【沙龙干货】主题一:外卖O2O的用户画像实践

分享内容


这个演讲的内容大概包括四个部分:第一个是外卖业务对营销的要求,我会从比较概括层面讲一下针对外卖业务我们要做什么;第二个是美团用户画像,介绍一下画像的内容;第三部分通过一些具体的例子,分析我们面临的一些问题,分享一些经验;最后是我个人的一些思考和总结。

这是一个用户对产品的体验之旅,粗分成两个阶段:用户获取阶段和用户拓展阶段。第一个阶段,我们通过一些营销、个性化的广告,引起用户对外卖的兴趣。当用户下完首单之后,我们会引导用户第二次、第三次购买,在这个时候很重要的一点我们需要做出交叉销售,比如你点工作餐,给销售一些不同品类的产品,类似夜宵或者是下午茶。

用户处于哪个阶段、我们如何判断?这在营销上有一个具体的数据RFM矩阵。我们把用户细分成不同级别:成长用户,就是比较新的用户;成熟用户,他们在外卖有相当多的体验;衰替用户,就是有一段时间没过来的用户;“死亡”用户,指这类用户已经相当长时间没有下单了。不同的级别对应不同的用户运营策略:成长用户提高单价和频率,增加他对外卖的体验;成熟用户,提升用户价值,增加销售;衰替用户我们重点是做客户挽留,预测衰替用户也是一个非常重要的事情,叫流失预警;对死亡用户的话我们尝试做一些召回,考虑到成本问题,我们只召回一部分。

除了要判断用户的阶段,完成一个用户画像还需要哪些信息呢?

我们要识别这个用户他的年龄、性别、职业,还有家庭情况,是否有车、有房,这样一些基础的信息;他的偏好,他的口味是什么?他是爱吃辣的,还是爱吃甜的……这些偏好有短期和长期的,也都需要去识别出来;还需要识别用户的消费价格,他的消费时间以及场景上的偏好;我们还会根据团购和点评的数据,通过分析这个用户的到店消费行为,来丰富用户画像。

所以,在画像挖据期我们要做的工作就是:用户偏好预测;通过用户的下单位置,挖掘他周边环境怎么样,是写字楼还是居民区这种;评论中情感和标签的提取;对商家特征和菜品特征的挖掘。整个这些数据挖掘出来以后,我们会放到一些表里边,提供一个服务给我们的下游业务端。

下面简单介绍一下画像挖掘过程中的经验和实践。

运营重点刚才也提到了——拉新、留存,扩展用户体验,下面我们针对这三点分别提供一些案例。

拉新:要找到对外卖感兴趣的用户,要判断这点,需要综合考虑人口属性(性别、年龄、职业……),比如加班的人、女性一般对外卖的需求要大一些;偏好,比如同一个办公室口味一般会相一致些;消费潜力,根据他的下单地址、日常消费习惯就能可见一斑,消费潜力高的就是我们的新用户首选。

新客来了之后,我们挽留在这个平台上,于是就有了第二个案例——做到用户流失预警的一个工作。通过构建用户的体征取证,找很多用户流失相关的一些特征,把这个特征建立一个预测模型。

关于模型有两种做法:关于模型有两种做法:第一是建立一个预测模型,预测用户未来若干天是否会下单,未来两个月他下单概率非常小,这个客户可能会流失了;还有一个是预测下次下单间隔,是生存模型。

这两个方法我们做了一个尝试,首先这个图右边是概率回归的模型,在用户是否有下单做为label、统计一些特征,做一个概率的预测,最后根据预测的结果我们可以看到每个用户预测流失的概率,概率值是不一样的。另一种方法是用生存模型,预测用户下一单的时间。两种方法性能类似,但生存模型能给出用户预期的下单间隔的估计。

第三个是拓展用户的体验,最重要的一点是我们要理解用户下单的一个场景。从三个纬度可以描述:下单的时间、地点、订单内容。把这三个纬度展开可以得到不同的一些场景,比如说工作日的下午茶,周末的家庭聚餐,加班餐,甚至有旅游,网吧冲浪,或者是家里点夜宵。

对场景的理解分为三个层次。首先构建场景描述的一个基本纬度,通过一些一些订单的属性(用户属性和商家属性)构建用户描述的场景特征;在场景特征构建之后,通过访谈的办法,或者用户分型、多元分析以及一些数据挖掘方式,通过人工和算法两种方式结合来发现一些场景,或者是定义一些场景;在场景发现之后的话,我们需要对场景的用户做一个识别,把这个用户归类到这些场景之中,这个用户属于哪个场景,或者这个用户有可能属于哪个场景,这个部分我们通过一些规则或者是一些预测的算法。当然另外有一些实施的场景,我们通过云计算来得到。

整个外卖行业营销特征,它跟其他行业的主要区别,第一个是关注用户生命周期。这是一个相对高频的一个业务,所以的话对用户生命周期的划分相对比较明确。我们的运营策略需要结合用户生命周期去做;第二个是场景驱动。用户点外卖有非常明确的场景需求。根据这两个特点,我们做用户画像,除了用户生命周期外,还需要关注用户下单的时间、地点等场景信息,另外还需要挖掘用户潜在的场景需求。关于外卖用户画像的挑战:第一是有大量的非结构话数据的处理,例如订单、菜名等;另外,外卖相对还是个新鲜事物,用户对外卖的认知较少,很对潜在需求没有被发觉;第三点就是用户点外卖的决策时间较短,下单前的线索数据较少,这和传统电商中用户形成购买决策前会有大量的搜索、浏览行为不同,这就要求从行为之外的数据推测用户的偏好。

原文发布于微信公众号 - 美团点评技术团队(meituantech)

原文发表时间:2016-08-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

【科技】深度学习可以帮助预测人们何时需要乘车

据国际研究小组称,计算机可以更好地预测出租车和共享服务需求,为更智能、更安全、更可持续的城市铺平道路。 ? 在一项研究中,研究人员使用两种类型的神经网络——以人...

2857
来自专栏腾讯高校合作

Make AI Everywhere,腾讯AI亮相AAAI-17国际会议

AAAI,中国力量在崛起 AAAI是人工智能领域的最主要学术组织之一,它由计算机科学和人工智能的创始人 Allen Newell, Marvin Minsky和...

3217
来自专栏大数据文摘

英《Psychological Science》发布最新研究成果:跟踪15000人,发现早产儿数学差工资低

2577
来自专栏CSDN技术头条

个性化推荐和资源分配在金融和经济中的应用

7 月 22 - 23 日,在中国科学技术协会、中国科学院的指导下,由中国人工智能学会、阿里巴巴集团 & 蚂蚁金服主办,CSDN、中国科学院自动化研究所承办的 ...

21010
来自专栏AI科技评论

腾讯优图这一年:研究与应用交织,用视觉AI赋能更多

腾讯全球新总部于 11 月 28 日正式启用。这栋位于深圳滨海大厦的新大楼,在门禁上采用了腾讯优图的人脸识别技术。到目前为止,试运行的反馈算得上「非常良好」。 ...

3627
来自专栏数据科学与人工智能

【应用】信用评分:第8部分 - 信用风险策略

“行动是所有成功的基本钥匙(Pablo Picasso)。”Gartner的分析价值 escalator识别四种不同类型的分析 -** 描述性,诊断性,预测性和...

782
来自专栏企鹅号快讯

计算机的视觉,图像识别的四条通天大道

“视觉”承担着我们80%的信息摄入工作。在解决“听”“说”问题的同时,我们也要教会计算机“看”,也就是图像识别,以识别一朵花为例,用户将图片上传后,计算机将它转...

1765
来自专栏机器之心

业界 | ATEC蚂蚁人工智能大赛正式启动,我们从现场带来了Michael I. Jordan和蚂蚁金服算法专家们的解题攻略

机器之心报道 作者:高静宜 在大咖们的助力下,你对拿下百万奖金势在必行了吗? 「经常有人问我,AI 的未来是什么?你对未来有着怎样的展望?我通常会说,那些金融科...

3059
来自专栏人工智能头条

香港中文大学张胜誉:个性化推荐和资源分配在金融和经济中的应用 | CCAI 演讲实录

791
来自专栏人工智能快报

野村综合研究所发布至2020年人工智能技术路线图

2016年3月17日,日本野村综合研究所总结了未来将对商业和社会造成深远影响的8项重要技术,并预测了这些技术至2020年的发展情况。这8项重要技术包括:人工智能...

2576

扫描关注云+社区