【標簽畫(huà)像系列】標簽加工與落庫

編輯導語(yǔ)：標簽加工與落庫是標簽體系完成后重要的步驟，本篇文章作者分享了標簽加工與落庫過(guò)程中需要關(guān)注的注意點(diǎn)，講述了不同標簽的加工內容以及標簽的更新與落庫等內容，一起來(lái)學(xué)習一下吧，希望對你有幫助。

在標簽生命周期流程中，標簽體系設計完成后，便進(jìn)入標簽加工與上線(xiàn)運行階段，一般來(lái)說(shuō)數據開(kāi)發(fā)團隊會(huì )主導此過(guò)程，但我們需要關(guān)心以下幾個(gè)問(wèn)題：

標簽如何快速創(chuàng )建和實(shí)現標簽邏輯的在線(xiàn)化管理；

業(yè)務(wù)人員怎么參與到標簽建設流程中；

百級別的標簽如何落表。

一、加工方式：傳統 VS 在線(xiàn)

當企業(yè)無(wú)標簽系統時(shí)，一般由數據開(kāi)發(fā)在離線(xiàn)數倉中完成標簽加工和運行，運營(yíng)或市場(chǎng)同學(xué)需要某個(gè)標簽需要通過(guò)產(chǎn)品經(jīng)理向數據開(kāi)發(fā)提需求，這個(gè)過(guò)程存在很多問(wèn)題：

標簽資產(chǎn)不可見(jiàn)：標簽是存在于表里的字段，業(yè)務(wù)人員不清楚現在有多少標簽；標簽的加工邏輯與業(yè)務(wù)邏輯是否一致只能查看SQL代碼；新上線(xiàn)的標簽只有部分人知道，標簽價(jià)值散發(fā)慢等。

標簽資產(chǎn)不可管：加工好的標簽，有多少在真正被使用，有多少沒(méi)人用，完全黑盒，不用的標簽每天繼續運行浪費計算與存儲資源。

標簽加工效率低：當業(yè)務(wù)人員需要某個(gè)簡(jiǎn)單標簽時(shí)，也需要提交需求給數據開(kāi)發(fā)，加工到上線(xiàn)基本需要2-*天流程。

基于以上這些問(wèn)題，標簽在線(xiàn)化創(chuàng )建與管理顯得尤為重要，在線(xiàn)化主要包含以下內容：

標簽在線(xiàn)化加工；

標簽在線(xiàn)化管理；

標簽在線(xiàn)化更新。

其讓標簽加工過(guò)程、有哪些標簽變得透明，業(yè)務(wù)人員也可以參與進(jìn)標簽建設的流程中。

二、各類(lèi)型標簽加工

標簽類(lèi)型的區分在此處便不再贅述了。在袋鼠云智能標簽產(chǎn)品中，我們按照標簽加工邏輯，將標簽分為下文類(lèi)型，各類(lèi)型標簽的加工層次如下圖：

接下來(lái)，我們看下具體各類(lèi)型標簽的加工吧。

1. 原子標簽

該類(lèi)標簽由數據開(kāi)發(fā)在數倉加工中完成，一般基于數倉DWD、DWS層的明細表與匯總表加工而來(lái)，處理邏輯較為復雜，同時(shí)維表中的一些字段也可以作為原子標簽。這類(lèi)標簽一般包含哪些內容呢？

比如建立用戶(hù)的標簽體系，會(huì )包含：

用戶(hù)維表中的用戶(hù)基礎屬性：性別、年齡、置業(yè)、會(huì )員等級、手機號、身份證號等信息，一般用戶(hù)系統會(huì )有該類(lèi)信息。

基于交易表加工的交易指標：最近*0天購買(mǎi)次數、最近*0天交易金額、最近*天購買(mǎi)次數、最近*天交易金額。這部分標簽也建議放在數倉中實(shí)現，有以下幾點(diǎn)原因。

因為其本身也是一個(gè)指標，除后續作為標簽進(jìn)行畫(huà)像分析外，也常用于在數據門(mén)戶(hù)、BI報表中分析，可作為對外服務(wù)的指標放在A(yíng)DS層中，并且市場(chǎng)上也會(huì )有專(zhuān)門(mén)指標管理的產(chǎn)品，來(lái)實(shí)現該指標的加工。

這類(lèi)標簽若屬于同一個(gè)統計維度（如都計算最近*天），數據開(kāi)發(fā)可以在一個(gè)SQL片段中計算多個(gè)標簽，節約計算成本。

若業(yè)務(wù)人員直接基于DWS層的輕度匯總表（每天匯總的交易次數、交易金額）、或DWD層的明細表（每條交易記錄一行數據）來(lái)加工最近*0天購買(mǎi)次數這個(gè)標簽，需要針對對應的字段進(jìn)行求和，稍微涉及到一點(diǎn)SQL理解，有一點(diǎn)難度。

故該類(lèi)使用場(chǎng)景多、對于業(yè)務(wù)人員有計算難度，可在數倉中合并加工降低成本的標簽，可在數倉中作為原子標簽加工。

基于行為表加工的行為指標：可經(jīng)過(guò)數倉加工成如下表格式，加工行為類(lèi)的標簽，便于后續業(yè)務(wù)人員去衍生。

原子標簽在數倉加工好后，可導入到標簽系統中，進(jìn)行在線(xiàn)化管理。

2. 規則標簽

該類(lèi)標簽配置可由數據開(kāi)發(fā)或數據分析師來(lái)完成，可基于單張表或關(guān)聯(lián)表中的字段進(jìn)行在線(xiàn)化加工，可設置統計周期、數據過(guò)濾條件，其內置常用的聚合函數（求和、均值、計數、去重技術(shù)、最大值、最小值等）、操作符（大于、小于、區間、有值、無(wú)值、包含等），通過(guò)規則化的在線(xiàn)配置完成標簽加工。配置界面如以下：

根據上面的描述，該類(lèi)標簽可以將指標的類(lèi)型的標簽在數倉或指標平臺加工好，導入至標簽平臺作為原子標簽，再基于這些原子標簽取操作符更好。但在實(shí)際場(chǎng)景中，基于不同考慮，有的客戶(hù)也會(huì )在標簽平臺直接加工此類(lèi)型標簽，如以下場(chǎng)景：

數倉無(wú)對應的基礎標簽，但業(yè)務(wù)人員很著(zhù)急需要該標簽某標簽，走正常的排期、數倉加工、測試，上線(xiàn)到使用基本2天以上了，基于這種情況可以通過(guò)該類(lèi)標簽在標簽系統直接配置，*分鐘即可配置、更新完成，業(yè)務(wù)人員便可以使用了；

客戶(hù)方想把標簽的加工邏輯在線(xiàn)化呈現、方便查找與追溯，通過(guò)可視化的方式在線(xiàn)配置。

*. SQL標簽

SQL標簽主要數據開(kāi)發(fā)、數據分析師使用，主要解決通過(guò)規則標簽無(wú)法表達的邏輯，如用到排序函數、字符轉化函數、子查詢(xún)等內容?？梢酝ㄟ^(guò)標準SQL語(yǔ)法靈活完成標簽加工。

4. 模型標簽

模型標簽可由業(yè)務(wù)人員創(chuàng )建。系統集成常見(jiàn)的用戶(hù)分層RFM模型，用戶(hù)營(yíng)銷(xiāo)AIPL模型、用戶(hù)生命周期模型，用戶(hù)輸入對應的指標值區間，便可定義對應的標簽值。

以RFM模型舉例，基于該模型生成“客戶(hù)價(jià)值”標簽?？苫谧罱淮钨徺I(mǎi)時(shí)間、最近一年消費金額、最近一年消費頻率等幾個(gè)原子標簽，進(jìn)行不同區間的取值，給用戶(hù)打上“重要價(jià)值客戶(hù)”、“重要發(fā)展客戶(hù)”、“重要發(fā)展客戶(hù)”、“重要挽留客戶(hù)”等。

*. 組合標簽

模型標簽可由業(yè)務(wù)人員創(chuàng )建?；谝焉傻脑?、規則、SQL、模型標簽等，進(jìn)行規則衍生，生成組合標簽。如組合標簽“高收入低購買(mǎi)”用戶(hù)，可通過(guò)“收入水平”衍生標簽，與“最近*年消費金額區間”衍生標簽組合加工，如下圖：

6. 自定義標簽

自定義標簽可由業(yè)務(wù)人員創(chuàng )建。手動(dòng)為某些用戶(hù)打上標簽，該類(lèi)標簽手動(dòng)導入，常見(jiàn)場(chǎng)景如下：

客服人員和用戶(hù)ID為1001的用戶(hù)溝通后，給該用戶(hù)打上”性格：溫和、有耐心”標簽。

如監管機構提供的一些信貸黑名單用戶(hù)，該類(lèi)標簽可直接導入進(jìn)標簽系統，為用戶(hù)打上新的標簽。

*. 算法標簽

算法標簽由算法開(kāi)發(fā)同學(xué)創(chuàng )建，該類(lèi)標簽可在算法平臺完成，將算好的結果存儲至Hive表中，標簽系統可獲取算法標簽的元數據，拿到算法標簽的中文名、英文名，注冊至標簽系統中，在標簽系統中完成算法標簽的標簽信息查看、標簽查詢(xún)等。

如利用機器學(xué)習模型加工預測類(lèi)的算法標簽，如根據用戶(hù)的特征，預測哪些用戶(hù)是否即將流失，流失的概率等，從而在用戶(hù)流失之前做一些措施來(lái)挽留。

8. 實(shí)時(shí)標簽

實(shí)時(shí)標簽由數據開(kāi)發(fā)同學(xué)創(chuàng )建，該類(lèi)標簽可在流計算平臺完成，實(shí)時(shí)行為數據打入到kafka中，用FlinkSQL消費，再輸出到Kafka、或數據表中，下游直接訂閱或查詢(xún)。

三、標簽更新與落庫

標簽配置完成后，便需要進(jìn)行標簽更新與落庫，即將標簽打到對象（如用戶(hù)）的身上，這樣業(yè)務(wù)同學(xué)就可以根據標簽圈選目標群組啦。在此處我們需要說(shuō)明以下幾個(gè)問(wèn)題：

1. 技術(shù)選型

首先說(shuō)明一下標簽加工的技術(shù)選型，在袋鼠云智能標簽產(chǎn)品中我們用的 Trino（Presto）高性能分析引擎讀寫(xiě) Hive 表的方式，標簽表存儲在Hive中。主要有以下幾點(diǎn)原因：

隨著(zhù)國家對數字化轉型的支持，從金融、政府到小企業(yè)都在建設數倉，進(jìn)行數字化應用，在這個(gè)過(guò)程中，大多采用的是分布式的Hadoop系統作為計算存儲引擎（不論是開(kāi)源Hadoop，還是發(fā)行版的CDH、TDH、FusionInsight等），Hive表便是最常用的存儲形式。標簽是基于數倉模型搭建出來(lái)的，與數倉用同一種存儲可以節省存儲資源以及不用兩種存儲之間進(jìn)行數據交換。

而用Trino（Presto）的原因是其首先是一個(gè)分析型引擎，讀寫(xiě)速度均可；其次是其SQL語(yǔ)法完備、函數豐富、靈活，可以處理絕大多是業(yè)務(wù)場(chǎng)景的需求；并且支持跨庫同時(shí)讀取，如Trino可以同時(shí)取Hive與MySQL的數據進(jìn)行數據處理。

但沒(méi)有一種完美的技術(shù)選型，只能貼合企業(yè)自己的業(yè)務(wù)，選取最合適的技術(shù)。在這里我們就不分析各種標簽的技術(shù)選型了。

2. 落表方式

上面我們介紹了有各種類(lèi)型的標簽，標簽如何落表呢，大家看下面這個(gè)圖：

在業(yè)務(wù)場(chǎng)景中，存在有的標簽需要每天更新，如最近*0天消費金額區間。而有的標簽周更新、月更新即可，更新頻率不高，如活動(dòng)類(lèi)型偏好。

這樣，便需要支持每個(gè)標簽有不同的更新頻率，但hive2.x版本不支持單列更新，為了解決該問(wèn)題，我們將每個(gè)標簽先在臨時(shí)表存一下（就包含2列，1列用戶(hù)ID，1列標簽）該臨時(shí)表即建即用即刪，每個(gè)標簽只有一個(gè)臨時(shí)表（非分區表），每個(gè)標簽占用的占用不大，又能解決標簽更新周期不一致的問(wèn)題。

但如果后續的標簽圈群、群組畫(huà)像分析，我們基于這些單獨表的去做吉印通查詢(xún)，那效率會(huì )很低。

因為每個(gè)用營(yíng)銷(xiāo)活動(dòng)，我們需要*個(gè)標簽圈選出來(lái)一批人群，并查詢(xún)出這群人的性別、年齡、月消費、會(huì )員等級、是否活躍用戶(hù)等信息，加起來(lái)用到了10個(gè)標簽左右，會(huì )涉及到10個(gè)表的join操作，客戶(hù)集群資源不豐裕的情況，查詢(xún)速度慢。

所有我們便將多個(gè)臨時(shí)表通過(guò)聚合任務(wù)，將所有的臨時(shí)表join到一張標簽大寬表中，進(jìn)行固化，這張表是一個(gè)分區表，可以每天存儲一份全量用戶(hù)標簽信息，當然可以自行設置該表的更新周期與保存多少個(gè)分區。

這樣，業(yè)務(wù)人員進(jìn)行圈群和分析就可以一張表查詢(xún)數據，查詢(xún)效率大大提升。通過(guò)標簽跑批時(shí)間的消耗換取業(yè)務(wù)的查詢(xún)速度。

但會(huì )遇到有些企業(yè)標簽數量在*00-1000個(gè)之間，用戶(hù)量在千萬(wàn)、億級別，這樣的話(huà)，用一張表去存所有的標簽會(huì )遇到標簽大寬表跑批時(shí)間過(guò)長(cháng)或跑不出來(lái)的情況，所以便需要分表，可以根據標簽數量分表。

綜上，以上加工存儲方式，有缺點(diǎn)的地方便是大寬表加工時(shí)，需要join多個(gè)臨時(shí)表，消耗內存，跑批時(shí)間長(cháng)。

為解決該問(wèn)題，袋鼠云智能標簽產(chǎn)品在引入數據湖Iceberg進(jìn)行標簽表的存儲，其可以實(shí)現單列更新，每個(gè)標簽可以單獨更新，這樣，便不需要那些臨時(shí)表了，解決加工效率的問(wèn)題。

該篇講了標簽的加工與落庫，歡迎大家留言討論，也可以分享下自己見(jiàn)到一些好的標簽加工方式，我們共同進(jìn)步。

對了，業(yè)務(wù)人員怎么參與到標簽建設流程中，該問(wèn)題在【標簽畫(huà)像系列】標簽畫(huà)像建設方法論中有介紹過(guò)，可以去那里查看。

本文由 @木研 原創(chuàng )發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉載。

題圖來(lái)自 Unsplash，基于 CC0 協(xié)議。