在线培训平台的用户标签，怎么根据行为生成
前两天跟一个做在线教育的朋友聊天，他跟我吐槽说，现在平台上的用户画像太粗了，根本没法做精细化运营。"我知道用户大概多大、在哪个城市、买了什么课，但然后呢？"他很困惑，"我怎么知道这个用户愿不愿意续费？那个用户适不适合推荐进阶课？"这个问题问得很好，其实答案就藏在用户的行为数据里。今天我就来聊聊，怎么通过用户行为一步步生成可用的标签。
为什么行为数据比静态信息更重要
你可能会想，我们不是已经有用户的年龄、城市、职业这些信息了吗？这些信息当然有用，但它们有一个致命的缺点——太静态了。一个人填表单的时候说自己是"25岁、在北京工作"，这个信息可能三个月后就不准了。更重要的是，静态信息告诉我们的是"用户是谁"，但没办法告诉我们"用户在想什么、想要什么"。
行为数据就不一样。一个用户每天晚上十点准时上线学习，周末也从不缺席，这个人大概率是个时间比较固定的上班族或者学生。一个用户把同一节课反复看好几遍，还时不时暂停做笔记，这个人大概率是在认真消化内容，而不是开着视频当背景音。一个用户买了课但从来不催进度、也不问问题，这个人可能只是囤课党，续费意愿不一定高。
这些信息，光靠填表单是得不到的，只能靠观察用户实际做了什么。所以用户标签体系的核心，不是"用户填了什么"，而是"用户做了什么"。接下来我就从实操角度，拆解一下这个过程具体怎么做。
第一步：先有数据可采，才能有标签可用
在聊标签怎么生成之前，我们必须先搞清楚一个前提：你的平台能采集到哪些行为数据？这直接决定了你后续能生成什么样的标签。
一般来说，在线培训平台能采集到的行为数据可以分为几大类。第一类是学习轨迹数据，包括用户什么时候登录、看了哪节课、看了多久、有没有快进快退、有没有暂停倍速播放、有没有重复观看等等。第二类是互动行为数据，包括用户有没有提问、提了多少问题、问题集中在哪些知识点、有没有参与讨论、点赞评论的频率如何、直播课的时候有没有发弹幕等等。第三类是完课与作业数据，包括用户有没有按计划完成学习、作业提交率是多少、测试成绩如何、错题集中在哪些类型等等。第四类是付费与续费数据，包括用户买过哪些课、什么时候买的、买完后学习频率有没有变化、有没有主动续费或者购买更高阶的课程等等。
数据采集这块有两个要注意的点。一是采集要细粒度，不要只记录"用户看了第几课"，要把播放时长、暂停位置、倍速选择这些细节都记下来。二是采集要持续，标签不是一次性生成的，而是要随着用户行为不断更新迭代的。
第二步：行为数据怎么变成可理解的标签
数据采到了，接下来就是怎么把这些 raw data 变成可以用的标签。这个过程通常需要做两件事：一是特征提取，二是规则定义或者模型训练。
特征提取是把原始数据加工成有意义的指标。比如用户每周平均学习时长、用户近30天的登录天数、用户的问题主要涉及哪些课程模块、用户的作业完成延迟了多久提交。这些都是特征。特征选得好不好，直接决定后续标签的质量。
规则定义或者模型训练，是把特征映射成标签值。规则定义比较简单直接，比如"连续30天登录的用户就是高活跃用户"、"完课率低于50%的用户就是流失风险用户"。模型训练则更复杂一些，比如用聚类算法把用户分成不同的群体，用分类算法预测用户的续费意愿。
下面我来具体说说，不同类型的行为数据应该怎么加工成标签。
学习投入度标签
学习投入度是最基础也是最重要的标签维度。它反映的是用户在学习这个动作上花了多少时间和精力。有些人可能会觉得这很简单，不就是统计播放时长吗？其实没这么简单。
单纯看时长是不准确的。一个用户开着视频但放着去睡觉了，时长统计上去了，但学习效果接近于零。所以好的投入度标签需要结合多个指标来看。比如完课率（用户实际看完的课程占应学课程的比例）、有效学习时长（排除了快进、暂停过长等异常情况的真实学习时长）、复习次数（用户重复观看同一节课的次数）。
基于这些指标，我们可以把用户分成几档：
| 标签名称 | 定义标准 | 运营含义 |
| 高投入学习者 | 完课率≥80%，有效学习时长排名前20%，有复习行为 | 核心用户，续费转化率高，可尝试推荐进阶课程 |
| 稳定学习者 | 完课率50%-80%，每周登录较规律 | 需要维持，可通过激励机制提升投入度 |
| 低投入学习者 | 完课率＜50%，登录不规律，经常长时间不打开课程 | 流失风险用户，需要及时干预 |
| 囤课型用户 | 购买课程多但完课率极低，学习间隔很长 | 购买决策和实际学习行为脱节，需分析原因 |
这样分类之后，你是不是就觉得用户清晰多了？同样是"买了课的用户"，高投入学习者和囤课型用户后续的运营策略肯定不能一样。
学习能力与进度标签
除了投入度，学习能力和进度也是关键维度。这里说的能力不是指用户的学历背景，而是在这个平台上的实际表现。
怎么评估学习能力？看作业质量和测试成绩。但这里有个问题，题目难度不一样，直接比分数不公平。所以更好的方式是看相对于难度的正确率，或者看用户在同类知识点上的表现是否稳定。比如一个用户每次测试都在70分左右，说明他的知识掌握比较扎实；另一个用户有时候90分有时候50分，说明他可能存在知识盲区或者学习状态不稳定。
进度标签则是看用户有没有按预期完成学习计划。一个用户报名了一个月的训练营，两周过去了只学了20%的内容，这就是进度滞后；另一个用户提前完成了所有必修课还在到处看选修课，这就是进度超前。进度超前的用户可能需要更多内容来满足需求，进度滞后的用户可能需要被提醒或者被降低预期。
互动参与度标签
互动数据往往被忽视，但其实它能告诉我们很多静态信息得不到的东西。一个用户从不提问，也不参与讨论，我们不知道他是全懂了还是完全不懂。但一个用户经常在评论区跟其他学员争论问题、在直播课里发弹幕催更，这个用户的参与感就显然很强。
互动参与度高的用户有几个特点。第一，他们更有可能在平台上建立社交关系，而社交关系是留存的重要因素。第二，他们的问题和讨论可以成为内容的一部分，帮助其他用户。第三，他们是最有可能成为社群 KOL 或者种子用户的群体。所以把高互动用户识别出来，给予他们更多的关注和激励，回报通常是最大的。
互动参与度的标签可以这样分：
- 问题型用户：提问频次高，问题质量好，通常在知识难点处卡壳
- 社交型用户：喜欢在评论区聊天，参与讨论，但不一定问专业问题
- 沉默型用户：只看不说，也不提问，需要特别关注是否有学习困难
- 负面型用户：经常发牢骚、抱怨，或者在评论区攻击其他用户
不同类型的用户，运营策略完全不同。问题型用户需要被及时响应和解答；社交型用户需要被引导到社群氛围建设中来；沉默型用户需要被尝试激活；负面型用户需要被及时处理，避免影响社区氛围。
学习目标与意向标签
这个维度是最难把握的，但也是最有价值的。因为它直接回答了"用户到底想要什么"这个问题。用户的行为会透露他们的真实意图。
比如一个用户频繁查看"课程难度"和"学完能做什么"这样的介绍页面，说明他在做购买决策前的评估；一个用户买完课之后第一时间就去研究"怎么最快拿证"或者"怎么找工作"，说明他的目标很明确就是为了就业或者考证；一个用户买完课从来不问进度，反而经常问"这个课程的老师还有别的课吗"，说明他可能是为了跟某个老师，而不是为了学某个技能。
这些意向标签可以帮助我们做精准推荐。一个用户的目标是找工作，那他在学完基础课程之后就应该被推荐实战项目课；另一个用户的目标是兴趣爱好，那他可能更需要广度而不是深度。
第三步：多维度标签怎么组合起来用
单一维度的标签有用，但真正发挥威力的是多维度标签的组合。比如一个用户是"高投入学习者"加上"进度严重滞后"，那他可能是遇到了什么困难需要帮助；另一个用户是"低投入学习者"加上"高付费金额"，那他可能是那种愿意为知识付费但没时间学习的忙碌人群，对这类用户推一些碎片化的短视频课程可能更合适。
在组合标签的时候，有几个常见的用户分群策略可以参考。
第一种是按生命周期分群。比如新用户、活跃用户、沉默用户、流失用户。每个阶段的用户需要不同的运营动作。新用户需要被激活和教育；活跃用户需要被维持和提升；沉默用户需要被唤醒；流失用户需要被召回或者放弃。
第二种是按价值分群。高价值用户、中价值用户、低价值用户。高价值用户要重点维护，提供更好的服务；中价值用户要挖掘潜力，尝试提升他们的价值；低价值用户要看能不能转化，如果不能转化至少别让他们产生负面影响。
第三种是按学习阶段分群。入门期用户、成长期用户、毕业期用户。入门期用户需要被引导和鼓励；成长期用户需要被提供进阶内容；毕业期用户需要被推荐下一个学习目标，或者被转化为介绍新用户的推广者。
第四步：标签不是一成不变的，要持续维护
很多平台做用户标签，做完就放在那里不管了。这是不对的。用户的标签应该像他们的学习进度一样，是不断变化的。
一个上个月还是高投入学习者的用户，这个月突然不登录了，他的标签就应该变成沉默用户或者流失风险用户。一个以前只是看看不说话的用户，突然开始疯狂提问，他的标签就应该从沉默型变成问题型。标签的更新要有一定的规则，比如每周更新一次活跃度标签、每个月更新一次能力评估标签、每季度重新做一次用户分群。
同时，有些标签是需要被清理的。比如"最近想买进阶课"这个标签，如果用户已经买了或者明确表示不考虑买了，这个标签就应该被移除。标签库要定期审计，保持清洁，只保留有用的标签。
技术实现上要注意什么
说完了策略层面的东西，最后再聊几句技术实现。
标签生成系统的架构通常需要几层。最底层是数据采集层，要能够实时采集用户行为数据并且存储好。中间层是标签计算层，可以用批处理计算历史标签，用实时计算更新动态标签。最上层是标签服务层，提供标签查询和标签组合的能力，供推荐系统、营销系统、运营后台使用。
技术选型上，如果是小平台，可以用一些开源的工具先跑起来，比如用 Flink 做实时计算，用 Spark 做离线计算。如果是大平台，可能需要自建一个标签平台来管理所有的标签定义、计算任务和标签服务。
有一点特别提醒：标签计算要慎用复杂的机器学习模型。在线教育场景的标签，很多用规则就能解决，而且规则可解释、可控。如果用一个黑盒模型算出"这个用户有80%的流失概率"，运营人员不知道为什么会得出这个结论，就没办法针对性采取措施。所以优先用规则，模型作为补充就好。
写在最后
用户标签这件事，说到底就是为了回答一个问题：我们怎么做才能让用户学得更好、留得更久？所有的标签设计都应该围绕这个目标转。不要为了标签而标签，不要觉得标签越多越好。真正有用的标签，是运营人员看了之后知道该采取什么行动的标签。
在线培训这个领域，技术是手段，用户学有所成才是目的。像声网（Agora）这样的实时音视频技术提供商，他们做的很多事情也是为了让线上学习体验更接近线下——更实时、更互动、更自然。用户在平台上学习的感觉越好，他的行为数据就越积极，标签就越准确，这是一个正向循环。
希望这篇内容能给正在搭建用户标签体系的朋友们一点启发。如果有什么问题，欢迎一起交流。
