经过三年的快速发展，美团外卖的品类已经从单一外卖扩展到食品、夜宵、鲜花、超市等品类。用户群也从早期学生扩展到学生、白领、社区和商务旅行，甚至包括在内KTV等待娱乐场所消费的人。随着供给和消费群体的多样化，如何在供给和用户之间建立联系是用户肖像的基本工作。所谓的成千上万的人，肖像需要描绘不同群体的消费习惯和消费偏好。

外卖O2O与传统电子商务有一些不同。可简要总结如下几点：

1)新事物的快速发展：这意味着许多用户对外卖的了解较少，对平台上的新类别缺乏了解，对自己的需求没有充分的了解。该平台需要找到用户的消费意愿，以指导用户的消费。

2)高频:外卖是典型的高频O2O应用程序。一方面消费频率高，用户生命周期相对容易判断；另一方面消费单价低，用户决策时间短，随机性大。

3）场景驱动：场景是特定时间、地点和人物组合下的特定消费意图。不同时间、地点和类型用户的消费意图会有所不同。例如，白领在办公楼中午的订单通常是工作餐，通常对营养和质量有一定的要求，单价不宜过高；周末和晚上的订单大多是夜间小吃，追求口味，价格灵活。场景识别越详细，用户的消费意图越了解，运营效果越好。

4)用户消费的地理位置相对固定，结合地理位置判断用户消费意图是外卖的一个特点。

如下图所示，我们大致可以把一个产品的运营分为用户获取和用户拓展两个阶段。在用户获取阶段，用户因为自然原因或一些营销事件（例如广告、社交媒体传播）产生对外卖的注意，进而产生了兴趣，并在合适的时机下完成首购，从而成为外卖新客。在这一阶段，运营的重点是提高效率，通过一些个性化的营销和广告手段，吸引到真正有潜在需求的用户，并 ** 其转换。用户完成转换后，下一个操作重点是扩大用户价值。这里有两个问题：一是提高用户价值，具体是提高用户的单平均价格和消费频率，从而提高用户LTV（life-time value)。基本手段包括交叉销售(新品类推荐)、向上销售(优质高价推荐)和重复购买(优惠、红包 ** 重复订单和优质供应推荐提高订单频率）；第二个问题是用户的保留，通过提高用户的整体体验，并通过促销和折扣将用户留在外卖平台上。

因此，不同的用户体验阶段需要不同的操作重点。作为操作的支持技术，用户肖像需要提供相应的用户描述来满足操作需求。根据上图的营销链，除了提供常规的用户基本属性（如年龄、性别、职业、婚姻和生育状况等）外，还需要考虑以下问题：1）什么样的用户将成为外卖平台的客户（新客户识别）；2）判断用户的生命周期，用户是否可能从平台上丢失（丢失预警）；3）用户处于什么样的消费场景（场景识别）。后面是外卖O2O在用户肖像实践中，我们将介绍一些针对这三个问题的实践。

下图是我们肖像服务的架构：数据源包括基本日志、业务数据和订单数据。数据处理后存储在一系列主题表中，然后导入kv存储，为下游业务端提供在线服务。同时，我们将监控整个业务流程。主要分为两部分。第一部分是监控数据处理过程。利用内部自主研发的数据处理平台，监控每日主题表产生的时间、数据量和数据分布是否异常。第二部分是监控服务。目前，肖像系统支持的下游服务包括：广告、排名、操作等系统。

新客运营

新客运营主要需要回答以下三个问题：

1)新客户在哪里？

2)新客户的偏好是什么？

3)新客户的消费力如何？

这三个问题很难回答，因为与老客户相比，新客户的行为记录很少或几乎没有。这就要求我们通过一些技术手段进行推断。例如，新客户的潜在转化概率受到新客户人口属性（职业、年龄等）、地区（需求因素）、周边人群（也反映需求）以及是否有足够供应的影响；对于新客户的偏好和消费能力，可以推测新客户在商店场景中的消费行为。此外，用户的工作和居住地点也可以反映他的消费能力。对新客户的预测很大程度上取决于他在商店场景中的行为，而用户的商店行为对外卖相对稀疏。大多数用户在几个类别中都有一些消费行为。这意味着我们需要考虑选择什么样的统计描述：消费单价、总消费价格、消费类别等。然后通过大量的测试来验证特征的显著性。此外，由于数据稀疏，需要考虑适当的平滑处理。

在挖掘高潜力新客户时，我们整合了多个特征，最终通过特征的组合制定了更好的预测模型。我们可以找到一些转化率高的用户，他们的转化率是普通用户的几倍。通过针对高潜力用户的有针对性的营销，可以大大提高营销效率。

流失预测

新客户来了之后，他需要留在这个平台上，尽量延长生命周期。营销领域用户保留的两个基本观点是(来自菲利普.科特勒 营销管理)：

获得新客户的成本是维持现有客户成本的5倍！

如果客户流失率降低5%，公司利润将增加25%~85%

用户损失的原因通常包括：竞争吸引力；体验问题；需求变化。我们使用机器学习来构建用户的描述特征，并使用这些特征来预测用户未来损失的可能性。有两种方法： 第一种是预测用户在未来几天内是否会下订单。这是一个典型的概率回归问题，可以选择逻辑回归、决策树等算法来拟合给定观察下事件的概率；第二种是生存模型，如COX-PH模型，做流失的风险预测。下图左边是概率回归的模型，用户未来T天内是否有订单作为类别标记y，然后估计观察特征X的情况下y的后验概率P(y|X)。右边是用COX以模型为例，我们将根据未来用户T天是否下单给样本一个类别，即观察时间记录为T。假设用户的订单距今还有很长时间t<T，将t作为生存时间t'；否则，它将持续很长时间t'记为T。样本由三部分组成：样本类别(flag)，生存时长(t'.)和特征列表。虽然不能通过生存模型显式获得。P(t'|X)但其协变量部分实际上反映了用户流失的风险。

在生存模型中，βTx它反映了用户流失的风险，也与用户下次订单的时间间隔呈正相关。在下面的箱线图中，横轴是βTx，纵轴是用户下单时间的间隔。

我们做了COX对比模型和概率回归模型。预测用户XX天内是否会下单，两者性能相似。

通过使用用户流失预警模型，美团外卖显著降低了用户保留的运营成本。

场景运营

拓展用户的体验，最重要的一点是要理解用户下单的场景。了解用户的订餐场景有助于基于场景的用户运营。对于场景运营而言，通常需要经过如下三个步骤：

场景可以从时间、地点描述：时间、地点和订单。例如，工作日的下午茶、周末的家庭晚餐、晚上在家点夜宵等。重要的一点是分析用户的订单地址。通过区分用户的订单地址是办公楼、学校或社区，结合订单时间和内容，我们可以对用户的订单场景有一个大致的了解。

上图是我们订单地址分析的过程。根据订单系统中的用户订单地址文本和基于自然语言处理技术的地址文本分析，可以获得地址的主要名称（指拆除建筑物和门号的地址主要部分）和地址类型（办公楼、住宅社区等）。在此基础上，通过一些地图数据来确定最终的地址类型。此外，我们还识别了合并订单，即识别订单是一个人下订单还是拼写订单。结合拼写信息、地址分析和时间，我们可以预测用户的消费场景，然后根据场景进行交叉销售和向上销售。

外卖的营销特点与其他行业的主要区别在于：

外卖是一个高频的业务。由于用户的消费频次高，用户生命周期的特征体现较显着。运营可以基于用户所处生命周期的阶段制定营销目标，例如用户完成首购后的频次提升、成熟用户的价值提升、衰退用户的挽留以及流失用户的召回等。因此用户的生命周期是一个基础画像，配合用户基本属性、偏好、消费能力、流失预测等其他画像，通过精准的产品推荐或者价格策略实现运营目标。

用户的消费是由时间、地点和其他场景因素驱动的。因此，有必要深入了解不同时间和地点消费行为的差异，总结不同场景下用户需求的差异，制定相应的场景营销策略，提高用户活动。

此外，由于外卖是一件新事物，当用户缺乏对某些新类别和新产品的认知时，他们需要通过技术手段识别用户的潜在需求，并进行准确的营销。例如，哪些用户可能会购买相对低频、高价值的产品，如小龙虾、鲜花和蛋糕。可用的技术手段包括用户分组和消费用户look-alike扩展、迁移学习等。

同时，我们在制作外卖用户肖像时也面临以下挑战：

1)数据多样性，有大量的非结构化数据，如用户地址、菜名等。自然语言处理技术需要结合其他数据进行分析。

2）与综合电子商务相比，外卖是一个相对单一的类别，用户在外卖中的行为不足以全面描述用户的基本属性。因此，有必要在其他场合与用户的消费行为相结合。

3）外卖单价相对较低，用户消费决策时间短，随机性强。与传统的电子商务用户不同，他们在决策前有大量的浏览行为来捕捉用户的单一需求。因此，有必要结合用户肖像分析用户的历史兴趣和消费场景，在消费前对用户进行适当的指导和推荐。

面对这些挑战，用户肖像团队需要更详细的数据处理，整合多个数据源，开发新的方 ** ，可以更好地支持外卖业务发展的需要。上述外卖挑战与一些垂直电子商务领域相似，经验可以相互学习。因此，外卖用户肖像的实践和经验积累将为整个电子商务领域的大数据应用做出新的贡献！

不想错过技术博客更新？想评论文章，和作者互动？第一时间获取技术沙龙信息？

请关注我们官方微信微信官方账号美团点评技术团队。