![](https://bbs.dtwave.com/storage/article-editor/2019-06-21/5d0bc149f0f52.png)
**作者簡介：鐵叫獸，10年+資料相關經驗，曾在電信、阿里從事過DBA，數倉，解決方案，目前從事零售行業的解決方案。**

序言：是否碰到大量的人力投入基於流程管理的資訊化系統建設，也執行了好幾年了，同時大資料也熱了好幾年了，但企業IT部門還是無從下手，既不確信大資料是否可以真的帶來業務價值也不清楚從哪著手更容易推動大資料專案落地，本文就是透過“標籤”，一種基於具體業務場景但同時又是業務人員看的懂的資料的方式，幫助企業從點做起，循序漸進，讓大資料真正落地。

### 一、什麼是OLP

1.  什麼是OLP模型

OLP是Object-Link-Perperty的縮寫，Object代表業務場景中的實體，可以是“人”（如會員、零售商）也可以是“物”（如商品、店鋪）；Link 是代表業務場景中的“關係”，關係分為行為關係和事實關係，使用者“購買”商品，其中“購買”就是一種行為關係，貨架“屬於”門店，其中“屬於”是一種事實關係；而Perperty則代表實體和關係上的屬性，如“會員”（人）有年齡、手機號、性別等屬性，“門店”（物）有地址、所在城市等屬性，“購買”（關係）有支付時間，支付形式等屬性。

![](https://bbs.dtwave.com/storage/article-editor/2019-06-21/5d0bc152e6be1.png)!

企業往往可以根據自身業務系統的建設情況逐步完善OLP模型，它是識別大資料場景和標籤設計的基礎。

### 二、如何識別大資料場景

1.  什麼是大資料場景

大資料場景目前分兩類，一類是最佳化原來的業務流程，提高效率，變得更加智慧（如讓資訊推送變為“智慧”，做到個性化推送，從而提升ROI），第二類是創造新的業務流程，讓以前不敢嘗試的業務可以實現（如小額貸款，以前是因為風險無法得知從而不敢嘗試，透過採購商或零售商的資料化然後建模就可以逐步嘗試）。此篇文章中的大資料場景識別僅針對第一類情況。

2.  如何識別

既然是最佳化原來的業務流程，那就重點關注可以產生變化的“關係”（人和物無法改變），主要判斷OLP模型的“行為關係”看是否能從時間或空間維度用大資料的能力進行最佳化，如上圖中所描述的“購買”和“上架”行為關係。那“購買”是否是大資料場景，答案是“否”，因為從時間維度可以透過對商品透過RFID的技術做到無人門店從而改善使用者的購買效率，但所用技術並不是大資料範疇。但，是否讓“上架”變的更加智慧，答案是“是”，從時間維度，不同城市，不同門店型別，對於什麼商品什麼時間上架完全可以基於大資料的智慧決策，是可以幫助門店或零售商合理的安排庫存結構，同時還可以對“上架”進行空間維度的最佳化，如商品的擺放位置，具體這裡就不展開了。接下來我們讓上圖的OLP模型變的更加複雜一點。

![](https://bbs.dtwave.com/storage/article-editor/2019-06-21/5d0bc15c71a72.png)
（OLP示意圖）

我們找出行為關係，從時間和空間維度上考慮是否可以是大資料場景：

1）購買：不是

2）上架：是，用資料來決策何時上架

3）推送：是，不同使用者推送不同的資訊，智慧推送

4）點選：不是

5）儲存：不是

6）入庫：是，什麼商品何時入庫從而最佳化庫存結構

但是需要注意一點，脫離業務場景討論“關係”，看是否是大資料場景是不合理的，比如購買，如一服裝加盟商因某些原因，需要再次購買（採購）商品（中央庫存足夠的情況下），那什麼時候購買，就可以用上大資料的能力。有了資料場景，接下來討論下如何構建“標籤”。

### 三、如何構建標籤

1.  什麼是標籤

標籤是業務人員看的懂的資料，可分為原始標籤、統計標籤和演算法標籤。

2.  如何構建

第一個原則，標籤設計是面向大資料場景的，比如上文提到中的“推送”，那現在就對“推送”關係相關聯的“活動”和“使用者”做為維度進行標籤設計, 這裡主要介紹以“使用者”做為舉例。實體和關係上的屬性是標籤設計的基礎。

![](https://bbs.dtwave.com/storage/article-editor/2019-06-21/5d0bc1665d62e.png)
（簡化後的示意圖）

透過使用者的屬性所生成的標籤：性別、手機號；根據購買關係所生成的標籤：支付形式偏好、購買時間段偏好，消費金額，消費筆數；根據商品屬性所生成的標籤：風格偏好、材質偏好、顏色偏好；根據展架屬性所生成的標籤：商品擺放位置偏好；根據線下門店屬性所生成的標籤：所屬城市，在上面標籤設計過程，其實引入了第二個原則，實體和關係的屬性是可傳遞的，比如實體“線下門店”的屬性是可以來描述實體“使用者”的，這很關鍵，這樣的思維方式可以保證在設計標籤時，被描述的實體維度會足夠的完整。大家還會發現為啥標籤“商品擺放位置偏好”標註為灰色，因為根據原則一，它對“推送”場景沒有意義（目前是否有用，還是靠經驗，大家如果有其他想法可以一起來探討），有了這類標籤後，就可以對標籤進行業務上的“衍生”，比如，平均消費金額（消費金額/消費筆數）、消費水平（參考因子：所屬城市、消費金額、消費筆數等），最後在業務衍生的基礎上考慮時間維度：比如最新3個月消費金額，工作日消費金額，這是第三原則，可對標籤在業務上和時間上進行“衍生”。

各位還記得標籤的分類，那上面所描述的“性別”、”手機號“和“所屬城市”就屬於原始標籤（和業務資料庫存的一樣），“支付形式偏好”、“消費筆數”和“材質偏好”等就屬於統計標籤，“消費水平”就屬於演算法標籤。

### 四、如何使用

在上文討論的“推送”場景下，店長就可以自由選擇標籤，透過設定各種標籤值範圍人群圈選，進行個性化推送，比如，最近上線幾款全棉的高階上衣，店長就可以在系統中設定條件（最近三個月消費金額>’2000’ and 材質偏好=‘棉’），可定義為"全棉高階消費人群”，然後進行簡訊或者公眾號對這類人群進行推送。業務人員透過標籤設定各種標籤值範圍我們常把這種操作為人群洞察。

### 五、總結

透過以上的介紹，相信各位對如何標籤設計有了個大致的理解（建議讀兩遍），但標籤設計非常考驗對業務的理解和對資料的感覺，需要日積月累，當然也可以加速這個過程，比如選擇數瀾科技的資料諮詢服務。

想了解更多內容可訪問數瀾社群——國內首個資料中臺交流社群（https://bbs.dtwave.com/）

零售資料觀（一）：如何花30分鐘成為一個標籤設計“達人”

相關文章