拼多多产品深度分析：用户分析篇（上）

本文主要通过构建用户模型来分析拼多多用户的基本属性、认知与行为特征、消费习惯及社交关系等，通过对网购场景与动机的提炼及网购行动链路的拆解来分析用户网购背后的影响要素。

产品简介：拼多多作为新电商开创者，致力于将娱乐社交的元素融入电商运营中，通过“社交+电商”的模式（用户通过发起和朋友、家人、邻居等的拼单，拼多多通过拼单了解消费者，通过机器算法进行精准推荐与匹配），让更多的用户带着乐趣分享实惠，享受全新的共享式购物体验。

体验环境：华为nova3--EMUI900，APP版本4660

笔者在这先与各位看官分享一段小历史。对于中国近代史的开端，想必大家在历史课本中都学到过，鸦片战争敲开了近代中国封闭的大门。它对中国社会形态带来了极大的冲击，自给自足的小农经济在社会化大生产面前不堪一击，它给当时的人们带来了 价格更低廉 ， 种类更繁多 的工业化商品。

历史的车轮不断向前碾压，一转眼来到了现代，来到了今天。城镇化的发展与移动设备渗透率的扩大，打破了城镇锈迹斑斑的藩篱。这是电商大炮能够轰开低线城市大门的根源。由此带来了人们社会关系的巨大变化，其一是 地理空间关系的变化 ，其二是 社交空间关系的变化 。这两种关系的变化是低线城市电商能蓬勃发展的两大前提。城镇化过程中道路建设起来了，人们居住空间聚集起来了，相比于广袤分散式的农村，城镇是小型集中式的，因此电商物流在城镇内流转远比农村高效。此外，智能手机的普及，推倒了困住低线城市群体的城墙，他们可以接触到更广阔的社交圈，更多花花绿绿的商品。 价格更低廉 ， 种类更繁多的商品， 则成了攻陷城镇围墙的最后一发子弹。这一切似乎与当年的鸦片战争颇有几分神似。

这两大前提的出现，带来了人们消费认知的转变。这种消费认知的转变，笔者认为是 “家庭化消费”向“社会化消费”的转变 。在“家庭化消费”中，人们更多的是需要型消费，比如牙膏快用完了，所以需要去买牙膏。“家庭化消费”一个显著的特点是 “人找物” 。而在“社会化消费”中，人们不仅仅是因为需要才去消费，而更多是被各种信息刺激着去消费，例如某女士日常都是用普通拖把打扫卫生的，但是某天刷到一个达人推荐的电动拖把，省时又省力，价格比较合理，某女士便购买了一个，她觉得很好用，也带动了周围熟人购买这款产品。在“社会化消费”中，通过刺激创造出需求，来增加消费。“社会化消费”的显著特点是 “物找人” 。

电商经历了20多年的发展，基础条件基本成熟。头部电商平台占据了主要市场，既有以淘宝，京东为代表的综合电商平台，也有蘑菇街，蜜芽宝贝，聚美优品等垂直电商。本来可以说电商市场已趋于风平浪静，但随着拼多多的到来，使得电商市场又风起云涌。“时势造英雄”，环境背景的变化，把电商的战线从一二线城市拉向了低线城市。而拼多多正是切入低线城市“社会化消费”的新电商。为了应对拼多多的崛起，不论淘宝还是京东都在电商产品上向低线城市部署，社交电商也成为了一个热门词。这一波社交电商的攻势，在于迎合人们的“社会化消费”，即消费需求的刺激与再创造。笔者认为 “社会化消费” 的转变是电商产品设计的一个重点，也是本文分析的一个基调。

拼多多的发展可以说是利用下沉市场在电商红海中撕出了一道口子。拼多多在短短4年左右的时间里便爬到了头部电商的位置。

从图2-1中数据可以看出，拼多多月独立设备数超过33亿，其用户体量已经很庞大。从增长趋势上看，拼多多用户数增长趋缓，产品已经过了爆发期，进入稳定发展期，因此除了用户增长外，对于现有用户的深耕， 释放他们的消费能力 便开始显得格外重要。

从图2-2数据可以看出，在各级城市用户渗透率上，淘宝在一二线及低线城市上相比于其他电商均处于领先，淘宝在一二线渗透率上略微高于低线城市。拼多多在全体网民渗透率上仅次于淘宝，但是低线城市渗透率上相比一二线城市更高，达到395%。

从竞品安装比例来看，其一，拼多多用户中高达80%的用户是淘宝用户， 用户重合度很高 ，对于用户钱包的争夺也将愈加激烈。那么对于拼多多， 提高用户的忠诚度，增强“锁客”能力便显得愈加重要。其二， 京东用户中高达466%的用户使用拼多多，而拼多多用户中只有370%的用户使用京东。拼多多对于京东用户具有较强吸引力，而京东对拼多多用户吸引力较弱。这个数据侧面反映了，即使在追求高品质的用户（京东用户）中，也会对于部分商品追求更高的性价比。 低价对于很多人依旧是具有足够吸引力的策略 ，特别是考虑到近年的国内和国际的整体经济大环境，对于部分低价而品质要求不高的商品，电商平台可以作为“钩子商品”起到很好的吸引用户的作用。

那么到底是哪些人在使用拼多多？

图2-3中数据的精确性可能有待商榷，但大体可以看出用户性别及年龄分布情况。在性别上，拼多多用户中女性占比较大，一部分原因在于女性用户对于低价购物更敏感，另一部原因是女性用户会更多地负责家庭购物，购物需求更旺盛。

在年龄上，25-35岁的用户占比最大，这部分用户显著的特征是处于职场的上升期与婚姻家庭的组建期。这个年龄段用户正是消费需求旺盛时期，但是经济积累也相对薄弱。

通过对拼多多APP用户使用情况的反馈数据的采集与提炼，得到用户反馈的关键词，如图3-1所示。

对于好评关键词，主要集中在两方面，一是价格便宜可以省钱及商品丰富等商品维度，二是软件有趣好玩等打发时间的娱乐维度。

对于差评关键词，首先是由于低价所带来的产品质量问题，其二是对于拼多多的用户增长套路的反感，砍价、助力等传播拉新手段所引起的被传播者骚扰以及使用者任务失败的挫败感，其三是在在卡顿与闪退的技术问题上，部分原因由于拼多多用户千元机较多，手机内存有限以及对于缓存清理等问题的不熟悉。

在所有差评问题中，最关键也是最难的问题是产品质量问题及虚假买卖（有不少不良商家进行着拍A发B的行为）。对于质量问题，其一是真正的存在质量差的问题，毕竟价格很多时候是对商品价值的直接反应，其二是用户心智导致的主观质量差，大家应该都听过可口可乐与百事可乐的故事，由于人们主观认为可口可乐更好喝，即使两种可乐没差别，主观仍然认为可口可乐更好喝。因此对于质量问题，需从对 商品质量管控和提升平台形象 两点出发。对于虚假买卖，平台则应狠下决心，严肃处理，增加用户举证途径，以免因为少量不良商家而影响整个平台声誉。

总之，对于拼多多的情感，用户是又爱又怕。

由于大学生群体是拼多多需要向上拓展的代表性用户，因此笔者针对他们进行了相关网购行为与电商APP使用情况的问卷调研，问卷数据与结论如图4-1和图4-2。（调查目的：调研大学生群体网购APP使用情况及网购关键消费习惯）

拼多多在大学生群体中渗透率并不高，但是其竞品淘宝的渗透率极高。在大学生群体中，他们对拼多多印象比较差，即使他们没使用过拼多多，但是依然觉得淘宝商品比拼多多商品质量更好。增加大学生群体的 信任感 ，是拼多多拓展大学生用户的一个关键要素。

通过将不同人群进行划分，绘制出拼多多与用户群体的关系图，如图5-1所示。

图中列出了五类拼多多用户群体，圆环内环是拼多多目前的核心用户，他们对价格更敏感，在购物时往往以价格为导向，对于商品品质要求相对较低。而圆环外环的大学生与一二线上班族，他们虽然也会在意价格，但是他们通常会在对品质要求不高的商品上选择低价，例如在拼多多购买一些日用品。对于大学生群体和一二线上班族是拼多多扩大用户规模中必须拓展的群体，其应对策略也会不同于低线用户群体。

拼多多与用户通过两个关键要素建立起连接关系，分别为 省 与 闲 。“省”是拼多多用户的特征，并且大部分用户也具有闲暇时间较多的特征。因为闲暇，他们可以花费更多时间在拼多多上，以便获得收益和娱乐。“省”和“闲”是在产品设计时可以进行重点思考的部分，以期能更好地满足用户需求。

（1）用户模型--大学生

对于学生用户群体，他们需求的关键点在于 性价比，发现好货，品牌追求。

学生群体是社会中的上升群体，是未来的生力军。由于经济来源的限制，他们在消费中会比较注重价格，但价格并不是绝对衡量要素，他们会去讲究品质，讲究产品带给自己的体验。因此他们在追求性价比的同时，在某些能带来极大体验的产品上舍得花钱，同时也会去追求品牌或者大牌商品。学生群体行动能力较强，好奇心旺盛，他们会通过社交、媒体、资讯等各种途径去发现好货，满足自己的新奇特的心理动机（下文会具体介绍网购五大动机）。

（2）用户模型--低线城市青年

对于低线城市青年，他们需求的关键点在于 性价比，发现好货，省与赚。

低线城市青年是社会财富的创造者，同时也是消费增长主力军之一。低线城市青年收入并不会特别高，但是他们面对的生活成本相对也会低很多。性价比是他们在消费时会重点考虑的因素，他们对于品牌甚至大牌的追求度相对降低（人际关系的影响，品牌带来的炫耀攀比降低），低价优质的产品更能得到青睐。当然他们对于生活品质也有一定追求，也会通过发现新奇产品来满足消费心理。由于收入不高，但是消费需求较旺盛，他们在省钱的同时，希望能通过赚取“零花钱”来满足自己更多的消费欲望。

（3）用户模型--低线城市中年

对于低线城市中年群体，他们需求的关键点在于 低价，有用，热闹。

低线城市中年群体是社会消费的下降群体。由于低线城市中年的成长环境与时代背景，导致他们在消费上偏保守，他们更多情况下会把钱花在有用的地方。在价格上，他们很敏感，想想菜市场里的买菜大妈便可知晓一二。低线城市中年群体对于低价产品会比较感兴趣，所以低价有用的产品是他们的吸引点。同样，热闹感也是他们所喜爱的，除了从众是人的特性外，中年群体喜欢热闹也因为他们子女或在外求学工作或成家立业，生活开始变得冷清，热闹可以带来充实与安全感。

此外，对于一二线上班族，他们在某些方面的需求类似于学生群体，但是由于他们有较高的独立收入，对生活质量要求也会较高，品质感会是他们较看重的点。一二线务工人员会比较看重价格因素，对于品质要求不高，他们的情况类似于低线城市青年。由于篇幅原因，不再对他们进行赘述。

将用户的认知与行为特征单独用雷达图表示出来（图6-4），可以更好地进行对比分析。从这张图中大致可以看出不同用户的认知特征与行为特征在什么水平，它是我们在产品设计中考虑用户需求与体验的重要参考，比如用户在网购时会干什么，是无聊闲逛还是有目的去找商品，他们喜欢不喜欢收藏商品，为什么收藏商品等等。

在网购熟悉度上，青年用户与中年用户有较大差异，而拼多多用户群体中具有较大比例的中年用户，因此在产品设计上，对于中年用户的可用性设计将比较重要（符合用户线下购物心智模式，操作简单化等）。

不论青年人还是中年人，他们在购物后均有较强意愿进行分享，这是商品能在熟人及陌生人中传播的重要因素，在产品设计中如何利用好这一点至关重要。当然，认知与行为特征不仅对于我们进行产品设计有帮助，也能让我们在分析一款产品时，帮助我们知道其设计的优劣之处。

网购的细分场景有很多，有办公，穿搭，婴童，美食等等，但是归结到根源上，网购均是发自三大场景，分别是目的明确，目的模糊以及无目的。不论你是看到某某买了好吃的，还是季节变化，用户购物的三大场景是相对固定的，在产品设计上可根据这三大场景进行 频道入口规划及页面布局 等，例如产品增加商品信息流推荐，则是利用无目的场景。

笔者将网购动机提炼为五点，分别为：价、质、奇、社、娱。

价：指价格动机。 购物时价格是人们的一大动机，当然寻求低廉的价格会是大多数人购物的一大动机，但也会有高价的动机。

质：指质量动机。 人们购物时总希望买到质量好的商品。

奇：指新奇特动机。 “好奇心害死猫”，我们购物也会去寻找新奇特的商品，希望发现新奇好货。

社：指社交动机。 作为社会中的人，首先，我们很多决策都潜移默化受到社交环境影响，比如从众心理，大家会去购买人气旺的商品，攀比炫耀，人们会去选择品牌商品（品牌一方面提供质量背书，另一方面满足用户攀比炫耀之心），另外，我们也希望通过购物提升自己的社交参与感，购买到好东西会想着show，想着把自己的经验分享给他人，获得别人认同。

娱：指娱乐动机。 在人们物质得到满足后，购物不仅仅停留在满足基本物质需求上，而是寻求乐趣，在娱乐消遣中顺便购物。

当然在产品功能设计时不可能五大动机不分优先级的笼统考虑，而是根据产品发展阶段，目标用户各种动机的强烈程度，合理的利用这五大动机进行功能设计。拼多多吸引这么多用户来购物，正是充分利用了他们寻求低廉的价格动机，当然拼多多要吸引更多用户群体，增加平台GMV，对其他购物动机的满足自然必不可少。结合用户网购的三大场景与五大动机，我们便能在产品的信息架构，购物频道规划，购物的页面动线等等上进行思考与设计，以达到产品的商业目标与用户目标。在产品分析篇中，笔者将利用场景-动机动线图，来对比分析淘宝与拼多多各自在购物场景与动机上的设计点。

八  网购关键行动链路拆解

在进行这节内容之前，笔者在这先提几个问题。

不论用户购物行为如何千变万化，就像无论树枝如何繁茂，它一定是来源于一个树干。结合福格行为模型，笔者将用户网购中的种种行为归纳于一个行动链路之中。这个链路从用户被 信息刺激 开始，到 促成行动-方案评估-决策执行-行动反馈， 这一系列行动阶段共同构成了整个行动链路，如图8-1所示。

笔者 将用户在网购行动中的每一个阶段进行拆解，则得到图8-2。通过行动链路的构建与拆解，我们可以更清晰地了解， 什么会触发用户做出行动，产品想让用户去做什么，哪些是影响用户敲定决策方案的因素，用户可能的执行动作有哪些。

从链路拆解图中可以看出，在 信息刺激阶段 ，信息刺激可分为外在刺激与内在刺激。内在刺激是产品自身因素激发用户去使用产品，而外在刺激是各种环境，场景因素刺激用户去使用产品。内在刺激可以让用户直接去使用拼多多，例如日常签到，果园浇水等，但外在刺激不一定会让用户去使用拼多多，用户可能会去使用竞品比如淘宝。那么 在产品设计时，如果能将外在刺激转化为内在刺激，则可以有效促使用户直接去使用产品。 不论是为了用户促活留存还是拉新，信息刺激对于产品均格外重要，特别是社会化消费趋势下，人们的购物需求更是在各种信息刺激下得到激发。

促成行动阶段 关键在于把握产品想要达到的商业目标和用户目标。因为有时候用户的行动可能并不是我们想要的最终目的，我们更希望用户在行动的同时能完成关联任务。例如，在设计砍价功能时，我们当然不是仅仅希望他人只是单纯帮好友砍价，而是希望通过帮砍价的行动，引导用户参与活动之中。因此促成行动阶段，需要根据商业目标与用户目标来设计直接任务甚至增加关联任务。

在用户购物的 方案评估阶段 主要影响因子是需求度与三维属性。需求度可分为很需要、一般需要及不需要，其中对于“一般需要”才是更需要我们花大力气进行设计，提高下单转化的点。

三维属性主要指 商品属性，营销属性和行为属性 ，商品列表页与详情页正是围绕着这三要素来进行设计的，因此在产品设计中需要合理进行信息露出展示与关键提示。

商品属性 主要是让用户明白这是什么，涉及标题、主图、详情、价格、品质等要素。

营销属性 主要是让用户明白为什么购买，涉及折扣、限时、赠品、满减、包邮等要素。

行为属性 主要是让用户对商品产生信任，涉及热度、评论、销量、收藏量等。

在用户下单的 决策执行阶段 ，拼单（参与拼单或发起拼单）与收藏是用户两个重要执行动作，对于它们的合理设计可以有效提高用户的下单与传播增长（拼单分享）。

在 体验反馈阶段 ，对于购物来说，重要的点是 用户如何能够把好的购物体验分享给他人 （熟人与陌生人），因此在这个阶段如何设计分享通道，如何促进用户分享便是产品需要着重思考的点。

小结：本文主要对拼多多用户基本属性、认知-行为特征、网购场景-动机和网购关键行动链路做了分析。在产品分析篇中，笔者将结合用户分析的内容，对拼多多在，基于场景动机的页面设计、网购行动链路下的各环节拆解分析、基于人际关系的传播增长及产品新的机会点“以贩养吸”式的成长体系构建等方面进行相关分析与探讨。

用户运营是以用户为主体，以服务用户、引导用户、活跃用户为核心工作的，走近用户是获取用户需求最直接的渠道。了解用户需要什么，才能更好地为用户服务，掌握自身用户的结构，并适当进行用户分级。找到自己的目标客户群，为他们提供服务，吸引他们，留住他们，并发挥他们的最大价值。用户运营在产品方向以及需求的制定中是非常重要的。因为标题中提到了产品运营，估计很多人会问，产品运营和用户运营之间的关系，这里我先说明一下我个人的定义产品运营：是一个从内容建设，用户维护，活动策划、产品推广四个层面来管理产品内容和用户之间关系的工作，所以可以理解为产品运营是运营的统称，我们做的产品都是给人提供服务，最终都是在跟人打交道，实际上我的理解是产品和用户是密不可分的，相互成就接下来进入正题说一说用户运营，到底什么是用户运营？从字面意思来解释就是运转经营用户，以用户行为数据为基础，通过一系列的营销举措、内容、能力、体验等等吸引用户，留住用户，延长用户生命周期，并发挥出用户的最大价值。其实我们做的产品就是做给人使用的，归根结蒂我们是在分析人，人与人各有不同，但我们如何从大千世界中总结归类，找到我们自己的目标客户群，为他们提供服务，吸引他们，留住他们，并发挥他们的最大价值，这就是用户运营那么用户运营要做哪些事呢？我一般会分先分为下面3个大阶段，每个阶段再细分成不同的目标：产品0到1阶段，定位用户：即产品规划阶段，从产品的一无所有所有开始制定规划目标，这时我们要配合产品制定出我们要定位那些用户群，说白了就是，我们这个产品做完了给谁用？这是用户运营需要做：产品1到10阶段，验证用户：产品上线，可以拿到一些用户的行为数据，这时需要分析我们当初定位的用户是否正确，是否有偏差。根据用户行为数据，我们可以分析出产品优化调整的策略，提高产品体验，进一步满足用户需求，用户运营主要做：产品10到100阶段，发展用户：通过验证用户阶段，用户行为数据分析和产品数据分析，将产品进行了优化迭代，在产品爆发阶段，用户运营要做好的是用户生命周期运营一、产品的0到1阶段是一个产品的规划阶段，是没有真实的用户可以研究的，需要通过寻找、发现、定位潜在的目标用户，这时用户运营主要是调研分析定位用户1、发现&调研产品需求可能是偶然间、也可能是他人分享、或是经过市场调研发现一个产品需求（即用户痛点），例如疫情期间，很多小微企业受到重创，从新闻上以及身边创业的朋友处发现，这些小微企业有一个很大的痛点就是继续资金周转以及没有渠道了解帮扶政策，那么这里就发现了一个用户痛点：咨询来源+贷款。2、需求是否为共性需求分析这个需求是否为一个群体性特征需求（翻译成白话就是，你的确认你做完的东西得有人用），这一步需要通过一些手段来实现，专家访谈、线下调研、电话调研等等，确认这个需求有一定的广度，是某一部分人群的共性需求，这里估计要有人问，专家那里来？被调研的对象哪里来？这个不用多解释吧，既然要做这类的产品，相信都有一定的资源可以使用（白嫖除外）3、梳理产品能力分为两步，第一、提炼核心产品能力，即产品的主线任务，核心解决用户的痛点需求，根据上述例子，解决用户的咨询和贷款需求。第二、延伸产品能力，即产品的支线任务，产品的周边能力，用来提升用户的体验，根据上述例子中，可以增加行业咨询等等信息4、用户场景模拟扮演真实用户在我们规划搭建的场景中进行体验，确认是否核心能力都解决了用户的需求，延伸产品能力给用户带来的更好的产品体验5、细化目标人群的精准特征根据产品的定位，描绘出目标人群的画像，分为外在属性和内在属性内在属性：年龄、性别、兴趣爱好、收入、学历等等外在属性：地域、婚否、活动场所等等6、用户验证根据第五步中我们圈定的虚拟人物画像，找到一些真实符合画像的用户，通过访谈法、观察法、焦点小组访谈法、可用性测试法等等，这点我细说了大概解释一下，网上一搜一大把，但是核心要记住，是为了验证我们的产品核心能力是否解决了用户痛点，周边产品能力是否给用户带来更好的体验访谈法：用户深度探索用户在使用产品过程中所遇到的问题与感受观察法：用户访谈时可能处于回忆状态，因为是回忆，所以很容易忽略掉使用产品的情境和情感，需要像影子一样观察和记录用户的所有信息焦点小组访谈：召集人群属性相似的用户，进行访谈讨论可用性测试：在真实的使用过程中观察用户的实际操作情况，详细记录并分析用户在使用产品中遇到的问题，目的是发现产品中存在的可用性问题，进行产品改进7、产品优化改进根据第6条中收集的问题点进行产品的优化改进，上线测试二、产品的1到10阶段是一个产品初期种子用户获取阶段，这期间通过种子用户对产品的使用，积累一定的用户行为数据，可以进行分析研究用户，验证产品，这期间用户运营主要是验证用户，给产品的优化迭代提供依据1、埋点数据分析为了满足快捷、高效、丰富的数据应用而做的用户行为过程及结果的记录，是一种常用的数据采集方法（相信各位所在的公司都有自己的埋点方式）常规平台埋点用户行为监控流程激活APP：在APP投放时需要在自己的安装包进行分包，俗称包名（packagename），用来监控各个应用下载平台带来的用户，这一步主要记录下载率、激活率，用来分析该应用下载渠道的用户群是否与产品的目标群相符（下载率低或激活率低则间接证明，渠道用户群不符，如何判断下载或转化率低需要单独来看数据）；用户注册：一般的用户习惯是进入产品后，先浏览一些内容，看内容是否有兴趣，如果有兴趣用户才会进行注册行为（当然这里提高用户的注册有很多手段，以后的文章中会写），此时主要监控注册率，注册率的高低直接反应了产品内容是否勾起了用户的兴趣；搜索行为&进入栏目：两者是用户进入产品看到内容后的一个行为分支，当当前页面展示的内容&栏目分类无法满足用户的需求或者无兴趣时，用户将会进行搜索行为，此时需要记录搜索行为or进入栏目的用户占比、搜索的关键词、搜索次数、进入栏目的类型等等，这里可以分析出用户的需求是什么、对那些内容感兴趣、需求高低程度（同一种信息通过不同关键词的搜索，我理解为用户对该内容需求高）；详情页：需要分别记录从搜索和栏目到达详情页的跳转率（详情页UV/（搜索UV+栏目UV）），以及最终到达详情页的到达率（详情页UV/点击跳转UV），跳转率显而易见，用户对内容产生了兴趣才会点击跳转，跳转率自然就高，如果用户对内容没有产生兴趣，跳转率自然就低；到达率可反应产品的硬件实力，跳转体验是否顺畅最终转化：需要进行分支，内容平台和电商平台看的数据不相同内容平台：点赞率、评论率、收藏率，可间接说明内容对内容的喜欢程度（你细品，是不是当你对内容有兴趣或有意见的时候才会评论），可以验证我们提供的内容是否真的解决了用户的需求，是用户所想要的，同时也可以给用户进行兴趣标记，用于后续的用户的兴趣推荐电商平台：电商比较直接，用户进入详情页后最直接的就是下单转化，最终下单并支付，直接说明商品对用户的吸引程度，这里要关注几个数据，下单率、订单提交率、支付完成率；2、用户调研还是老办法通过访谈法、观察法、焦点小组访谈法、可用性测试法等等手段来收集产品信息反馈，进行产品迭代优化，因为手段相同，不再进行赘述三、产品10到100阶段是产品的爆发阶段，期间用户可能会爆发式增长，用户运营要做好的是用户生命周期的管理和监测，及时的发现问题，及时改进用户生命周期通常分为五个阶段：引入期、长大期、成熟期、休眠期、流失期1、引入期其实就是获客阶段，我们需要通过一系列的手段（广告投放、利益引导、内容引导、产品流程引导等等）触达我们的目标用户，APP（下载、激活、注册），公众号（关注），小程序（打开小程序、授权注册）APP：下载率/激活率分析渠道转化效果，选择最适合的推广渠道；注册率反映产品能否满足用需求或给用户带来帮助；公众号：反映公众号内容或公众号功能，能否满足用需求或给用户带来帮助；小程序：打开率及授权注册率与公众号相同，都是反应是否能满足用户的需求、吸引用户给用户带来帮助；2、长大期界定方式看用户是否完成了产品的完整体验（有的看付费，有的看内容浏览），比如电商完成首次购等等，信息平台看首次信息浏览等等（产品的不同阶段界定指标不同），指标为首次XX转化率，间接影响指标APP访问次数与购买转化关系（例如平均访问3次，完成首次转化）、兴趣爱好与购买转化关系（例如某类内容经过N此访问后，完成首次转化）；3、成熟期此阶段用户已经产生一定的习惯和依赖，并进行了多次重复性行为（购物、查阅、观看等等），以及有固定的访问频率（比如每周访问频率，月访问频率），此时可以通过交易、活跃、社交等能力用户价值的最大化，或延长用户的成熟期，从而延长用户为产品带来的价值，核心关注指标复购率、客单价、人均购物数、ARPU等等；4、休眠期/流失期对产品熟悉的用户此时可能产生疲倦，访问频率，购物频率，访问时长等等指标均在下降，以至于最后用户流失，此时用户运营需要定义休眠/流失用户，分析用户流失的关键指标，用户干预和引导定义休眠/流失用户：需要根据业务而定，用户的某项或多项指标低至某个阈值，定义为休眠用户，为0时定义为流失用户，例如某电商平台用户月均访问次数为10次，当某用户连续N月访问低于10次时，或该用户月均访问次数为5次，连续N月访问次数为2次时，定义该用户为休眠用户，若连续N月未访问则定义成流失用户分析用户流失的关键指标：监控数据，进行预休眠/流失用户的建模。结合用户休眠/流失的原因，将休眠/流失用户定义或标记出来用户干预和引导：降低用户休眠和流失情况，结合用户行为数据，分析用户流失原因，进行干预和引导实际上休眠期和流失期是贯穿整个用户生命周期的，无论引入期、长大期、成熟期都有自己的阶段的用户休眠和流失情况引入期，用户是新手，可能因为推广渠道质量偏低，用户群为非目标用户；其次产品自身设计问题；长大期，用户处于刚接触阶段，平台没有合适的产品和内容，以及平台购物流程等设计不顺畅；成熟期，用户个人原因购买环境发生变化，产品内容更新出现间断或不及时，或缺少新鲜的运营手段也会造成用户流失；总而言之，运营就是跟人打交道，分析人的心理，不断去想用户所想，提供用户所需，抓住的用户的心理，并落地在产品上，才能真正的抓住用户，留住用户怎么选适合自己的岗位呢？从发展的角度来看，我自己是建议用户运营和产品运营。因为越来越多的产品出来，他们是需要懂得、了解用户的心里感受以及需求的。这是一个很好的发展前景。从性格匹配程度来看，喜欢和人打交道的可以尝试用户运营，喜欢写文字的可以尝试新媒体运营；数据思维，分析能力比较强的，适合产品运营。今天就和大家分享到这边，更多精彩，请继续关注！

竞品分析怎么做

以终为始一明确目标

用户层

了解用户是谁，为什么使用产品，使用的场景是什么，是否存在痛点，提供用户想要的产品，了解用户想要的产品。

可通过如下途径：

1使用用研团队的调研产出

2网上搜索用户反馈(app store评论/官网官微/论坛)3直接的用户研究(方法包括问卷调查、可用性测试、用户访谈、眼动测试、焦点小组、用户画像、数据分析等)

实践层

得到有效的验证、有用的总结，找到能够启发设计的亮点，促进团队达到一致的共识。

精挑细选选择竞品

直接竞品

直接竞品指的与自身产品定位高度一致、目标用户一致且产品功能十分相似的一类产品。

跟你设计的产品争夺同一个市场，有直接竞争关系

这类竞品是首要选择

间接竞品

间接竞品就是指产品定位类似，目标用户有重叠，核心功能不完全一样的一类产品。跟你的产品有间接晶振关系，针对这些竞品他们的典型产品、版本或重点活动可以作为参考。

相关竞品

相关竟品是指产品定位不一致，但目标人群具有一定共性，能满足用户相同需求的竞品，以及其他行业的产品。这类竞品相互之间有替代竞争关系:

1互相抢夺用户的时间资源,

2互相抢夺用户的预算资源

3跨界的竞品需要行业领先者注意

4可以跨界寻找相关竞品

多维视角一一用户体验5要素

表现层

主要包括视觉表现、布局、配色、排版、情感化等这是我们最熟悉也是最容易看到的模块

框架层

包括体验操作、刷新、页面跳转、查询、交互框架、界面设计、导航设计、标签设计、细节点等，这就是我们常见的设计规范统一所形成的效果。

结构层

包括信息架构、常规功能、特色功能、实现情况、用户流程等，这个层面主要是将用户的需求转化为产品需求，体现产品的逻辑。

范围层

包括产品的核心功能、次级功能、功能架构、业务流程设计等模块，这个层级定义了产品为用户提供解决方案，即内容的方向。

战略层

包括企业愿景、产品定位、需求把控、用户习惯、商业模式等。这个层面关乎产品的商业价值，及其业务所能拓展的范围的宽度

网罗天下一收集信息

对手网站

竞争对手网站、交流互动平台、产品历史更新版本、促销活动、最新调整、招聘信息等， 内部市场、运营部门、管理层等信息收集。

搜集国外同行业的官网及行业信息订阅

第三方数据

一般是通过行业报告、行业白皮书等。竞争对手的季度年度财报 ，比如，艾瑞咨询、易观千帆、极光大数据、亿欧智库以及199IT网等权威网站发布的一些行业报告都极具参考价值。

行业新闻

行业媒体平台新闻、论坛、QQ群等。百度搜索知名产品的软文，分析软文稿的内容和发布时间，可以推断出竞品的推广节奏、更新节奏和策略打法知乎

用户调研

用户评论，调查核心用户、活跃用户、普通用户不同需求弥补和替代的产品。

使用对方的产品、客服咨询、技术问答等亲自体验。

抽丝剥茧--整理分析

表格法

表格分析法，主要是使用表格来统计竞品功能元素的有无

用户体验五要素

表现层，框架层，结构层，范围层，战略层

KANO模型

描述基本需求、期望型需求、兴奋型需求

Yes/No法

主要适用于功能层面，简单来说就是将各个产品的功能点全盘罗列出，有功能点的地方标“V”，通过比对可以清晰地了解功能点上产品间的异同。

SWoTSWOT法分析是竞品分析的一种常用方法，通过SWOT分析得出优势、劣势、机会、威胁，以便制定竞争策略。

完美收官一总结报告

战略层分析1产品背景2用户群体3产品定位4竞品选择

范围层分析1模块划分2功能模块3MVP功能4总结

结构层分析1结构脑图2核心流程3关键步骤流程4总结

框架层分析1排版总结2同一模块不同展现3总结

表现层分析1基础表现层分析2品牌传达3情感化设计4整体视觉把握

分享嘉宾：张鸿志博士 美团 算法专家

编辑整理：廖媛媛 美的集团

出品平台：DataFunTalk

导读： 美团作为中国最大的在线本地生活服务平台，连接着数亿用户和数千万商户，其背后蕴含着丰富的与日常生活相关的知识。美团知识图谱团队从2018年开始着力于图谱构建和利用知识图谱赋能业务，改善用户体验。具体来说，“美团大脑”是通过对美团业务中千万数量级的商家、十亿级别的商品和菜品、数十亿的用户评论和百万级别的场景进行深入的理解来构建用户、商户、商品和场景之间的知识关联，进而形成的生活服务领域的知识大脑。目前，“美团大脑”已经覆盖了数十亿实体、数百亿的三元组，在餐饮、外卖、酒店、到综等领域验证了知识图谱的有效性。今天我们介绍美团大脑中生活服务知识图谱的构建及应用，主要围绕以下3个方面展开：

--

“美团大脑”是什么？

以下是“美团大脑”构建的整体RoadMap，最先是2018年开始餐饮知识图谱构建，对美团丰富的结构化数据和用户行为数据进行初步挖掘，并在一些重要的数据维度上进行深入挖掘，比如说对到餐的用户评论进行情感分析。2019年，以标签图谱为代表，重点对非结构化的用户评论进行深入挖掘。2020年以后，开始结合各领域特点，逐个领域展开深度数据挖掘和建设，包括商品、美食、酒旅和到综和cross图谱等。

--

在搜索中，通常用户需要将其意图抽象为搜索引擎能够支持的一系列精搜关键词。标签知识图谱则是通过“标签”来承载用户需求，从而提升用户搜索体验。例如，通过标签知识图谱，用户可直接搜索“带孩子”或者“情侣约会”，就可返回合适的商户/内容供给。从信息增益角度来说，用户评论这种非结构化文本蕴含了大量的知识（比如某个商户适合的场景、人群、环境等），通过对非结构化数据的挖掘实现信息增益。该团队以生活服务领域的海量评论数据作为主要知识来源，通过标签挖掘、标签间关系挖掘以及标签-商户关联等关键技术，自下而上梳理用户需求，场景及主要关注点完成图谱构建。

标签知识图谱构建分为以下四个部分：知识抽取、关系挖掘、图谱打标和图谱应用。

① 知识抽取

标签挖掘采用简单的序列标注架构，包括Single span标签挖掘和跳字标签挖掘，此外还会结合语义判别或者上下文判别，采用远监督学习+结果投票方式获取更精准的标签。

② 关系挖掘

同义词挖掘：同义词挖掘被定义为给定包含N个词的池子，M个业务标签词，查找M中每个词在N中的同义词。现有的同义词挖掘方法包括搜索日志挖掘、百科数据抽取、基于规则的相似度计算等，缺乏一定的通用性。当前我们的目标是寻找通用性强，可广泛应用到大规模数据集的标签同义词挖掘方法。

以下是作者给出的同义词挖掘的具体方案，首先将离线标签池或者线上查询标签进行向量表示获取向量索引，再进行向量哈希召回，进一步生成该标签的TopN的同义词对候选，最后使用同义词判别模型。该方案的优势在于降低了计算复杂度，提升了运算效率；对比倒排索引候选生成，可召回字面无overlap的同义词，准确率高，参数控制简单。

对于有标注数据，主流的标签词嵌入表示方法有word2vec、BERT等。word2vec方法实现较为简单，词向量取均值，忽略了词的顺序；BERT通过预训练过程中能捕捉到更为丰富的语义表示，但是直接取[CLS]标志位向量，其效果与word2vec相当。Sentence-Bert对于Bert模型做了相应的改进，通过双塔的预训练模型分别获取标签tagA和tagB表征向量，然后通过余弦相似性度量这两个向量的相似性，由此获取两个标签的语义相似性。

对于无标注数据来说，可以通过对比学习的方法获取句子的表示。如图所示，Bert原始模型对于不同相似度的句子的向量相似度都很高，经过对比学习的调整之后，向量的相似度能够较好地体现出文本相似度。

对比学习模型设计：首先给定一个sentence，对这个样本做扰动产生样本pair，常规来说，在embedding层加上Adversarial Attack、在词汇级别做Shuffling或者丢掉一些词等构成pair；在训练的过程中，最大化batch内同一样本的相似度，最小化batch内其他样本的相似度。最终结果显示，无监督学习在一定程度上能达到监督学习的效果，同时无监督学习+监督学习相对于监督学习效果有显著提升。

同义词判别模型设计：将两个标签词拼接到Bert模型中，通过多层语义交互获取标签。

标签上下位挖掘：词汇包含关系是最重要的上下位关系挖掘来源，此外也可通过结合语义或统计的挖掘方法。但当前的难点是上下位的标准较难统一，通常需要结合领域需求，对算法挖掘结果进行修正。

③ 图谱打标：如何构建标签和商户供给的关联关系？

给定一个标签集合，通过标签及其同义词在商户UGC/团单里出现的频率，卡一个阈值从而获取候选tag-POI。这样会出现一个问题是，即使是频率很高但不一定有关联，因此需要通过一个商户打标判别模块去过滤bad case。

商户打标考虑标签与商户、用户评论、商户Taxonomy等三个层次的信息。具体来讲，标签-商户粒度，将标签与商户信息（商户名、商户三级类目、商户top标签）做拼接输入到Bert模型中做判别。

微观的用户评论粒度，判断每一个标签与提到该标签的评论（称为evidence）之间是正面、负面、不相关还是不确定的关系，因此可当作四分类的判别模型。我们有两种方案可选择，第一种是基于多任务学习的方法， 该方法的缺点在于新增标签成本较高，比如新增一个标签，必须为该标签新增一些训练数据。笔者最终采用的是基于语义交互的判别模型，将标签作为参数输入，使该模型能够基于语义判别，从而支持动态新增标签。

基于语义交互的判别模型，首先做向量表示，然后是交互，最终聚合比较结果，该方法的计算速度较快，而基于BERT的方法，计算量大但准确率较高。我们在准确率和速度上取balance，例如当POI有30多条的evidence，倾向于使用轻量级的方式；如果POI只有几条evidence，可以采用准确率较高的方式进行判别。

从宏观角度，主要看标签和类目是否匹配，主要有三种关系：一定不会，可能会，一定会。一般通过商户层关联结果进行投票结果，同时会增加一些规则，对于准确率要求较高时，可进行人工review。

④ 图谱应用：所挖掘数据的直接应用或者知识向量表示应用

在商户知识问答相关的场景，我们基于商户打标结果以及标签对应的evidence回答用户问题。

首先识别用户query中的标签并映射为id，然后通过搜索召回或者排序层透传给索引层，从而召回出有打标结果的商户，并展示给C端用户。A/B实验表明，用户的长尾需求搜索体验得到显著提升。此外，也在酒店搜索领域做了一些上线实验，通过同义词映射等补充召回手段，搜索结果有明显改善。

主要采用GNN模型实现，在构图中构建了两种边，Query-POI点击行为和Tag-POI关联信息；采用Graph Sage进行图学习，学习的目标是判断Tag和POI是否有关联关系或者Query和POI是否点击关系，进一步依据关联强度进行采样。上线后结果显示，在仅利用Query-POI信息构图时，线上无收益，在引入Tag-POI关联信息后线上效果得到显著提升。这可能是因为排序模型依赖于Query-POI点击行为信息去学习，引入Graph Sage学习相当于换了一种学习的方式，信息增益相对较少；引入Tag-POI信息相当于引入了新的知识信息，所以会带来显著提升。

此外，仅接入Query-POI向量相似度线上效果提升不佳，将Query和POI向量接入后效果得到显著提升。这可能是因为搜索的特征维度较高，容易忽略掉向量相似度特征，因此将Query和POI向量拼接进去后提升了特征维度。

该任务通过当前已知的Item去预测用户点击的Masked Item。比如说获取Item的上下文表征的时候，将相关的Attribute信息也进行向量表征，从而去判断Item是否有Attribute信息。

此外，还可以做Masked Item Attribute 预测，从而将标签的知识图谱信息融入到序列推荐任务中去。实验结果表明，引入知识信息后的准确率在不同的数据集上均有数量级的提升。同时，我们也做了线上转化的工作，将Item表征做向量召回；具体来说，基于用户历史上点击过的Item去召回topN相似的Item，从而补充线上推荐结果，在美食列表推荐页有显著提升。

--

菜品知识图谱的构建目标，一方面是构建对菜品的系统理解能力，另一方面是构建较为完备的菜品知识图谱，这里从不同的层次来说明菜品知识图谱的构建策略。

菜名理解

菜名中蕴含着最精准、获取成本最低的菜品信息，同时对菜名的理解也是后续显式知识推理泛化能力的前提。首先是抽取菜名的本质词/主体菜，然后序列标注去识别菜名中的每个成分。针对两种场景设计了不同的模型，对于有分词情况，将分词符号作为特殊符号添加到模型中，第一个模型是识别每个token对应的类型；对于无分词情况，需要先做Span-Trans的任务，然后再复用有分词情况的模块。

菜名理解是一个较为重要的信息来源，但是所蕴含的知识相对有限，从而提出了基于深度学习模型进行初步字符推断，可实现对不同字面表述的泛化处理。但是对需要专业知识的case表现欠佳，偶尔在字面极其匹配时出现case。

从知识内容丰富的文本中挖掘某些菜谱的基础知识，来构建源知识库；然后通过泛化推理去映射到具体SKU中。在食材推理中，比如菜品种有多道红烧肉，统计10道五花肉中有4道是指五花肉，6道是指带皮五花肉，因此肉就转化为带皮五花肉。对应地，佛跳墙有多道菜谱，先通过统计每种食材出现的概率，可以卡一个阈值，然后表明该菜谱的食谱是什么。

多源数据挖掘，基于菜名理解结果构建solid knowledge triple，同时也依赖菜名理解结果泛化规则。该策略主要适用于处理食材、功效、人群等标签。该方法准确率OK，有一定泛化能力，但覆盖率偏低。

业务内有一些比较好用的训练数据，例如1000万商户编辑自洽的店内分类树。基于该数据可产生5亿的 positive pairs 和 30G corpus。在模型训练中，会随机替换掉菜谱分类的 tab/shop，模型判断 tab/shop 是否被替换；50%的概率drop shop name，使得模型仅输入菜名时表现鲁棒。同时，对模型做了实体化改进，将分类标签作为bert的词进行训练，将该方法应用到下游模型中，在10w标注数据下，菜谱上下位/同义词模型准确率提升了18%。

首先使用ReseNet对菜谱进行编，使用Bert模型对菜谱文本信息做编码，通过对比学习loss去学习文本和店菜的匹配信息。这里采用双塔模型，一方面是下游应用较为方便，单塔模型可独立使用，也可inference出菜品的表示并缓存下来；另一方面是内容单纯，暂无交互式建模的必要。训练目标分别是与店菜匹配、与菜名对齐，与Tab对齐。

可基于多模态信息做菜品品类预测或者菜谱信息补全。比如，预测“猪肉白菜”加上了信息将更加直观和准确。基于文本和视图模态信息进行多视图半监督的菜谱属性抽取，以烹饪方式抽取为例，首先通过产生烹饪方法训练样本（红烧肉-红烧）；然后采用CNN模型去训练预测菜谱烹饪方法，指导Bert模型Finetune文本模型或者多模态模型，基于商户/tab/菜品及评论信息预测菜品烹饪方法；最终对两个模型进行投票或者将两个特征拼接做预测。

综上，我们对菜品知识图谱构建进行相应的总结。菜品理解比较适合SKU的初始化；深度学习推理模型和显式推理模型比较适合做同义词、上下位、菜系等；最终是想通过多模态+结构化预训练和推理来解决单模态信息不完整、属性维度多、需要大量标注数据等问题，因此该方法被应用到几乎所有的场景中。

今天的分享就到这里，谢谢大家。

分享嘉宾：