据应用层。每个层面面向的用户不一样，处理事务有所不同。层级越往下，与业务的耦合度就越小。层级越往上，业务关联性就越强。
以某电商公司为例

数据加工层。数据加工层收集，清洗和提取处理数据。 M公司有多个产品线：电商交易，电子书阅读，金融支付，智能硬件等等。每个产品线的业务数据又是分属在不同位置。为了搭建完善的用户标签体系，需要尽可能汇总最大范围内的数据。同时每个产品线的也要集合所有端的数据，比如：App ， web ，微信，其它第三方合作渠道。
收集了所有数据之后，需要经过清洗：去重，去刷单数据，去无效数据，去异常数据等等。然后再是提取特征数据，这部分就要根据产品和运营人员提出的业务数据要求来做就好。
数据业务层。数据加工层为业务层提供数据原材料。业务层属于公共资源层，并不归属某个产品或业务线。它主要是用来维护整个标签体系，集中在一个地方来进行管理。
在这一层，运营人员和产品能够参与进来，提出业务要求：将原材料进行切割。主要完成以下核心任务：
定义业务方需要的标签。创建标签实例。执行业务标签实例，提供相应数据。数据应用层。应用层的任务是赋予产品和运营人员标签的工具能力，聚合业务数据，转化为用户的枪火弹药，提供数据应用服务。
业务方能够根据自己的需求来使用，共享业务标签，但彼此业务又互不影响。实践中可应用到以下几块：
智能营销Feed流推荐个性化消息push

标签体系的设计
1.业务梳理
以业务需求为导向，可以按下面的思路来梳理标签体系：
有哪些产品线？产品线有哪些来源渠道？一一列出。每个产品线有哪些业务对象？比如用户，商品。最后再根据对象聚合业务，每个对象涉及哪些业务？每个业务下哪些业务数据和用户行为？结果类似如下：

2.标签分类
按业务需求梳理了业务数据后，可以继续按照业务产出对象的属性来进行分类，主要目的：
方便管理标签，便于维护和扩展。结构清晰，展示标签之间的关联关系。为标签建模提供子集。方便独立计算某个标签下的属性偏好或者权重。梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在四级比较合适，方便管理，到了第四级就是具体的标签实例。

3.标签的模型
按数据的实效性来看，标签可分为
静态属性标签。长期甚至永远都不会发生改变。比如性别，出生日期，这些数据都是既定的事实，几乎不会改变。动态属性标签。存在有效期，需要定期地更新，保证标签的有效性。比如用户的购买力，用户的活跃情况。从数据提取维度来看，标签数据又可以分为类型。
事实标签。既定事实，从原始数据中提取。比如通过用户设置获取性别，通过实名认证获取生日，星座等信息。模型标签。没有对应数据，需要定义规则，建立模型来计算得出标签实例。比如支付偏好度。预测标签。参考已有事实数据，来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似，使用协同过滤算法，预测用户a也会喜欢某件物品。