标签质量评估功能对投放场景的作用

在目前的服装电商领域，由于大码人群市场增长价值较大，券投放场景的目标人群筛选会考虑大码人群。当如何准确地将优惠券投放给目标人群，从而提高优惠券的使用率，达到销量提升的效果是营销人员最常思考的一大问题。本文以大码服装优惠券为例，从投放场景到标签质量评估功能的设计及作用进行了详细分析。推荐电商营销朋友们阅读分享～

一、大码人群券投放场景

券投放场景是在优惠券生成后对用户进行投放的场景。由于服装电商APP的使用人群是多样化，如果对所有用户直接发放同样的优惠券，可能出现用户收到券后因没有需求而不使用，导致优惠券使用率低的问题出现，从而影响券带来的销量提升效果。因为本来用户为了达到券使用门槛要增加商品的购买数量，但现在用户没有需求去使用，那商品下单量就没有明显增多。

基于提高券使用率的需求，服装电商的营销人员需要采取人群圈选等策略进行有争对性的投放。人群圈选策略是营销人员从全量用户中基于不同用户属性，比如品类偏好，性别等，筛选出一批有明显特点的用户群体。比如营销人员通过女性和短裙偏好的2个用户属性圈选出短裙偏好女性人群。区别于全量用户投放，基于策略圈选出人群进行投放能更好提升券和人群需求匹配度，促使人群有兴趣使用券去消费，实现券使用率的提升。

目前在服装电商领域，由于大码人群市场增长价值较大，券投放场景的目标人群筛选会考虑大码人群。据全球零售智库Coresight Research统计，2020年美国大码服装市场规模增长到240亿美元，年增长率约为服装市场总增长率的两倍，而2020年中国大码服装市场的价值则高达109亿美元。可见大码人群服装市场对服装电商APP的收入增长是个非常好的挖掘点。

大码人群券投放场景是指在服装电商APP优惠券生成后的环境下，为了提高券使用率，营销人员需要准确筛选出大码品类偏好人群，对其投放大码品类优惠券。这不仅满足该类人群对大码商品的下单需求，而且能避免对无大码偏好人群投放带来不好的用户体验。比如自身不胖且不用穿大码的人群因收到大码优惠券后感到迷惑和不解。

因此，为了准确圈选出大码偏好人群，圈人依赖的高质量标签显的格外重要。高质量标签指能正确识别目标人群并且识别人数较多的标签。标签质量越好，大码人群圈选就越准确，投放后券使用率也越高。

而标签质量评估功能可以解决营销人员缺乏高质量标签评估体系的问题。该功能从标签准确度，标签覆盖率，标签非空率等多维度指标对标签质量进行全面评估，帮助营销人员筛选出哪些是高质量标签并且用于大码人群圈选投放，从而实现优惠券使用率的提升。

二、标签质量评估功能设计缘由

标签质量评估功能设计初衷是解决营销人员缺乏高质量标签评估体系影响圈人准确度的问题。该功能提供用户一个完整可视化的标签质量分析报告。从标签准确度，标签覆盖率，标签非空率等维度，用户可以在圈人投放前清晰了解所选标签的质量情况。如果关键指标准确率和覆盖率达到70%以上，那该标签则评估为高质量标签，从而帮助营销人员筛选出好标签并用于准确圈人。

大码人群标签指喜欢大码品类的用户会被打上标记。因为大码品类点击次数和下单次数大小能直接反馈出用户对大码品类的喜爱程度。用户愿意对大码品类下单次数越多，表明其对该品类偏好越大。因此，大码人群标签的打标规则是赋予大码品类累计点击次数和大码品类累计下单次数等用户行为的不同权重，计算出每个用户大码偏好分数，如果分数大于某个阀值的用户就标记为大码人群。

券使用率低的原因是收到券用户不是目标用户，用户对优惠商品没有需求就没有欲望去使用券。而大码品类优惠券投放的目标用户是大码人群，目的是满足大码偏好用户下单有优惠的需求，吸引其使用券购买大码商品。如果准确圈出大码人群投放，匹配该类人群下单需求，就能提升券使用率。

因此，为了提升圈人准确性，大码人群标签需要借助标签质量评估功能，从分类用户是否是大码人群准确性等多维度，检查标签是否可用。

三、标签质量评估功能作用

大码人群标签规则是基于大码品类点击次数和客单价等用户行为来识别用户是否属于大码人群。而标签规则的有效性指规则是否将用户正确区分为大码人群。标签规则有效性低就会出现非大码用户被误判为大码人群，该类用户即使收到大码优惠券，由于无需求而不会选择下单，导致券使用率低。

为了评估标签规则的有效性，标签质量评估功能将规则中不同用户行为与历史订单的数据分布进行对比分析，判别两者之间的相关性。两者分布越相似，相关性越强，证明标签规则有效性越高。评估规则有效性过程有两个步骤，如下。

1. 单维用户行为分布分析

首先标签质量评估功能将规则中大码品类点击次数与历史订单的数据分布图进行比较。由于大码人群在消费行为中更偏好大码商品，其历史订单数量分布更多集中在大码品类上。如果在分布对比图中，大码品类点击次数越多，大码下单也越多，两者分布相似，那说明该大码品类点击次数与大码人群历史订单行为有相关性。

相反，如果大码品类点击次数越多，但大码下单无增多甚至越少的趋势，那说明大码品类点击次数与大码人群历史订单行为无相关性。基于分布趋势对比图和上述相关性判断规则，评估功能可以分析大码品类点击次数对大码人群分类规则是否有效。有相关性说明大码品类点击次数可以作为区分大码人群的规则条件。

最终评估功能发现大码品类点击次数越高，大码下单也较多，说明大码品类点击次数和大码人群历史订单行为有相关性。但分布图中也出现大码品类点击次数低而大码订单较高的情况，这时需要拿其他用户行为与历史订单分布做对比，分析是否还有其他用户行为对大码人群识别存在影响。

2. 多维用户行为分布对比

如果大码品类点击次数分布不能完全遵循历史订单分布，需选择大码品类客单价进一步分析是否同样能影响用户下单大码。基于分布趋势图和上段提到的相关性判断规则，评估功能分析大码品类客单价对大码人群分类规则是否也有效。有相关性说明大码品类客单价同样可以作为区分大码人群的其中一个规则条件。

最终评估功能发现大码品类客单价有较大影响。大码品类点击次数低，但大码品类客单价高，该类人群历史订单中大码品类占比也较高，从而验证出标签规则需要同时考虑大码品类点击数和大码品类客单价两个用户行为，才能保证大码人群标签规则的有效性。

四、总结

在大码人群的券投放场景中，标签质量评估功能解决了券使用率低的问题。基于标签质量评估功能提供的分布对比图和相关性判别规则，营销人员就能识别出大码品类点击次数等用户行为是否对标签分类规则有效，从而评估该标签规则是否能有效区分出大码人群。这样，在基于大码人群标签圈人投放时，就能命中更多大码人群以及满足其使用券的需求，实现券使用率提升。

 

本文由 @俊峰 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 unsplash，基于 CC0 协议