6月6日晚，DTalk邀請到了黃一能老師，DTalk聯合創辦人，前Tutorabc大數據產品負責人，進行了一次關于《產品運營決策中產品生命周期（PLC）和用戶畫像（Persona & Profile）的核心作用》的微信群線上主題分享。
分享活動共分成兩個部分，第一部分是黃一能老師分享關于用戶畫像的經驗分享，第二部分是老師和大家的Q&A的互動環節。以下是活動內容的完整文字稿。
一、產品生命周期PLC
1、產品生命周期(product life cycle)，簡稱PLC，是產品的市場壽命，即一種新產品從開始進入市場到被市場淘汰的整個過程。若不計產品開發階段，產品要經歷的4個階段分別是：引入、成長、成熟、衰退。該理論由哈佛教授雷蒙德·弗農(Raymond Vernon)提出。
Stage1：引入期
主要使命：使市場盡快接受該產品，更快地進入成長期。這種產品初期的比較多，如曾經的百團大戰，后面滴滴和快的。
這個是在一個新的產品、服務，剛進入市場的時候，大家互相競爭比互聯網燒錢更嚴重一些。這個過程中如何更快的找到自己的目標客群培養種子用戶就成為了最重要的內容。
特征是產品銷量少，促銷費用高，制造成本高，銷售利潤很低甚至為負值。根據這一階段的特點：
投入市場的產品要有針對性；【用戶調研】
進入市場的時機要合適；【市場調研】
設法把銷售力量直接投向最有可能的購買者【種子用戶】
使市場盡快接受該產品，以縮短介紹期，更快地進入成長期。
Stage2：成長期
主要使命：維持其市場增長率，延長獲取最大利潤的時間
新產品經過市場引入期以后，消費者對該產品已經熟悉，消費習慣也已形成，銷售量迅速增長，競爭愈發激烈，大家開始爭奪用戶。這種新產品就進入了成長期。
進入成長期以后，老顧客重復購買，并且帶來了新的顧客，銷售量激增，企業利潤迅速增長，在這一階段利潤達到高峰。隨著銷售量的增大，企業生產規模也逐步擴大，產品成本逐步降低，新的競爭者會投入競爭。新的產品特性開始出現，產品市場開始細分，分銷渠道增加。
企業為維持市場的繼續成長，更多地在改善產品品質，尋找一些新的細分市場，做成本控制，來維持這個市場增長率來獲取這個最大利潤的時間。也需要保持或稍微增加促銷費用，但由于銷量增加，平均促銷費用有所下降。
成長期的特點
改善產品品質【多樣化產品服務】
尋找新的細分市場【分群】
適時降價【成本控制】
維持其市場增長率，延長獲取最大利潤的時間
Stage3 成熟期
主要使命：使成熟期延長，或使產品生命周期出現再循環
進入成熟期以后，產品的銷售量增長緩慢，逐步達到最高峰，然后緩慢下降；產品的銷售利潤也從成長期的最高點開始下降；市場競爭非常激烈，各種品牌、各種款式的同類產品不斷出現。
- 市場調整。這種策略不是要調整產品本身，而是發現產品的新用途、尋求新的用戶或改變推銷方式等，以使產品銷售量得以擴大。
- 產品調整。這種策略是通過產品自身的調整來滿足顧客的不同需要，吸引有不同需求的顧客。整體產品概念的任何一層次的調整都可視為產品再推出。
- 市場營銷組合調整。即通過對產品、定價、渠道、促銷四個市場營銷組合因素加以綜合調整，刺激銷售量的回升。常用的方法包括降價、提高促銷水平、擴展分銷渠道和提高服務質量等。使成熟期延長，或使產品生命周期出現再循環。
Stage4：衰退期
主要使命：決定采取什么策略，在什么時間退出市場
衰退期的主要特點是：產品銷售量急劇下降；企業從這種產品中獲得的利潤很低甚至為零；大量的競爭者退出市場；消費者的消費習慣已發生改變等。面對處于衰退期的產品，企業需要進行認真的研究分析。
二、PLC，Persona，Profile三者的關系
今天的主要話題還是要就兩個用戶畫像Persona、Profile和PLC的關系作為主要的內容。
這三者的關系，可能更像我發的這張樓梯圖，類似一個交叉的樓梯，PLC就相當于交叉樓梯的每一個臺階，都有各自的臺階，可能往上走，可能往下走。兩個畫像，就是幫助你來形成當中的這個階梯的過程。能夠一節一節的臺階去走，而不是去找一個斜坡，可能更難上，Persona和Profile能夠幫你形成階梯方便你上下樓。
三、用戶畫像Persona
先來談談Persona，很多人至今還是有誤區的。
市場上的大量第三方咨詢公司提供的就是這種用戶畫像，是典型用戶。咨詢公司會叫用戶卡片，通過描述一個個具體的個體，是產品運營感性的認識到市場中你的用戶樣貌，以此指導工作規劃。
比如咨詢公司做個市場用畫像可能交付你的那就是這樣的卡片。那通常有個具體的名稱，比如袁小梅，他有個情景設定一個目標，有動機，有常用的APP、年齡、角色這樣的描述。
通常這個在產品的產品階段的初期，比如說引入期的時候用的特別多，因為你還什么都沒有，沒有一些量化的數據，那這個時候你通常能做的就是去做一些問卷、訪談來形成這樣的典型個體。最終他是為了初期的這個設計和產品規劃使用的。
四、Profile
那么用戶畫像Profile又是什么呢？首先，Profile往往不是一個描述性的事物。
具體的產品形態就是用戶的標簽體系。在我這眼中他更底層，是一個工程問題，可能不是一個描述性的東西。
通常是大家概念中的標簽系統。它不一定是針對用戶的, 可能是針對企業內部所有的主體的。
針對用戶的，我們就通常來做受眾定向。可以想象一下有各種標簽，然后通過標簽組合來得到目標用戶。通常使用ETL、算法、數據采集，然后形成出的各個對象的標簽。
比如你運營一個電商平臺，那就可能有用戶訪客的這個畫像，有可能這個標簽體系有用戶的、有消費的、有商品的、有店鋪的、有購物車的。這樣的成套的標簽體系，最終是給到你制訂運營策略、產品運營以及市場策略等可量化的部門去使用。
我們借TalkingData用來宣傳的標簽體系為例：
這個標簽體系，包含可能會分成的幾大類，比如：人口屬性，應用興趣、設備、地理位置消費興趣等等。這就是給用戶去做的標簽體系。
但是TalkingData這種通過外部渠道獲得的標簽，通常只能用作投放、獲客使用，沒有辦法去評估與企業自有用戶的匹配程度，因為底層數據不涉及企業的業務數據，所以這種所謂的高消費能力用戶基本與企業自有業務中的高消費能力用戶不能夠匹配。
畢竟第三方沒有企業的業務數據，所以沒有辦法衡量他的這個標簽對于企業的效果的準確情況怎么樣，而且第三方也不會公開自己的形成標簽的規則和算法以及數據來源和策略，所以不能從根源上去驗證它。這個標簽是否準確只能靠自有數據與第三方去做測試匹配才有可能得到這個后續可使用的部分。
以上介紹了兩個畫像，我回到PLC的過程，介紹用戶畫像Person和Profile具體如何應用。
1）在引入期做一些問卷、市場調研可能有一些經驗的行業領袖可以告訴你的目標人群可能長什么樣。比如你是一個女性產品的，那你可能在APP的設計，產品定位、色系的選擇，都會受到Persona的影響，而不是盲目地去瞎做。
2）進入到成長期的過程中，大家就開始拼數據能力，如果你能夠比他人更好、更早的形成標簽體系的部分能夠更早的命中用戶，那你在燒錢中就會有很大優勢。你會知道一個用戶對于金額的敏感情況，你知道給他發一塊還是給他發兩塊。大家同樣投融資，你花出的成本比他人少的話，你可以多燒一個月，那你就可能就贏了。
3）成熟期的過程其實是一個雙方并舉的過程，因為在不斷的驗證做法。縮小客戶群體，命中真正的核心用戶，拋棄一些不必要的成本支出以最大化利潤，延長企業的贏利時間。
比如餓了么，他們更多的在乎能購買月卡的用戶了，這是他們的核心用戶，那對于那些平時不怎么購買月卡的用戶，優惠福利也會越來越少，除非商家給出補貼，不然他們也不會再補貼。這其實也是市場其實已經進入到一個相對成熟的階段，他們在就開始考慮成本，利潤方面的問題。
所以業內有一直說大數據殺熟，有歸有，但沒有大家想象那么嚴重，因為事實上并不會針對所有人去做這樣的事情，肯定是對于價值用戶會開始形成一些小圈子。
五、專門談談關于企業內部可以建造的數據產品
之前顧青老師曾提出過數據驅動道術器三件事，我今天就借用一下他的概念來談談企業需要如何才能通過數據產品來驅動業務優化。
請特別注意企業自有的數據產品建設上，會有一些工具、方法論指導你能夠形成一個流程化的工作。
很多情況下，包括現在鼓吹的大數據、AI、機器學習，它本質上是希望可以把一些人工做的事情能夠自動化、智能化更高效化的一個替代的東西。所以首先要對這個工具和方法論有一個良好的認知。
比如我上面圖中寫了一些東西，我因為之前看到顧青老師的文章寫的挺好，他講到了一個概念——道術器。這個”器”就可能就是工具。
我列舉了一些比較常用的，數據倉庫、報表平臺、DMP系統、標簽體系、ABtest工具，下面的專業人才流程配套就是后話了。基于這些工具，那需要用哪些方法去做，比如說日常的一些流程的漏斗分析，無限的細分，ABTest等。是不是可以用一些具體的方法來代替一些決策上的這個方式。
我模擬一個例子來講。比如用一個社交平臺來說。Facebook在初期的時候其實很容易發現既有一些活躍的用戶，也有一些不活躍的用戶。他們也想說我們是不是怎么把這些不活躍用戶轉變成活躍用戶，我相信這也是很多企業運營或產品在努力的這個日常工作。
他們也會各抒己見頭腦風暴。整理一下之后去提取一下數據，然后拆分用戶的各種維度的數據，與他最終這個活躍的關系，比如一些相關性的驗證、一些權重值的排序等等方法都可以做到找出單維度他與你需要的指標之間的關系。比如是正相關的、負相關的，或者是線性相關的都是很容易得到的。這是他們最終可能發現與用戶活躍頻次相關的最大的是用戶加的好友數和他個人信息的完善程度。
然后他們就定了這兩個指標。在產品功能上做了小的變更，多了一塊People you may known的邏輯，就是共同的好友。
然后切了其中整個網站百分之五的流量來做一個灰度發布來測試。最后發現這百分之五的流量的用戶呢，表現很好，他們變得越來越活躍了，隨著增加好友的人數的增加。他們也會變得越來越活躍。最終的將這個功能向全網開放，促使了這樣一個結果。這是這種規格行業前輩已經留下良好的方法，我們只要跟著做就行了。
比如電商網站，用戶加購物車，這個過程對于特定商品加購物車，轉化率這件事情上面。怎么能夠讓它變得更活躍，對于我推薦的商品、購買頻次能夠上升？
很多運營可能還是發券、發紅包直接刺激用戶。但實際上可能用很多情況下他們的判斷依據和訴求跟你想象中可能會差距很大。
一個是他們訴求不同，第二個是他們對優惠的敏感度也不同，是需要用數據去驗證好好做的。然后基于用戶各個緯度對于你的目標值的相關程度你們就很明顯能夠列舉出哪些是你們需要達成的目標用戶，需要圈出來單獨做運營的，還是說你們在某些方面需要改進的都是可以的。
然后這個過程，可能一開始都是手動的，比如說數據團隊運營團隊自己手動的在做一些數據的計算、分群、劃分用戶等級。作為數據產品，其實很多情況下需要為公司就構建一些常用的工具來方便大家。
下圖，我會列舉一個曾經實施過的基于規則的一個標簽工具。
我簡單說明這個是公司的一個后臺的一個功能，它是開放給產品和運營可以通過設定目標，通過一些事實標簽的排列組合，包括：邏輯關系或者并且以及發生的時間，已經發生的次數，以及他們的關系。
這個工具用來組合圈選用戶，完成之后，命名完，會形成一個新的規則標簽給用戶去打上，也方便將來繼續使用。
其中設定目標我要特別說明。很多企業問說我這個標簽怎么創建，怎么驗證這個標簽的準確性、有效性。
所有的標簽，可能是分層的。第一層是事實標簽，比如用戶的一些靜態屬性身份證、性別、年齡、出生地域這樣很少改變或者是長時間不變的靜態屬性。
另一類是基于規則的，比如運營喜歡把用戶劃分為活躍用戶不活躍用戶。可以通過工具給用戶去打上來的標簽，方便后續的調用。這類標簽很好驗證，只是符合規則。
但是其實真正有價值的標簽，他一定是有個特定目的，這個目標是跟你的某一個用戶指標或者是某一個業績指標相掛鉤的。比如定義企業的一個用戶是高風險用戶，可能會退單；高價值用戶，他可能在隨后三十天有購物需求或者是會買單的，這樣的標簽。
它的形成通常有兩種，一種基于規則，比如說他前三十天沒有買東西，但是他前六十天花費挺高的，預測他可能下一周可能會消費行為出現。還有一部分可能是基于算法的，通過機器學習的方式，一些算法來預測用戶。
自動形成的標簽給，因為在產生標簽的當下，就會有準確度和召回度的，這樣的一些相應的指標，可以作為參考。在事實發生之后數據也會進入到模型的訓練當中來修正這個原來的標簽，通過管理標簽，每次訓練得出的準確度和召回度，對這個標簽就會有一個完整的認識。產品在使用上就會可以根據這個情況來酌情使用。
Q&A : 根據留言區的提問，選出幾位提問的朋友，有針對性的分享。
1、Persona有自動化的工具做用戶畫像嗎？@格拉斯流浪者
黃一能的解答：自動化很難，就Persona來講，應該沒有自動化，因為通常是靠問卷和訪談的方式來獲得。可以設定好問卷自動發送，自動采集、統計。但是匯總成結論，還是要人工來做。
Profile來看，可能在用戶的一些行為屬性和靜態屬性方面可以通過一些規則，比如說基于字段的類型，或者是特殊的命名的判斷。來形成一些事標簽，但其實這樣的準確度以及可用性都很差，基本很少有自動化的工具能夠形成標簽體系或者是一些成型的用畫像。
外面有很多自動化營銷工具，可能對這個自動化工具有些誤解。這些自動化的營銷工具，最終是以觸達用戶為最終目的，比如說發短信、Email、 APPPush， Wechat的模板化消息。前期的篩選用戶可能是基于規則的。這基本是基于規則的很少有算法差異的部分，畢竟是第三方的通用工具沒有辦法更好的去結合業務，因為可能每個企業的業務的差異性特別大。而且自動化工具通常是為傳統企業服務的。公司企業的業務模式相對固定才顯得有規模效應產生。
這個互聯網企業的變化可能太快，用戶的口味也變得太快。營銷端變化的很快，比如今天可能做做百度的SEM，明天DMP廣告輔助一下，然后發現微信挺好，發發微信的信息流。然后現在小程序又是一個大的路口，后來又發現抖音又要去做，那可能像這種自動化一些工具無法去適應說這么快的渠道的變化。
2、產品生命周期和用戶全生命周期的價值之間有線性嗎？或其他關系？文前波@GrowingIO
黃一能的解答：這個問題其實挺好的，我看到前三位都有提到關于這個用戶的生命周期和產品周期的關系。以及這個用戶群的變化導致的說后續的一些問題。其實我先回答這個用戶群變化，對于這個決策上的問題吧，第一個是說可能你們指的是Persona的部分，就是你通過一次上調研獲得了這種用戶卡片，然后他指導產品和運營做事。但是可能三個月后他就會變，所以需要再做一次或怎么樣。
但實際上，可能在初期的時候更加依賴于Persona，但是當產品，上線了進入正軌了，開始采集數據了，你的標簽體系的建立之后，這個完全是一個數據倉庫的工程問題，就是你的數據每天在更新，就最差的情況也是每天更新的，所以，規則標簽是根據每天的用戶數據的現狀去改變的。預測標簽的模型訓練，對于企業來講，一看這個標簽的緊急程度基本也是在每周或每個月都會更新訓練模型。然后更新他最新的準確度和召回度情況來做判斷。
所以其實他是一個動態自動更新的完全是底層數據倉庫的工程問題，所以上層使用的人是不需要關心的，因為你每天使用的這個數據其實就是基于當下最新算出來的，所以應該不會有說滯后的問題。
而進入到成長期以及成熟期的時候。Persona這個東西還更多是在做定性的。這個時候，從不同的群中抽取一部分的用戶來做Persona，來驗證這個事情，并且給出定性的解決方案，那這個時候你就很容易。比如說我根據三個維度把用戶切成了八個組，那八個組里面各挑兩個用戶制作訪談。那如果出現說每個組中的用戶，他們的問題相似。以及足以組之間的訴求，其實有很大差異的情況下，其實我們就可以定性的認為這樣的切分是有意義的。
并且你會很明確每個組需要對他們做什么，到底是利益刺激呢，還是只是提醒就可以了。這就是常見的去在成長期或者是成熟期的時候。Persona和Profile互相協調工作的一個過程。
這是一個日常工作，反復地在兩者之間去交替，一個是通過數據的異常來挑出用戶，然后再從用戶中去做訪談來定性。確定你所選的維度和你的結果之間到底只是個相關性的呈現呢，還是有一個具體的因果，誰先誰后，這需要Persona來定。
回到說用戶生命周期，很多情況下公司對針對這個用戶，在自己的產品的這個整個過程中去將用戶劃分成不同的階段來定一些里程碑，比如一個用戶剛注冊。把它定位為新用戶，他只要下過單或者是跟你發生過交易行為。或者跟你發生做業務關系，你們就這樣他列成一個老用戶。然后我們就認為這個用戶進入到了一個正常時期，其實不是這樣。
這是一個循環，產品的生命周期是依據市場來定義的。市場是由用戶需求組成的。你又在服務這群用戶，其實他們是互相關聯的。這是形成一個循環的過程。對這個用戶到底處在你產品的哪一個時期里。其實不是由人為的規則去制定的。
比如，RMF模型，這樣的模型可能快銷用的比較多一些。基于用戶的最近的消費的間隔、消費品次、消費金額（價值）。來把用戶分群分成八群，然后來定義用戶價值。然后通過用戶的不同狀態，把它把就直接RFM來劃分用戶，這個生命周期也是存在的，這樣的企業。它就是一種價值劃分。那還有些是以任務觸發性的，比如說完成了某一個動作就認為他處在某一個時期。
都是有的，但是無論你怎么去劃分用戶生命周期，最終的目的是每個時期用戶的主要的目的應該是發生變更的。如剛剛注冊用戶稱為新用戶，主要目的是促進他做出第一筆交易。那一旦第一筆業務行為觸發之后，可能需要他活躍。他一直保持活躍，是不是他希望有些高價值的多次交易產生或者是希望他就邀請好友。這個其實是由業務目的來決定用戶處于哪個階段的。而每個階段的用戶量以及產生的價值，最終會反映在你的業績上，也就決定了你的產品處在市場中的哪一個階段上。
如果發現你的整個的產品的服務在市場中的這個地位開始發生變化了，比如說從成長向成熟去發展了，這個時候要考慮說，用戶的哪個周期上面是主要的問題所在，然后是不是要改變這個劃分的東西以及改變每一個周期的這個業務目標。兩者其實是在相互映射作用的。
文前波@GrowingIO的思考：用戶生命周期是指：用戶從第一次使用APP，到最后一次打開APP，這段時間，我們把定義為用戶生命周期。用戶生命周期價值是指在用戶生命周期內能通過電商、付費、廣告、游戲等模式帶來商業價值，同時用戶信息和數據也是重要的商業資產。
產品生命周期指產品從投入市場到更新換代和退出市場所經歷的全過程，一般分為導入（進入）期、成長期、成熟期、飽和期、衰退（衰落）期五個階段。
產品處在不同的生命周期階段，所能帶來的商業價值也不一樣，在導入期、成長期，為了獲取更多的用戶和用戶體驗，一般會采取免費策略，在成熟期，為了商業變現的需要，會引入廣告，或通過會員付費、電商交易等方式來帶來利潤，在飽和期、在衰落期，采取差異化的商業化變現措施。
3、Profile可以理解為精細化運營嗎？@cathy lee
黃一能的解答：Profile只是一個工具，是一個底層的一個數據。Profile可以算是精細化運營的基礎，如果你沒有這樣的基礎，你很難做到概念中所謂的精細化運營。比如說我們通常看到很多網站，千人千面，他其實也是精細化運營的產品化的結果。
他依據的是對于用戶各個維度數據的這個全面的采集以及推薦算法的作用。然后將精細化運營這個東西的一部分，比如說可視化交互層面的部分產品推薦的部分將他自動化產品化出來。所以這個是復雜問題簡單化簡單問題流程化流程問題自動化。這大家工作無非就是往這個方向去發展的。
我今天還想到一個特別好的比喻，比如ABtest，其實是一個很好的工具，他形象地描述可以是比如說你我前面講的這個交叉樓梯的結構你走在這個樓梯上，然后伸出一只腳去試探一下前面那個樓梯是不是結實以及確定這個樓梯到底是向上還是向下的。他可能就是ABtest一個形象的一個表述。
對你確實用Persona和Profile構建出了這一節臺階。但這些臺階在你沒有真正踏上去之前你真的不知道他會走向哪里。
ABtest這樣的工具，如果要做到好做的準，也是要依賴你用戶畫像Profile建立而不是大家概念中的我隨機去分個組就能夠做測試的。除非你的樣本真的很大，要不在樣本量不足的情況下你隨機去切分流量，然后去做這樣的測試很有可能你是沒有辦法得到一個正確結果的。
4、感謝老師！請教個問題，說到ABtest，產品每天流量大概是百萬，目前公司做ABtest的流程基本流程是實驗達到最小樣本量后，看指標是否有顯著變化。請問下何時才能判斷實驗結果確實有效？因為經常遇到如下情況：今天指標顯著了，但是明天又不顯著了。是否查看ab結果，需要等到指標變化趨勢平穩了才算有效？
黃一能的解答：ABtest這個是有多方驗證的，首先ABtest一般不是分兩組，而是分三組。你一定是抽取一個小樣本量，然后從中切分成AB。然后呢，你會有一個對照組C組。所以在這樣的情況下，你達到的最小樣本量，當然這可能是你們自己定的，比如說多少是最小樣本量。第二個這三組之間的關系是不是可信的。第三個是有一個置信區間的你其實還需要參考的是這個置信區間是否穩定。
干貨專訪和文章
【DTalk分享】陳抒：產品設計中的用戶畫像直播回顧
【DTalk分享】吆喝科技王曄：A/B測試最佳實踐直播回顧
【DTalk精華】網易鄭棟:如何打通產品多端的埋點數據？
【DTalk精華】網易鄭棟：前端數據采集與分析的那些事第一彈: 從數據埋點到AB測試
【DTalk精華】滴滴出行譙洪敏：前端數據采集與分析的那些事第二彈：企業如何選擇自動埋點和可視化埋點
【DTalk精華】滴滴出行譙洪敏：前端數據采集與分析的那些事第三彈：埋點需求整理原則于埋點流程規范
【DTalk專訪】滴滴譙洪敏：百家爭鳴的前端技術時代
【DTalk思考】顧青：互聯網團隊的數據驅動能力從哪里來？
