實例分析：高頻/場景驅動下的外賣O2O用戶畫像實踐

美團外賣經過3年的飛速發展，品類已經從單一的外賣擴展到了美食、夜宵、鮮花、商超等多個品類。用戶群體也從早期的學生為主擴展到學生、白領、社區以及商旅，甚至包括在KTV等娛樂場所消費的人群。隨著供給和消費人群的多樣化，如何在供給和用戶之間做一個對接，就是用戶畫像的一個基礎工作。所謂千人千面，畫像需要刻畫不同人群的消費習慣和消費偏好。

外賣O2O和傳統的電商存在一些差異。可以簡單總結為如下幾點：

1）新事物，快速發展：這意味很多用戶對外賣的認知較少，對平台上的新品類缺乏了解，對自身的需求也沒有充分意識。平台需要去發現用戶的消費意願，以便對用戶的消費進行引導。

2）高頻：外賣是個典型的高頻O2O應用。一方面消費頻次高，用戶生命周期相對好判定；另一方面消費單價較低，用戶決策時間短、隨意性大。

3）場景驅動：場景是特定的時間、地點和人物的組合下的特定的消費意圖。不同的時間、地點，不同類型的用戶的消費意圖會有差異。例如白領在寫字樓中午的訂單一般是工作餐，通常在營養、品質上有一定的要求，且單價不能太高；而到了周末晚上的訂單大多是夜宵，追求口味且價格彈性較大。場景辨識越細緻，越能了解用戶的消費意圖，運營效果就越好。

4）用戶消費的地理位置相對固定，結合地理位置判斷用戶的消費意圖是外賣的一個特點。

如下圖所示，我們大致可以把一個產品的運營分為用戶獲取和用戶拓展兩個階段。在用戶獲取階段，用戶因為自然原因或一些營銷事件（例如廣告、社交媒體傳播）產生對外賣的注意，進而產生了興趣，並在合適的時機下完成首購，從而成為外賣新客。在這一階段，運營的重點是提高效率，通過一些個性化的營銷和廣告手段，吸引到真正有潛在需求的用戶，並刺激其轉化。

在用戶完成轉化后，接下來的運營重點是拓展用戶價值。這裡有兩個問題：

• 第一是提升用戶價值，具體而言就是提升用戶的單均價和消費頻次，從而提升用戶的LTV（life-time value)。基本手段包括交叉銷售（新品類的推薦）、向上銷售（優質高價供給的推薦）以及重複購買（優惠、紅包刺激重複下單以及優質供給的推薦帶來下單頻次的提升）；
• 第二個問題是用戶的留存，通過提升用戶總體體驗以及在用戶有流失傾向時通過促銷和優惠將用戶留在外賣平台。

用戶體驗之旅

所以用戶所處的體驗階段不同，運營的側重點也需要有所不同。而用戶畫像作為運營的支撐技術，需要提供相應的用戶刻畫以滿足運營需求。根據上圖的營銷鏈條，從支撐運營的角度，除去提供常規的用戶基礎屬性（例如年齡、性別、職業、婚育狀況等）以及用戶偏好之外，還需要考慮這麼幾個問題：

• 什麼樣的用戶會成為外賣平台的顧客（新客識別）；
• 用戶所處生命周期的判斷，用戶是否可能從平台流失（流失預警）；
• 用戶處於什麼樣的消費場景（場景識別）。

後面「外賣O2O的用戶畫像實踐」一節中，我們會介紹針對這三個問題的一些實踐。

下圖是我們畫像服務的架構：數據源包括基礎日誌、商家數據和訂單數據。數據完成處理后存放在一系列主題表中，再導入kv存儲，給下游業務端提供在線服務。同時我們會對整個業務流程實施監控。主要分為兩部分，第一部分是對數據處理流程的監控，利用用內部自研的數據治理平台，監控每天各主題表產生的時間、數據量以及數據分佈是否有異常。第二部分是對服務的監控。目前畫像系統支持的下游服務包括：廣告、排序、運營等系統。

畫像系統架構

新客運營

新客運營主要需要回答下列三個問題：

• 新客在哪裡？
• 新客的偏好如何？
• 新客的消費力如何？

回答這三個問題是比較困難的，因為相對於老客而言，新客的行為記錄非常少或者幾乎沒有。這就需要我們通過一些技術手段作出推斷。例如：新客的潛在轉化概率，受到新客的人口屬性（職業、年齡等）、所處地域（需求的因素）、周圍人群（同樣反映需求）以及是否有充足供給等因素的影響；而對於新客的偏好和消費力，從新客在到店場景下的消費行為可以做出推測。另外用戶的工作和居住地點也能反映他的消費能力。

對新客的預測大量依賴他在到店場景下的行為，而用戶的到店行為對於外賣是比較稀疏的，大多數的用戶是在少數幾個類別上有過一些消費行為。這就意味著我們需要考慮選擇什麼樣的統計量描述：是消費單價，總消費價格，消費品類等等。然後通過大量的試驗來驗證特徵的顯著性。另外由於數據比較稀疏，需要考慮合適的平滑處理。

我們在做高潛新客挖掘時，融入了多方特徵，通過特徵的組合最終作出一個效果比較好的預測模型。我們能夠找到一些高轉化率的用戶，其轉化率比普通用戶高若干倍。通過對高潛用戶有針對性的營銷，可以極大提高營銷效率。

流失預測

新客來了之後，接下來需要把他留在這個平台上，盡量延長生命周期。營銷領域關於用戶留存的兩個基本觀點是（引自菲利普.科特勒 《營銷管理》）：

• 獲取一個新顧客的成本是維繫現有顧客成本的5倍！
• 如果將顧客流失率降低5%，公司利潤將增加25%~85%

用戶流失的原因通常包括：競對的吸引；體驗問題；需求變化。我們藉助機器學習的方法，構建用戶的描述特徵，並藉助這些特徵來預測用戶未來流失的概率。這裡有兩種做法:

• 第一種是預測用戶未來若干天是否會下單這一事件發生的概率。這是典型的概率回歸問題，可以選擇邏輯回歸、決策樹等演算法擬合給定觀測下事件發生的概率；
• 第二種是藉助於生存模型，例如COX-PH模型，做流失的風險預測。下圖左邊是概率回歸的模型，用戶未來T天內是否有下單做為類別標記y，然後估計在觀察到特徵X的情況下y的后驗概率P(y|X)。

右邊是用COX模型的例子，我們會根據用戶在未來T天是否下單給樣本一個類別，即觀測時長記為T。假設用戶的下單的距今時長t

生存模型中，βTx反映了用戶流失的風險，同時也和用戶下次訂單的時間間隔成正相關。下面的箱線圖中，橫軸為βTx，縱軸為用戶下單時間的間隔。

COX MODEL

我們做了COX模型和概率回歸模型的對比。在預測用戶XX天內是否會下單上面，兩者有相近的性能。

美團外賣通過使用了用戶流失預警模型，顯著降低了用戶留存的運營成本。

場景運營

拓展用戶的體驗，最重要的一點是要理解用戶下單的場景。了解用戶的訂餐場景有助於基於場景的用戶運營。對於場景運營而言，通常需要經過如下三個步驟：

場景

場景可以從時間、地點、訂單三個維度描述。比如說工作日的下午茶，周末的家庭聚餐，夜裡在家點夜宵等等。其中重要的一點是用戶訂單地址的分析。通過區分用戶的訂單地址是寫字樓、學校或是社區，再結合訂單時間、訂單內容，可以對用戶的下單場景做到大致的了解。

地址處理

上圖是我們訂單地址分析的流程。根據訂單系統中的用戶訂單地址文本，基於自然語言處理技術對地址文本分析，可以得到地址的主幹名稱（指去掉了樓宇、門牌號的地址主幹部分）和地址的類型（寫字樓、住宅小區等）。在此基礎上通過一些地圖數據輔助從而判斷出最終的地址類型。

另外我們還做了合併訂單的識別，即識別一個訂單是一個人下單還是拼單。把拼單信息、地址分析以及時間結合在一起，我們可以預測用戶的消費場景，進而基於場景做交叉銷售和向上銷售。

外賣的營銷特徵，跟其他行業的主要區別在於：

外賣是一個高頻的業務。由於用戶的消費頻次高，用戶生命周期的特徵體現較顯著。運營可以基於用戶所處生命周期的階段制定營銷目標，例如用戶完成首購后的頻次提升、成熟用戶的價值提升、衰退用戶的挽留以及流失用戶的召回等。因此用戶的生命周期是一個基礎畫像，配合用戶基本屬性、偏好、消費能力、流失預測等其他畫像，通過精準的產品推薦或者價格策略實現運營目標。

用戶的消費受到時間、地點等場景因素驅動。因此需要對用戶在不同的時間、地點下消費行為的差異做深入了解，歸納不同場景下用戶需求的差異，針對場景制定相應的營銷策略，提升用戶活躍度。

另外由於外賣是一個新鮮的事物，在用戶對一些新品類和新產品缺乏認知的情況下，需要通過技術手段識別用戶的潛在需求，進行精準營銷。例如哪些用戶可能會對小龍蝦、鮮花、蛋糕這樣的相對低頻、高價值的產品產生購買。可以採用的技術手段包括用戶分群、對已產生消費的用戶做look-alike擴展、遷移學習等。

同時我們在製作外賣的用戶畫像時還面臨如下挑戰：

1）數據多樣性，存在大量非結構化數據例如用戶地址、菜品名稱等。需要用到自然語言處理技術，同時結合其他數據進行分析。

2）相對於綜合電商而言，外賣是個相對單一的品類，用戶在外賣上的行為不足以全方位地描述用戶的基本屬性。因此需要和用戶在其他場合的消費行為做融合。

3）外賣單價相對較低，用戶消費的決策時間短、隨意性強。不像傳統電商用戶在決策前有大量的瀏覽行為可以用於捕捉用戶單次的需求。因此更需要結合用戶畫像分析用戶的歷史興趣、以及用戶的消費場景，在消費前對用戶做適當的引導、推薦。

面臨這些挑戰，需要用戶畫像團隊更細緻的數據處理、融合多方數據源，同時發展出新的方法論，才能更好地支持外賣業務發展的需要。而外賣的上述挑戰，又分別和一些垂直領域電商類似，經驗上存在可以相互借鑒之處。因此，外賣的用戶畫像的實踐和經驗累積，必將對整個電商領域的大數據應用作出新的貢獻！

本文來自美團點評技術團隊

End.

作者：李滔

本文來源於人人都是產品經理合作媒體@36大數據，作者@李滔