【用户标签数据——用户偏好兴趣类标签，如何计算？】“ 用户偏好类标签，是标签应用比较广泛的标签之一 。”
关于标签画像，也分享过比较多的内容了 。之前都是集中在外围，今天针对标签的具体计算逻辑进行一些分享 。本期分享一下“用户兴趣偏好”标签的计算方法 。
01 什么是兴趣偏好类标签首先，什么是兴趣偏好呢？
其实从字面意义上，比较容易理解：我们以电商为例，就是某个用户对某个对象（这里的对象可以是商品、可以是品类等）是否有喜好 。
官方一点的定义：圈定某兴趣涉及的对象，根据消费者与该兴趣对象的互动情况，判断消费者对某一兴趣的爱好程度 。
举个例子，想看看用户对于“体育运动”类目是不是有偏好 。
有朋友会问，这标签计算不是太容易了么，直接把这个用户历史上所有的购买记录，拿出来，分类目统计一下不同类目的成交情况，看看体育运动类目的成交多不多，不就完了 。
逻辑是没问题，但是忽略了很多场景：比如用户天天浏览体育运动相关的类目，但成交量不大，是不是也说明对该类目有偏好呢？而这种偏好的计算，往往比成交的偏好更有营销价值，也更全面 。
那如何进行兴趣偏好标签的计算呢？
02 兴趣偏好标签的计算先看计算逻辑总体概览，主要分为了三部分：互动行为、互动深度、权重 。我们这里的兴趣偏好，以用户偏好哪个一级品类为例，进行展开 。
文章插图
（1）互动行为
这部分是确定有哪些用户行为要纳入到兴趣标签的计算中 。
通常在电商中，使用的比较多的就是：浏览、加购、下单 。有这些行为，往往反映出用户对该品类有较强的兴趣 。
另外，搜索行为也是很能反映用户偏好的，但由于搜索词涉及大量NLP的内容，在做标签的计算中，比较耗时费力，在精度要求没有那么高的时候，可以先不考虑搜索行为 。
（2）互动深度
所谓的互动深度，指的是用户在每种互动行为下，有哪些具体的内容可以衡量用户行为的深度情况 。
不然容易出现这种情况：用户只是对某个类目下的某个商品有超强偏好，但是最终计算结果却是该用户对整个类目都有兴趣 。用互动深度，能降低异常情况带来的影响 。
我们这里举的例子，使用了三个指标来反映用户的行为深度：设计三级类目数、涉及sku数、购买件数 。
（3）权重设置
权重部分很重要 。这是为了将不同行为对最终结果的贡献，进行合理差异化 。
也比较容易理解，肯定是下单说明用户更感兴趣嘛，毕竟能真掏钱的才是真爱 。所以在权重大小上，也是下单>加购>浏览 。
关于如何设置权重，后面有机会再分享 。
（4）综合得分
最后就是根据行为、深度、以及权重，综合计算偏好得分了 。
通常，计算之前会对数据进行一些标准化的处理，避免量纲对结果的影响 。
基于得分，进行阈值的划分，可以划分出不同的偏好程度 。
以上是关于人群兴趣偏好标签的分享 。关于其他类型标签的计算，敬请期待
-END-
推荐阅读
- 系统的聊一聊产品的用户留存策略
- 一文说透用户留存：所有关于留存的精华内容都在这里了！
- 私域运营增长如何做好数据分析
- 如何通过用户分层，实现用户快速增长？
- 百万活跃天天在线 | 全案设计用户积分体系
- RFM模型在用户分层中的应用
- 京东GOAL模型：品牌用户数字化增长方法论及实践应用
- 如何建立自己的运营体系？以用户运营为例
- 如何了解你的用户？从精细化用户分层分群开始
- 私域用户破1000万，名创优品如何用私域撬动零售新增长杠杆？