【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。