想要做精细化运营，一定会涉及到用户画像服务的建设。作者围绕58智能画像运营平台，介绍了用户画像服务建设中的痛点、实施方案以及未来展望。
流量增长乏力，企业通过将粗放式运营，转为精细化运营，来“突破”增长困境。
那什么是精细化运营？
精细化运营可以5W1H概括，即针对合适的用户、在合适的渠道、合适的时间、推送不同的内容，从而提升用户体验，驱动业务价值增长。常见的如个性化内容的推荐，根据用户的浏览、兴趣偏好来推荐内容。
因而这就势必涉及用户画像服务的建设，具体怎么做？接下来我会分如下模块展开介绍：
（1）精细化VS缺乏人群细分能力的矛盾
画像能力建设初期，是精细化运营诉求VS缺乏人群细分能力的矛盾。
最开始是用户标签缺乏，标签数据较少，业务侧难以对用户进行全面刻画；以及缺乏相关人群圈选、人群细分的系统工具。
如何保障可用？
该阶段58大数据平台通过在数据层建设用户标签体系，包含用户基础属性、行为习惯等标签数据；在系统功能层，建设人群圈选、人群洞察分析等画像工具能力，来满足基础的人群细分需求。
但有了用户画像后，业务侧又会希望针对客户、物品进一步精细化运营，并且希望人群圈选的方式更多样、更便捷。
此时，我们在数据层，建设客户标签、企业标签等多种标签，丰富不同对象的画像；在系统层，构建事件圈人、公式圈人多种圈人能力，方便用户以多种方式圈选人群；同时增强画像可视化分析的能力，构建全面的用户画像、人群细分能力。
但在实际运营过程中，仍然存在如下问题：
（2）工具割裂VS运营效率低
对于运营人员而言，在精细化运营投放时，存在工具割裂VS运营效率低的矛盾。
一是跨多个平台：业务侧在做精细化运营时，需要有5W，包含用户、内容、时间、渠道、目标/价值。用户画像平台仅满足细分人群的需求，运营在实际工作时，需要跨用户画像系统、push推送系统、资源位投放系统、短信投放系统等多个平台，耗时耗力。
二是圈人及迭代优化耗时：投放前，平台内标签众多，选择哪些标签比较合适，怎样组合的效果会比较好？投放中，分析点击转化人群特征，然后再去迭代人群包，需要花费较多时间。
（3）投入人力做精细化运营VS业务增长价值不高
对于业务负责人而言，会考虑投入产出比的问题。
精细化人群的价值如何量化？粗放投放与精细投放给业务带来怎样的差异？是否有必要投入人力持续去做精细化的事情？
运营投放效果如何提升？本次投放的效果不好，怎么进一步去优化人群，实现更好的效果？
58大数据团队也在持续思考，数字化服务如何真正为业务带来增长？如何保障易用？好用？
因而，我们基于跟房产、招聘、车、本地服务等各个业务，精细化运营项目深度实践。在当前“画像工具能力”的基础上，为用户构建一站式智能运营解决方案，分为数据根基建设、画像基础能力、增长运营3大模块，外加1+N+1的组织协作方式。
数据根基建设：依托埋点日志、业务系统数据、线下人工数据、第三方数据等，构建用户/客户/企业标签体系、one ID服务，打造全域实体画像服务。
画像基础层：支持自助式的数据源接入、标签接入、标签管理与推荐，提供平台化的能力，方便各业务线自主生产及接入标签，解决生产效率的问题。详情查看《58标签体系建设实践》，本次就不做详细展开。
智能运营层：构建人群画像洞察->智能人群->营销触达->效果监测的能力闭环；贴合业务运营场景，划分拉新、促活、召回等；运用AI能力，挖掘智能分析、智能圈人、智能文案等能力。
组织协同层：采用1+N+1的协作模式，即1数据+N业务+1业务中台，贴合满足业务精细化运营需求的同时，发挥出中台的平台化支撑优势。
最终形成场景化、闭环化、智能化的增长运营解决方案，目前平台深度合作并服务了房产、招聘、车、本地服务等十几条业务线，支持其开展精细化运营，助力其在push、资源位等特定渠道下CTR100%+的提升。
场景化重点在于从“工具型思维”转为“用户型思维”，考虑平台抽象能力的同时，结合运营用户的实际使用习惯来构建方案。用到的方法包含用户行为旅程分析、AARRR模型。
用户行为旅程分析的关键，包含抓痛点、找机会、破难点3个要点。
我们来看个实际的用户行为旅程分析案例。
情境：运营小张为租房运营，需要日常活动需要进行站内投放，每周需要配置资源位/push各个触点，并且持续优化投放的效果；
目标：流量/线索/订单增长，实现业务价值最大化；
期望：快捷操作，完成资源位/push等触点的对应的人群配置，提升活动最终转化效果。
（1）抓痛点
通过分析用户关键行为路径上的痛点问题，发现平台用户在增长运营开展时有“五难”。
（2）找机会
有痛点，就意味着有机会，针对用户的关键问题，制定对应的解决方案。机会包含如下：
自动拆解增长目标：根据push/资源位渠道转化，结合业务线7日活跃，拆分各业务流量增长目标区间范围。
人群/物料/渠道转化分析：运用AI手段自动给出可交叉引流的业务、并直接推荐交叉人群；对文案分析，提供撰写建议；push、资源位各个位置的渠道转化效果分析。
智能人群/智能文案：运用AI手段推荐场景人群，并划分获客、促活、召回等场景；基于大模型生成智能文案；
智能人群迭代/文案迭代：回收投放效果数据，基于AI算法，智能迭代人群特征，并持续优化文案
投放报告：投放日/周/月报，投放总结、活动投放整体效果分析、后续投放优化建议。
（3）解难题
我们想到的这些机会，其他人也能想到，但最终为何没做？当前还是存在一定的难点。
系统间打通涉及分工的冲突、对业务的深入了解、AI模型得到业务价值的验证。整个方案的落地需要场景+闭环化+智能+组织协同，这四个关键模块组合突破。
运营常见的工作围绕获客、激活、留存、付费、推荐AARRR模型展开；但不同业务，由于商业模式不同，侧重点会有所差异；
例如，流量模式下C端免费，如租房、招聘等，会更侧重于流量增长，日活增长；而交易模式下是需要C端付费，如到家精选等业务，会更侧重于流量增长到订单转化全链路。
平台侧结合AARRR模型和业务模式现状，构建场景圈人能力，助力业务智能圈人。
场景圈人能力划分了新客拓展、老客促活、流失召回场景，业务线覆盖房产、招聘、车、本地服务等10+业务。运营人员仅需选择场景、选择业务、选渠道、输入目标，平台侧基于AI算法建模和策略控制，直接输出人群包，实现“一键圈人”。
用户画像平台仅根据标签输出人群，能力“单点”，难以从全局视角解决用户问题。并且运营用户在使用时，工具也比较割裂，耗时。
如何贯通运营操作链路上的各类功能？提升运营投放效率？
我们建设了投前-投中-投后运营计划闭环；从人群资产分析->人群策略->内容策略->运营推送->过程中持续优化->投后效果复盘。
投前：针对如何快速制定人群、内容、渠道投放策略的问题。
在人群策略侧，我们建设了自定义圈人、分析圈人、AI圈人能力。例如，租房毕业季活动，通过自定义标签/事件圈人，组合如“应届生”、“20-25岁”等标签，灵活自主的圈选人群，但标签圈选的方式较依赖运营人工经验；
要是缺乏相关运营经验的小白，该如何知道圈选哪些标签？
可通过分析圈人，定位显著特征。分析圈人包括交叉业务分析、垂类业务人群分析等多种方式。例如在新房流量增长场景，通过相关性分析来选取交叉业务，再基于用户画像分析，通过TGI来选取显著特征，如“25岁以上”“交叉租房人群时，可优选圈整租人群”。详情可查看《58新房细分用户画像进行交叉营销》。
虽然画像分析维度十分完善，但仍需运营做一些简单的分析，从而输出人群特征的组合。
如何不需要分析，效果好，又能开箱即用？
可通过AI圈人，包括智能场景圈人、人群扩散、人群再营销等方式，快速圈人，后续智能化模块会介绍。
在内容策略层，如push内容，我们提供了个性化参数插入和智能文案两种方式。
在渠道策略层，关键是打通各类投放渠道，目前我们连接了push、短信等渠道，在平台内可直接进行推送触达，省去跨平台操作的烦恼。
投中：运营通过使用智能人群迭代能力，算法侧自动回收投放数据，优化人群包；后续也会做智能文案优化等能力。
投后：回收各渠道的投放效果数据，进行效果监测与分析，为后续的投放沉淀经验。
实现了运营计划，功能层面的闭环的同时，还需注重营销数据资产的沉淀，建设数据闭环，实现数据持续为运营增长赋能。
数据闭环建设的要点：一是底层数仓的主题建设；二是数据应用层的数据流转闭环。
在数仓建设层：除了建设用户/客户/企业画像主题，还需注重营销主题，以及后链路的转化数据主题的建设，如流量、连接、交易，方便后续做渠道效果的归因。
数据中台建设前期，通常流量、连接、交易等核心路径上的主题都会先建设完成，营销主题的建设较为滞后，需要跟各营销系统对接，接入对应数据。
在数据应用层：实现人群资产分析->智能圈人->智能文案->智能运营->智能迭代人群->投后复盘的闭环。
注重功能间的数据流转，如人群资产分析后输出的交叉分析结论，直接作为智能圈人拉新场景的输入；智能圈人输出的人群及TGI显著特征，直接作为智能文案的输入；智能运营投放的点击UV、CTR等数据，直接作为智能迭代人群的输入。
通过功能闭环和数据闭环的建设，提升运营计划使用的效率，并且充分利用数据进行分析及AI建模，提升运营的转化效果。
对运营而言，普通标签圈选，或是通过分析后的圈选，较为耗时耗力的同时，投放效果仍然不理想。
如何一键式分析？圈人？制定文案？
运用AI能力，基于机器学习算法和大模型，我们围绕着运营计划闭环，构建了AI洞察分析、AI圈人、AI文案、AI人群迭代能力。
通过把数据、运营经验沉淀为智能化工具的方式，提升运营效率；通过算法挖掘投放效果的最优解，促进业务价值增长。
基于58数据中台数仓，构建用户及帖子算法标签体系，运用多种算法模型，输出多种智能化能力。
在数据层，基于业务数据和埋点数据，构建了用户画像、帖子用户意图识别等能力。
在策略层，接入了LLM大语言模型、运用召回、排序、人群扩大、数据挖掘等模型。
从而实现应用层输出个性化文案、场景圈人、人群再营销、人群扩散、智能迭代、帖子圈人、智能洞察分析等多种AI应用。
那具体怎么用呢？
为进一步贴合运营使用场景，划分拉新、促活、流失召回等场景圈人方式，便捷同时提升效果，我们建设了智能场景圈人的产品能力。
实现上分为建模配置、模型训练、算法人群包、策略人群包4个实现步骤。
建模配置：支持拉新、促活、流失召回、自定义4种方式，业务按需进行选择
模型训练：我们建设了通用相似人群扩大的能力，结合业务倾向预测，满足拉新、促活等运营场景需要，并划分租房、新房、招聘等不同业务。
建模输出：通过建模，输出分场景的算法人群包
策略人群：由于输出的算法人群包不便于分业务控制量级，容易输出过大或是过小。因而我们在输出的算法人群包的基础上，叠加历史渠道投放效果数据，封装了一层产品策略，实现用户输入渠道投放目标，则可得到策略人群包。
模型训练建设我们历经了3个阶段：
最开始是基于相似度模型，2016年雅虎的技术方案，通过spark+faiss完成检索和排序等相关算法工程工作。其缺点在于需人工支撑、准确率不够、对种子量有要求。
前期阶段，我们基于分类模型、树模型、deepFM等，在人群准确率上有一定提升，解决了准确率的问题，但依然需要人工支撑。
当前阶段，我们基于autoML，通过yarn+spark实现训练及推理的资源控制，实现自动化人群扩散。自动化人群扩散，对种子数量有要求。
接下来，基于元学习，腾讯微信LookAlike技术方案MetaHeac；构建一个泛化的模型方式提升效果，同时解决种子数量少的问题。
注意点及难点：算法模型的效果验证，如何保障算法的效果好？
采用数据持续回收+算法模型持续优化迭代的方法。线下跟租房、招聘、黄页等业务线持续项目合作，以业务增长目标驱动算法模型效果提升，获取业务的价值认可。
前边说到场景化、闭环化、智能化，这三项均离不开组织协同。
场景化，需贴合实际的业务场景，深入一线业务了解业务的工作流；
闭环化，需打通投放渠道，连接数字化运营链路上的各个系统，一方面需贴合业务的使用场景，另一方面需连接业务中台；
智能化，则需持续进行业务试点实验，在实际业务场景中迭代优化算法模型。
由于画像标签等数据服务在数据中台，营销工具等前台服务在业务中台，而中台的存在是为了打破信息孤岛，更好地服务业务，助力业务增长，从而使平台收益最大化。
因而我们采用1+N+1组织协作机制，连接1数据中台+N业务+1业务中台实现中台，向业务赋能，业务为中台沉淀策略的良性循环模式。主要包含项目制合作和日常对接两种方式。
项目制的营销增长合作主要包含三方联合立项、制定增长方案、执行增长策略、效果分析与复盘4个关键步骤。
例如，我们合作的商业地产线索增长项目。
背景：商业地产写字楼侧，希望为经纪公司，提供更多有效的找房客户线索，希望借力万象的画像增长运营能力，提升线索量。
三方联合立项：商业地产业务线、大数据平台、业务中台进行联合立项，成立联合项目，根据业务整体增长目标拆解渠道投放增长目标；
制定增长方案：人群洞察分析、人群细分策略、落地页/文案策略、投放渠道和投放时间策略等
执行增长策略：按计划在push、资源位等多渠道进行推送
效果分析与复盘：在投放过程中，需持续进行效果分析，不断优化投放人群及内容，在项目结束后，进行整体的项目复盘。
以增长项目的方式，沉淀场景化、闭环化、智能化的策略，将经验沉淀为产品能力，提升经验的可复用性。
58万象智能画像运营平台能力的构建基于场景化、闭环化、智能化、1+N+1的组织协作模式，四者相互关联。
除了以上四个模块，整体项目的关键在于用户视角、结果导向、协作共赢。
我们的总体建设历经了三个阶段：人群数字化、运营自动化、决策智能化。
第一阶段，人群数字化：重点是建设标签体系，构建用户、客户、企业等全域数据资产。
第二阶段，运营自动化：打通人群-内容-渠道策略闭环，构建自动化运营体系。
第三阶段，决策智能化运用AI技术，贴合业务场景，生成智能化策略，进行智能化运营。
目前我们处于第三阶段，在当前能力的基础上，需强化智能、增强分析、全域营销。
专栏作家
草帽小子，公众号：一个数据人的自留地，人人都是产品经理专栏作家。《大数据实践之路：数据中台+数据分析+产品应用》书籍作者，专注用户画像领域。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。