业务场景与标签建模：从业务目标出发，如何定义标签？

标签这东西，听起来简单，做起来坑不少。

我见过太多团队，一上来就拍脑袋：「用户性别、年龄、消费金额，先打上！」结果呢？标签建了一大堆，业务方用的时候发现——我要找「高价值流失风险用户」，你给我一堆「最近一次登录时间」？

说白了，标签不是拍出来的，是从业务场景里「长」出来的。

从业务目标出发：标签的源头在哪？

我个人习惯，做标签建模之前，先问三个问题：

  1. 业务要解决什么问题？（比如：提升复购率、降低流失率）
  2. 需要什么样的用户分群？（比如：高活跃但未付费的用户）
  3. 用什么指标来定义这个分群？（比如：近30天登录次数≥10次，但累计付费=0）

你看，标签的定义就自然出来了。不是先有标签，而是先有业务场景。

核心原则：标签是业务问题的「数据投影」。业务场景越清晰，标签定义越精准。

我在项目中遇到过，某电商团队想做「大促高转化用户」标签。一开始他们定义的是「历史大促消费金额>5000元」。结果上线后发现，这批用户在大促期间转化率反而下降了。为什么？因为「历史大促消费高」的用户，很多是「羊毛党」，专门等大促囤货，平时根本不买。后来我们把标签改成「近3个月有复购行为且客单价>200元」，效果才对了。

标签的四分类：事实、规则、模型、预测

标签怎么分？业界有个比较通用的分类法，我把它整理成一张表：

分类 定义 例子 更新频率
事实标签 直接从原始数据提取，不做加工 性别、注册时间、最近一次登录时间 实时/准实时
规则标签 基于业务规则，对事实进行组合或计算 高活跃用户（近7天登录≥5次）、沉睡用户（近30天未登录） 定时（T+1）
模型标签 通过统计模型或机器学习模型生成 用户价值评分（RFM模型）、用户生命周期阶段 定时（T+1/周）
预测标签 基于历史数据预测未来行为 流失概率、购买意向概率、下一笔消费金额预测 定时（周/月）

嗯，这里要注意：这四类标签不是互斥的，而是层层递进的关系。

事实标签：最基础，也最容易出错

事实标签就是「是什么」。比如用户的性别、年龄、注册渠道。听起来简单吧？但坑往往就在这里。

我曾经接手过一个项目，事实标签「用户性别」居然有30%的数据是「未知」。查了半天，原来是注册页面性别字段不是必填项。你想想看，一个基础标签质量都保证不了，后面的规则标签、模型标签能准吗？

避坑指南：事实标签的质量取决于源数据质量。在定义事实标签之前，先做数据探查（Data Profiling），确认字段的完整性、唯一性、一致性。我曾经因为没做这一步，导致整个标签体系重建了两次。

规则标签：业务经验的「硬编码」

规则标签是业务人员最熟悉的。比如：「高价值用户 = 近30天消费金额 > 5000元」。规则清晰，解释性强。

但规则标签有个问题——规则是静态的，业务是动态的。我见过一个案例，某平台定义「活跃用户 = 近7天登录≥3次」。这个规则用了两年没变过。后来产品改版，用户登录频率整体下降了30%，这个标签就失效了。

所以我的建议是：规则标签要定期review，至少每季度一次。规则不是写死的，是要跟着业务跑的。

模型标签：从「拍脑袋」到「算出来」

模型标签是用算法算出来的。最经典的就是RFM模型——最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）。

举个例子，我们可以用RFM给用户打分：

-- 假设我们有一个用户交易表 user_transactions
-- 计算每个用户的RFM分数

WITH rfm_raw AS (
  SELECT
    user_id,
    DATEDIFF('2024-01-01', MAX(transaction_date)) AS recency,
    COUNT(DISTINCT transaction_id) AS frequency,
    SUM(amount) AS monetary
  FROM user_transactions
  WHERE transaction_date >= '2023-01-01'
  GROUP BY user_id
),
rfm_score AS (
  SELECT
    user_id,
    NTILE(5) OVER (ORDER BY recency ASC) AS r_score,  -- 越近分数越高
    NTILE(5) OVER (ORDER BY frequency DESC) AS f_score,
    NTILE(5) OVER (ORDER BY monetary DESC) AS m_score
  FROM rfm_raw
)
SELECT
  user_id,
  CONCAT(r_score, f_score, m_score) AS rfm_code,
  CASE
    WHEN r_score >= 4 AND f_score >= 4 AND m_score >= 4 THEN '高价值用户'
    WHEN r_score >= 3 AND f_score >= 3 AND m_score >= 3 THEN '中价值用户'
    ELSE '低价值用户'
  END AS user_segment
FROM rfm_score;

模型标签的好处是客观、可量化。但坏处是——业务人员可能看不懂。所以我在项目中，一般会给模型标签配一个「业务解释文档」，把算法逻辑翻译成业务语言。

预测标签：面向未来的「水晶球」

预测标签是最高级的，也是最难做的。它要回答的是「将来会怎样」。

比如：这个用户下个月流失的概率是多少？他会不会买这个商品？

我做过一个流失预测标签，用的是逻辑回归模型。特征包括：近7天登录次数、近30天消费金额、客服投诉次数、最近一次登录距今天数。模型输出一个0-1的概率值，我们把它映射成「高流失风险」「中流失风险」「低流失风险」三个等级。

小技巧：预测标签的阈值设定，一定要和业务方一起定。不是模型说概率>0.7就是高风险，要看业务能承受的误判成本。我曾经把阈值从0.5调到0.8，虽然召回率降了，但精准率从60%升到85%，业务方反而更满意了。

一张图看懂标签分类体系

我把这四类标签的关系画了张图，方便你理解：

标签分类体系与递进关系 事实标签 直接从原始数据提取，不做加工 例：性别、注册时间、最近一次登录时间 规则标签 基于业务规则，对事实进行组合或计算 例：高活跃用户（近7天登录≥5次） 模型标签 通过统计模型或机器学习模型生成 例：用户价值评分（RFM模型） 预测标签 基于历史数据预测未来行为 例：流失概率、购买意向概率 递进关系 复杂度↑ 时效性↓ 解释性↓ 价值↑ 事实标签 是基础 预测标签 是目标

怎么选？一个简单的决策框架

你可能会问：那我到底该用哪种标签？

我一般用这个框架来判断：

  • 业务规则清晰、数据充分 → 用规则标签，简单直接
  • 需要综合多个维度、人工规则太复杂 → 用模型标签，比如RFM
  • 需要预判未来、做前置干预 → 用预测标签，比如流失预警
  • 只是记录事实、不做判断 → 用事实标签，比如注册时间

我的经验：80%的业务场景，用「事实标签 + 规则标签」就能解决。不要一上来就上模型，成本高、周期长、解释难。先跑通基础标签，再逐步升级。

好了，标签的分类和定义方法，大概就是这些。记住一句话：标签不是目的，解决业务问题才是。从业务场景出发，选择最合适的标签类型，这才是标签建模的正确姿势。

← 上一章 📖 返回目录 下一章 →