标签数据——用户 LBS 位置标签及 POI 数据如何从生产到应用？
作者：NK冬至 首席数据科学家
“ LBS相关的标签，是用户标签画像系统中的重要内容。”
好久没有分享关于用户画像、用户标签相关的内容了。关于标签数据，之前有分享过《用户生命周期标签的计算》、《用户偏好兴趣类标签如何计算》。今天分享一下，关于LBS相关的标签内容。
01 什么是LBS
讲LBS标签之前，先来看看LBS具体的一些内容吧。
（1）什么是LBS服务
LBS，即基于位置的服务（Location Based Services）。其实在日常我们的生活中，关于LBS的服务是非常常用的。
目前主要的LBS服务提供商，就是高德、百度、腾讯这些比较常见。其他绝大部分的APP应用，都是调用这些服务厂商提供的接口服务能力。
像我们常用的百度地图，基本产品逻辑就是围绕地理位置进行的。比如进行定位服务、路线规划、地点搜索、导航等等。
再比如，外卖软件中骑手配送路径的实时展示、配送员调度等。
相关的应用很多，所有涉及到地理位置的相关功能，都属于LBS的范畴。
（2）LBS服务的类别
总结下来，主要的LBS相关的服务可以总结为五类：地图服务、搜索服务、定位服务、路线规划服务、导航服务。
- 地图服务
这个比较好理解，地图是LBS服务的基础。无论是导航、还是看定位等，都是要基于地图进行呈现。
虽然地图很常见了，但是其实关于地图呈现的内容是非常多的。比如，地图的风格、地图的覆盖物（比如交通轨道、河流等）的选择、聚合点的设置、地图中心位置的设置等等……
- 搜索服务
所谓的搜索服务，即对地理位置相关的内容进行搜索。
基于不同的搜索对象，可以将搜索分为：POI数据搜索、地址数据搜索、行政区划数据搜索、公交数据搜索等等。
比如上面，就是一个POI的搜索，这里能看到一个周边的围栏。关于POI和地址围栏，我们后面展开阐述。
- 定位服务
定位其实比较好理解，就是确定目前设备所处的位置。
通常，服务提供商提供的定位信息，是基于GPS、基站、WIFI等内容进行的混合定位。相对单模式定位，会更加精准。
- 路线规划及导航****服务
路线规划服务也比较好理解，就是提供两点之间的路线规划。
路线规划是导航的前提。根据交通方式的不同，可以有多种路线规划方式，比如驾车路线规划、公交路线规划、骑行路线规划、步行路线规划等。
02 POI和地理围栏
上文中，我们提到了POI和地理围栏，由于比较重要，这里着重展开介绍一下。
（1）什么是POI
所谓的POI，即Point of Interest。怎么理解呢？比如，一个学校、一个小卖部、一个公交站、一个小区，都可以理解成一个POI。
想象一下，地图只是提供了一个底层的画板，只有在地图上叠加一个个的POI点位，地图的信息才能丰富起来，数据才有了价值。基于一个个的POI信息，可以进行更好的搜索、定位等等功能。
比如上图，我们搜索“便利蜂”，出现的结果，就是和便利蜂相关的POI列表。
通常一个POI必备名称、地址（具体地址）、坐标（经纬度）、类别四个属性。至于其他属性，比如手机号、省市区等等，属于扩展信息。
（2）示例：高德的POI数据
我们看一下高德对外提供的POI接口数据。
首先是按照行政区域的POI数量：
我们可以看到，光北京市的POI数量就达到了347万个。
我们看具体POI列表，就比较容易理解了：
上面有机关单位、有汽车维修、有餐厅……这一个个具体的点，都是POI。每个POI除了列表中呈现的信息：名称、地址、电话、类别，还有啥信息呢？如下图：
看到了吧，信息是非常全的。还有街景信息，这里就不放截图了。
（3）地理围栏
上文讲了POI。注意，POI是一个【点】。和【点】对应的概念是【区域】，我们称之为“围栏”。
比如一个小区，虽然也可以在POI列表中呈现，可以用一个经纬度表示定位。但我们知道，小区其实是一个区域，而不只是一个点。这时，如果为了更加精准的分析服务，我们需要用到地理围栏。
所谓围栏，就是一个封闭的区域。例如下图：
百度地图中，用虚线将颐和园的边界进行了围起来。我们可以清楚的了解颐和园的区域范围，而不仅仅是一个POI点信息（其实颐和园也是有POI点的，上图中的序号位置1，就是颐和园的POI。如果只有POI而没有围栏，是不是效果差很多？）。
当然，大部分地理信息其实是不需要围栏的。比如便利蜂，我们没必要知道便利蜂门店精准的区域，基本经纬度就可以了。但是比如行政区（例如北京市海淀区）、小区、学校等，还是有必要了解围栏信息的。
03 地理位置标签
关于LBS和POI等相关的内容，上面也只是概括地讲了讲，细节层面确实内容非常丰富，值得大家深入研究研究。这里是时候进入我们的正题了，那就是地理位置相关的用户标签。
首先明确一下，我们这里的标签对象，是人：即给人打上和地理位置相关的标签。
（1）需求背景
我们在精准营销中，经常需要结合地理位置信息进行定向人群圈选，从而精准触达。
举个例子。我是一个线下便利店的店长，经营原浆啤酒。由于保质期短，且线下经营，潜在顾客基本就是店周边小区的人群，而且是爱喝啤酒的男顾客偏多。
因此，我需要营销触达的人群应该是【门店周边3KM居住小区】+【男顾客】+【爱喝啤酒】。
关于【男顾客】、【爱喝啤酒】应该是基础标签、偏好标签，可以参考《用户偏好标签计算》。至于【门店周边3KM小区】这个标签该如何获得呢？
对，这就需要地理位置信息相关的标签了。
（2）具体计算逻辑
如何获得这个标签呢？这里的关键是对用户的历史LBS位置进行建模、计算。
这个模型说复杂也并不复杂，但是细节内容比较多。通常来讲，基于用户APP上传的地理位置信息，我们会同时给用户打三个地理位置相关标签：用户的家的位置、用户的公司的位置、用户常出现的位置（除家和公司外）。
由于用户使用APP的时长、频次通常不是很长，我们一般需要稍微长一点的数据来计算用户的地理信息标签。一般可以考虑使用近30天数据（过长也不合适，时效性差且计算量大）来计算标签。而且由于用户的行为通常比较稳定，标签的更新时效也没必要每日更新，能每周更新一次标签就可以了。
具体的计算逻辑主要有这么几条：
- 工作日时间有地理位置的日志超过*%就判定该位置是公司；
- 夜间有地理位置的日志超过*%就判定该位置是家；
- 其余时间经常出现的日志最高的位置判定为常去地。
大的逻辑是这样，但是有很多细节计算逻辑，这里就不展开了。
（3）地理位置数据表
通过上面的计算，最终可以生成一张专门的用户地理位置相关的表。以用户ID为主键，分别三个字段：预测的家的位置、公司位置、常去地位置。
这里的原始地理位置，可以以经纬度进行存储。
04 LBS标签的产品应用
地理位置标签数据计算好了，如何进行产品化应用呢？其实主要就是进行人群的圈选。具体的圈选方式，可以有以下几种方案。
（1）基于具体POI+半径圈选
比如，上面例子中，我们想基于便利店周边3KM进行人群圈选。
便利店作为圆心的POI，圈选该POI周边半径3KM以内的人群作为目标人群，即可满足诉求。
上面的截图是基于POI+距离半径来进行的人群圈选。【清华大学-北门】、【清华大学公寓】等都是一个个POI，下面的选择范围是距离半径。
（2）基于地理围栏圈选
第一种方式中，比较容易实现。但是有时想要圈选的更具体精准的某个区域内的人群。
比如想圈选北京市西城区的全部潜在人群，或者某个学校的所有学生，这时就需要借助地理围栏进行圈选。
从数据层面，除了需要用户地理位置信息、POI信息外，还需要相关的地理围栏信息。通过地理围栏才能判断用户是否在围栏内。
上面这个就是基于POI围栏进行圈选。
下面这个基于行政区进行的圈人，本质也是地理围栏。但是由于场景比较多，就进行了单独呈现。
（3）其他类型圈选
本质上，所有的圈选都要么是基于POI+半径，要么是基于围栏。但是上面也看到了，有些特殊场景，从产品设计层面可以单独拿出来，比如行政区圈选。
另外，可以看一下下面的基于场景圈人。
这样可以对特定类型的人群进行圈选。
关于LBS、用户地理位置标签相关的内容就分享这些，欢迎大家继续关注~
