外卖O2O的用户画像实践

美团外卖经过3年的飞速开展，品类现已从单一的外卖扩展到了美食、夜宵、鲜花、商超等多个品类。用户集体也从前期的学生为主扩展到学生、白领、社区以及商旅，乃至包含在KTV等娱乐场所消费的人群。跟着供应和消费人群的多样化，如安在供应和用户之间做一个对接，便是用户画像的一个根底作业。所谓千人千面，画像需求描写不同人群的消费习气和消费偏好。

外卖O2O和传统的电商存在一些差异。能够简略总结为如下几点：

新事物，快速开展：这意味许多用户对外卖的认知较少，对渠道上的新品类缺少了解，对本身的需求也没有充沛认识。渠道需求去发现用户的消费志愿，以便对用户的消费进行引导。高频：外卖是个典型的高频O2O使用。一方面消费频次高，用户生命周期相对好断定；另一方面消费单价较低，用户决议计划时刻短、随意性大。场景驱动：场景是特定的时刻、地址和人物的组合下的特定的消费目的。不同的时刻、地址，不同类型的用户的消费目的会有差异。例如白领在写字楼正午的订单一般是作业餐，一般在养分、质量上有必定的要求，且单价不能太高；而到了周末晚上的订单大多是夜宵，寻求口味且价格弹性较大。场景辨识越详尽，越能了解用户的消费目的，运营作用就越好。用户消费的地理位置相对固定，结合地理位置判别用户的消费目的是外卖的一个特色。

如下图所示，咱们大致能够把一个产品的运营分为用户获取和用户拓宽两个阶段。在用户获取阶段，用户因为天然原因或一些营销事情（例如广告、交际媒体传达）发生对外卖的留意，然后发生了爱好，并在适宜的机遇下完结首购，然后成为外卖新客。在这一阶段，运营的重点是进步功率，经过一些个性化的营销和广告手法，招引到真实有潜在需求的用户，并影响其转化。在用户完结转化后，接下来的运营重点是拓宽用户价值。这里有两个问题：榜首是进步用户价值，详细而言便是进步用户的单均价和消费频次，然后进步用户的LTV（life-time value)。根本手法包含穿插出售（新品类的引荐）、向上出售（优质高价供应的引荐）以及重复购买（优惠、红包影响重复下单以及优质供应的引荐带来下单频次的进步）；第二个问题是用户的留存，经过进步用户整体体会以及在用户有丢失倾向时经过促销和优惠将用户留在外卖渠道。

所以用户所在的体会阶段不同，运营的侧重点也需求有所不同。而用户画像作为运营的支撑技能，需求供应相应的用户描写以满意运营需求。依据上图的营销链条，从支撑运营的视点，除掉供应惯例的用户根底特点（例如年纪、性别、工作、婚育情况等）以及用户偏好之外，还需求考虑这么几个问题：1）什么样的用户会成为外卖渠道的顾客（新客辨认）；2）用户所在生命周期的判别，用户是否或许从渠道丢失（丢失预警）；3）用户处于什么样的消费场景（场景辨认）。后边“外卖O2O的用户画像实践”一节中，咱们会介绍针对这三个问题的一些实践。

下图是咱们画像服务的架构：数据源包含根底日志、商家数据和订单数据。数据完结处理后存放在一系列主题表中，再导入kv存储，给下流事务端供应在线服务。一起咱们会对整个事务流程施行监控。首要分为两部分，榜首部分是对数据处理流程的监控，利用用内部自研的数据办理渠道，监控每天各主题表发生的时刻、数据量以及数据散布是否有反常。第二部分是对服务的监控。现在画像体系支撑的下流服务包含：广告、排序、运营等体系。

新客运营

新客运营首要需求答复下列三个问题：

新客在哪里？新客的偏好怎么？新客的消吃力怎么？

答复这三个问题是比较困难的，因为相关于老客而言，新客的行为记载十分少或许几乎没有。这就需求咱们经过一些技能手法作出揣度。例如：新客的潜在转化概率，遭到新客的人口特点（工作、年纪等）、所在地域（需求的要素）、周围人群（相同反映需求）以及是否有足够供应等要素的影响；而关于新客的偏好和消吃力，重新客在到店场景下的消费行为能够做出估测。别的用户的作业和寓居地址也能反映他的消费才干。

对新客的猜测很多依靠他在到店场景下的行为，而用户的到店行为关于外卖是比较稀少的，大多数的用户是在少量几个类别上有过一些消费行为。这就意味着咱们需求考虑挑选什么样的统计量描绘：是消费单价，总消费价格，消费品类等等。然后经过很多的实验来验证特征的明显性。别的因为数据比较稀少，需求考虑适宜的滑润处理。

咱们在做高潜新客发掘时，融入了多方特征，经过特征的组合终究作出一个作用比较好的猜测模型。咱们能够找到一些高转化率的用户，其转化率比普通用户高若干倍。经过对高潜用户有针对性的营销，能够极大进步营销功率。

丢失猜测

新客来了之后，接下来需求把他留在这个渠道上，尽量延伸生命周期。营销范畴关于用户留存的两个根本观念是（引自菲利普.科特勒 《营销办理》）：

获取一个新顾客的本钱是维系现有顾客本钱的5倍！

假如将顾客丢失率下降5%，公司赢利将添加25%~85%

用户丢失的原因一般包含：竞对的招引；体会问题；需求改变。咱们凭借机器学习的办法，构建用户的描绘特征，并凭借这些特征来猜测用户未来丢失的概率。这里有两种做法: 榜首种是猜测用户未来若干天是否会下单这一事情发生的概率。这是典型的概率回归问题，能够挑选逻辑回归、决议计划树等算法拟合给定观测下事情发生的概率；第二种是凭借于生计模型，例如COX-PH模型，做丢失的危险猜测。

下图左面是概率回归的模型，用户未来T天内是否有下单做为类别符号y，然后估量在观察到特征X的情况下y的后验概率P(y|X)。右边是用COX模型的比如，咱们会依据用户在未来T天是否下单给样本一个类别，即观测时长记为T。假定用户的下单的距今时长t<T，将t作为生计时长t’；否则将生计时长t’记为T。这样一个样本由三部分构成：样本的类别(flag)，生计时长(t’)以及特征列表。经过生计模型尽管无法显式得到P(t’|X)的概率，但其协变量部分实践反映了用户丢失的危险巨细。

生计模型中，βTx反映了用户丢失的危险，一起也和用户下次订单的时刻距离成正相关。下面的箱线图中，横轴为βTx，纵轴为用户下单时刻的距离。

咱们做了COX模型和概率回归模型的比照。在猜测用户XX天内是否会下单上面，两者有附近的功能。

美团外卖经过使用了用户丢失预警模型，明显下降了用户留存的运营本钱。

场景运营

拓宽用户的体会，最重要的一点是要了解用户下单的场景。了解用户的订餐场景有助于依据场景的用户运营。关于场景运营而言，一般需求经过如下三个过程：

场景能够从时刻、地址、订单三个维度描绘。比如说作业日的下午茶，周末的家庭聚餐，夜里在家点夜宵等等。其间重要的一点是用户订单地址的剖析。经过差异用户的订单地址是写字楼、校园或是社区，再结合订单时刻、订单内容，能够对用户的下单场景做到大致的了解。

上图是咱们订单地址剖析的流程。依据订单体系中的用户订单地址文本，依据天然语言处理技能对地址文本剖析，能够得到地址的骨干称号（指去掉了楼宇、门牌号的地址骨干部分）和地址的类型（写字楼、住宅小区等）。在此根底上经过一些地图数据辅佐然后判别出终究的地址类型。

别的咱们还做了兼并订单的辨认，即辨认一个订单是一个人下单仍是拼单。把拼单信息、地址剖析以及时刻结合在一起，咱们能够猜测用户的消费场景，然后依据场景做穿插出售和向上出售。

外卖的营销特征，跟其他职业的首要差异在于：

外卖是一个高频的事务。因为用户的消费频次高，用户生命周期的特征表现较明显。运营能够依据用户所在生命周期的阶段拟定营销方针，例如用户完结首购后的频次进步、老练用户的价值进步、阑珊用户的款留以及丢失用户的召回等。

因而用户的生命周期是一个根底画像，合作用户根本特点、偏好、消费才干、丢失猜测等其他画像，经过精准的产品引荐或许价格战略完成运营方针。

用户的消费遭到时刻、地址等场景要素驱动。因而需求对用户在不同的时刻、地址下消费行为的差异做深化了解，概括不同场景下用户需求的差异，针对场景拟定相应的营销战略，进步用户活跃度。

别的因为外卖是一个新鲜的事物，在用户对一些新品类和新产品缺少认知的情况下，需求经过技能手法辨认用户的潜在需求，进行精准营销。例如哪些用户或许会对小龙虾、鲜花、蛋糕这样的相对低频、高价值的产品发生购买。能够选用的技能手法包含用户分群、对已发生消费的用户做look-alike扩展、搬迁学习等。

一起咱们在制造外卖的用户画像时还面对如下应战：

数据多样性，存在很多非结构化数据例如用户地址、菜品称号等。需求用到天然语言处理技能，一起结合其他数据进行剖析。相关于归纳电商而言，外卖是个相对单一的品类，用户在外卖上的行为不足以全方位地描绘用户的根本特点。因而需求和用户在其他场合的消费行为做交融。外卖单价相对较低，用户消费的决议计划时刻短、随意性强。不像传统电商用户在决议计划前有很多的阅读行为能够用于捕捉用户单次的需求。因而更需求结合用户画像剖析用户的前史爱好、以及用户的消费场景，在消费前对用户做恰当的引导、引荐。

面对这些应战，需求用户画像团队更详尽的数据处理、交融多方数据源，一起开展出新的办法论，才干更好地支撑外卖事务开展的需求。而外卖的上述应战，又别离和一些笔直范畴电商相似，经历上存在能够彼此学习之处。因而，外卖的用户画像的实践和经历累积，必将对整个电商范畴的大数据使用作出新的奉献！

原文始发于微信大众号（美团技能团队）

上一年今天运营文章2023:ChatGPT横空出世，对UP主来说是要挟吗？(0)2023:2023年快手电商38节数据陈述(0)2023:“鲜花杯”全网刷屏，谁在为浪漫买单？小红书用户画像揭晓(0)2023:这是一份B站竞品调研剖析攻略，请查收！(0)2023:恰饭能有多火？200w投币、76%互动率引爆B站(0)