关于人货场的一些内容：
我们的用户画像
我们的RFM
我们的商品画像
不知道从什么时候开始，大家都是一口一个用户画像，不知道这个词儿就好像不知道大数据一样。
在公司这一年时间，不说别的，光用户画像就来了好几套，像什么用户画像，货架画像，点位画像，公司画像，各种各样的，一开始很慌，以为有多么的高大上，但实际上搞完之后发现，很多人对这个的理解并不太对，在应用上也没有发挥画像的全力，这里就结合目前的理解梳理下。
用户画像是一整套工程，后期有很多的事情可以做，大部分场景下我们只是做了一步两步。
先来看下什么是用户画像。
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。 构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。
-- 来自Google
为什么会出现用户画像这个东西呢？是因为信息技术的发展或者行业特质，我们离用户越来越远，我们并不“认识”当前的用户，所以它主要是用来解决两方面问题：
- 当前产品的使用者是谁
- 对于当前的用户，我可以做些什么
随着互联网的高度发展，我们现在买东西可以用购物APP，吃东西可以叫外卖，住宿也可以线上预订房间，出行可以叫车，生活的方方面面都开始走线上虚拟环境，和线下不一样，线下我们可以直面我们的用户，是男是女，高矮胖瘦，口音穿着，待人态度，一切都可以直接得知。现在大部分线上平台，为了更加的了解当前用户，都会想方设法的获取用户信息，什么身份证银行卡手机号，学历住址上班公司......以前我们并不注意保护自己的个人隐私，什么都一股脑的填上去了，随着我们个人意识的提高，法律法规的完善，我们不会再配合平台要什么给什么，我们都会选择性的提供。
就线上平台来说，我们提供给他的一般只有手机号，其他的信息我们很少会提供了，那我们可以从哪些方面来了解当前用户呢？
当前用户是谁
从产品端来讲，我当然希望知道当前的用户群是什么样子的，男的多女的多，老得多少的多，是文艺青年还是运动少年，知道了当前的主要用户的分布，才可以有针对性的对产品进行优化。
- 用户基础信息
现在一般的注册，只需要使用手机号就可以了（多年以前都是邮件注册），有一些产品需要实名制，这就需要提供身份证号了。
直接通过手机号，无法获取有什么价值的信息，归属地的话，现在用的不一定都是当地手机号，有可能是外省的，但是如果通过其他平台进行匹配的话，很大概率会有意外收获，匹配一下微信，知道性别和昵称，运气好的话会看到朋友圈照片，再匹配下支付宝，兴许会得到名字。
相比之下，身份证号获取的信息就更多些，主要是年龄和性别。
其他的信息，就要看产品的性质和定位了，比如国家的一些产品，要什么不都得给啊，比如前段时间那个个税的APP，一些送货的APP，可能会需要你的公司地址、家庭住址，一些购物APP的话，根据你的消费行为就可以知道你是单身还是恋爱还是结婚，有没有孩子等等等等。
浏览行为
这个是用户主动浏览产品而留下的信息，就是常说的用户行为分析，用户使用什么设备登录APP访问页面，有没有点击，有没有收藏，有没有点赞，有没有关注，经常去看的内容等等都可以找到，日积月累的行为可以真正找出这个用户的偏好习惯。消费行为
这里以消费行为为例，因为有些产品定位不是购物类的，可能是内容类的。
用户在平台上下过几次单，花了多少钱，都买过什么，最喜欢购买什么，这部分数据是最准确最核心的，相对应的还有用户的售后行为，对商品的评价啊之类的数据。
数据建模
首先，我们肯定是留下了用户的浏览数据，消费数据，然后从原始数据出发，我们会先建立指标宽表层，这里可以作为集市，主要是用户粒度在各个场景下的轻度聚合数据，后面要打标签的话，就可以用这些指标宽表。标签层还可以分为事实标签和预测类标签，事实标签主要是我们从业务出发，制定了某些规则给用户做的分类，预测类标签主要是根据用户最近的一些行为，判断他是不是要流失了，一款新品会不会购买等。
以我们公司为例，我们主要是做了指标宽表层，标签层主要是根据运营或产品的一些定制需求，搞了一些标签，像用户活跃度，消费频率，消费频次，类似RFM这类的标签（后面会整理下RFM的使用），其他预测类的标签很少，有几个类似认为猜测的，像我们以前是有货架的，我们就通过用户当天最后1次购买时间来判断用户是否加班，还有一个是用户下单后可以发红包，通过统计这个用户发的红包领取程度来判断用户圈子是否乐于参加抢红包这类活动，还是属于偏统计类的指标。
零售行业来说，主要就是人、货、场，这三部分的指标宽表层搞好了，后面再做什么都很方便了。
有了标签，可以做些什么
这个还是要结合运营或产品端来做，毕竟精细化运营嘛，还是要找到定制的场景来，而且通过这部分的数据反馈回过头去优化模型，落地是最重要的。这部分除了精细化运营，还可以做推荐，主要根据用户以往的消费行为和关注行为，现在的购物APP都有，内容类的像头条也有。
哈哈，刚刚看了篇用户画像相关文章的作者吐槽，实际的确是这样，花时间搞完了以后，并没有用起来，所以我推荐先把指标宽表层好好梳理下，最后就算不搞标签，实际分析也用的到。
附：关于指标
这里简单介绍下我们在指标层统计的指标，这个的话和公司的关注点和产品有关，我们是零售行业，所以也是偏销售类的。
基础信息
大部分用户我们只能获取他的手机号，这主要和我们的产品定位有关，前面说过我们有两个场景，一个是货架场景，用户扫货架上的二维码进行支付，可以使用微信、支付宝、我们的APP，如果是使用APP的话，一定是要绑定手机号的，使用第三方渠道支付的话，主要是走授权，不一定可以获取到用户手机号，所以我们系统中还有很多用户是没有手机号的；另一个场景就是门店，在门店用户可以使用APP扫商品码直接支付，或者走传统的收银员通道，或者使用自助收银机，因此门店场景下也是有部分用户无法获取手机号。
除了手机号，再可以获取的数据就很少了。我们是有会员体系的，如果要使用会员中的共享商品，需要实名认证，这样就可以得到用户的身份证号，年龄性别啥的都有了，这部分人很少。我们的货架是摆放在公司的，所以通过在货架购买的商品，我们可以知道用户所在的公司、行业等信息。
哦，我们门店还有人脸识别的设备，每天去参与识别可以抽奖，送优惠券，我们可以通过这种方式获取的用户的真实头像信息。
还有通过微信渠道认证的话，我们可以获取用户的昵称和性别数据。消费信息
和消费有关的，也就是那些：订单数、GMV、实付金额、购买商品数量、购买商品种类数、优惠订单数、优惠金额，基础的指标大概是这些，然后就可以根据时间维度、支付方式维度、等等进行一些组合，比如：近14天订单数，周一订单数，某某时间段订单数、支付宝支付订单数等等。
还有一些类似单笔最高金额、最早订单时间、购买次数最多的门店、购买最多的商品这种；
还有活动类的指标，参与活动次数、优惠券使用次数、使用优惠券购买金额等；
上面的指标组合后还可以有各种占比、比率类的指标。浏览信息
因为我们有自己的APP，而且扫码后的H5页面也都埋了点，所以我们可以统计用户的行为数据。
门店场景下，用户如果自助支付的话，是可以按照一个漏斗流程来看的；货架场景也是如此，扫码，选择商品，支付，统计指标主要有扫码次数，支付次数，浏览时长这些，还有分享次数，抢红包次数等。
就上面这些拼拼凑凑，二三百字段也就有了。