天猫数据：商品经理团队版教程：人群画像从准备到复盘

做天猫人群画像，最容易出现的结果是：报告里有年龄、城市、性别、消费层级，商品经理却依然不知道下一款商品该为谁设计。我的经验是，人群画像不是“把消费者描述清楚”，而是把消费者差异转化成商品决策、页面表达和复盘动作。如果团队只看平台标签，不把人群与商品、场景、价格和行为链路绑定，画像越精细，决策反而越容易失焦。

这篇教程以商品经理团队的实际工作流为主线，覆盖天猫数据的准备、采集、清洗、分群、解读、应用和复盘。文中的案例数据采用脱敏后的项目结构与情景模拟数据，数据口径主要参考店铺后台导出的访客、加购、收藏、支付、会员、退款和投放报表；涉及行业背景时，以中国互联网络信息中心公开报告和平台公开经营指标作为参考，不把模拟数据当作行业统计。

一、先讲核心结论：画像不是终点，商品决策才是

1. 人群画像的有效标准不是“标签多”，而是“能改变动作”

一张画像至少要回答五个问题：这批人是谁、在什么场景下产生需求、为什么选择当前商品、在哪一步放弃、下一步应该由谁采取什么动作。如果只能回答“女性、25至34岁、来自一线城市、消费能力较高”，它只是描述，不是经营工具。

我通常把人群画像是否合格，放在商品经理评审会上做一次反向测试：不看人群名称，只看画像内容，能否直接写出一个商品卖点、一个页面模块、一个价格策略和一个验证指标。若不能，说明画像仍停留在数据展示层。

• 商品层：决定规格、功能优先级、材质、组合方式与库存深度。
• 内容层：决定首屏卖点、详情页顺序、短视频演示场景和问大家话术。
• 价格层：决定主推价、入门款、升级款以及优惠门槛。
• 渠道层：决定搜索、推荐、直播、会员触达和老客复购的资源分配。
• 复盘层：决定人群是否真的带来更高转化，而不是只带来更多点击。

2. 团队应从“人群标签”升级到“人群，场景，任务”

同一个消费者，在不同购物任务中可能属于完全不同的人群。一个经常购买高端护肤品的人，在给孩子购买防晒用品时，可能更关注安全成分和使用便捷性，而不是品牌调性。商品经理如果只用会员等级或消费金额定义人群，就会错过真实的购买任务。

我建议团队采用三层结构：第一层是基础属性，用于确认人群边界；第二层是行为信号，用于判断真实兴趣；第三层是任务与阻碍，用于决定商品和内容。三层信息必须同时存在，否则画像要么过于宽泛，要么无法执行。

3. 最重要的判断：优先级由“商业价值×可影响程度”决定

团队经常把规模最大的人群作为第一优先级，这是一个危险的简化。规模大不等于适合当前商品，转化高也不等于值得继续投入。真正需要优先研究的，是既有明确需求，又能被商品、内容或服务影响的人群。

可以用一个简单模型给人群排序：人群优先级分数＝需求强度×商业价值×可影响程度÷执行成本。需求强度可由搜索、加购和咨询反映；商业价值可由支付金额、毛利和复购潜力反映；可影响程度则要看团队能否通过改款、内容或权益改变结果。

二、准备阶段：先统一问题，再统一数据

1. 先写业务问题，不要一上来下载报表

商品经理团队第一次做画像时，通常会先把所有能下载的数据都拉出来，最后得到几十张表和一堆无法解释的交叉分析。更稳妥的方式，是先写清楚本轮研究要支持哪个决策。

例如，“了解店铺消费者”不是一个合格问题；“判断春季轻户外系列应该优先服务通勤替换人群还是周末出游人群”才是合格问题。前者没有决策终点，后者可以明确数据范围、分群方法和验证指标。

1. 写出一个具体决策，例如确定新品首发人群或判断旧款下滑原因。
2. 列出决策所需的最小证据，例如人群规模、支付转化、退款原因和使用场景。
3. 规定结果必须落到的动作，例如改规格、换主图、调整价格或设计会员权益。
4. 提前定义停止条件，避免为了得到“更漂亮”的细分结果不断切分人群。

2. 建立团队数据口径表

同一份报表，在不同岗位手里很容易产生不同结论。运营把访客数理解为去重访客，投放人员可能使用曝光口径，财务则更关注支付成功和退款后的净收入。若不提前定义口径，会议上的争论往往不是观点不同，而是分母不同。

3. 设定观察窗口，避免把促销异常当成人群特征

日常画像建议至少使用近30天和近90天两个窗口。30天用于捕捉近期需求与活动影响，90天用于观察稳定结构。若是季节性商品，应加入去年同期，但不能简单把两个周期的绝对数直接比较，而要同时看流量规模、价格、活动强度和库存状态。

我在实际复盘中见过一个典型错误：某款商品在大促期间来自低线城市的访客比例明显上升，团队据此认为产品已经实现人群扩张。拆开投放和优惠后才发现，变化主要来自一条低价引流计划，并没有形成稳定支付。任何人群变化，都必须经过“流量来源，行为深度，成交质量”三层验证。

4. 先处理数据污染，再谈画像结论

天猫数据并不是天然干净的消费者事实。活动券、直播间专属价、店铺搜索词、联盟流量、异常订单和退款订单，都可能改变人群表现。画像前至少要标记四类污染源：活动期、投放期、价格变化期和库存异常期。

• 活动期流量暴涨时，单独建立活动样本，不与日常样本直接合并。
• 商品改价或更换主图后，保留版本标签，避免把页面变化误认为人群变化。
• 退款率异常的订单要进入质量分析，不宜直接作为高价值人群证据。
• 样本量过小的人群只做探索，不用于确定整体定位。

三、常见误区：为什么很多画像看起来完整，却不能指导商品

1. 误区一：用平台标签代替购买动机

平台标签能够告诉我们“谁更可能出现”，却不一定告诉我们“为什么购买”。年龄、城市和消费层级是筛选条件，不是动机本身。真正的购买动机往往藏在搜索词、咨询内容、评价文本、退款原因和复购间隔里。

例如，同样是“高消费层级用户”，可能有人为了提升效率购买，有人为了家人购买，也有人只是被内容种草。三类人的商品优先级不同：效率型关心省时，家庭型关心安全和易用，种草型关心颜值与社交证明。把他们合并，会得到一个谁都不完全满意的产品。

2. 误区二：把高转化人群直接当作核心人群

高转化可能来自强意向搜索、老客回访、客服人工引导或限量优惠，并不代表这个人群能支撑更大规模。商品经理需要同时看三个维度：人群规模、转化效率和边际成本。

如果一个小人群的转化率很高，但扩量后成本迅速上升，团队就应该把它定位为“高效率验证人群”，而不是直接定义为“唯一核心人群”。核心人群需要具备可持续触达、可复制转化和足够的商品容量。

3. 误区三：用单一维度切分人群

按年龄切分最容易，按城市切分也很直观，但单一维度往往解释力不足。商品决策更适合采用“行为阶段＋购买任务＋价值状态”的组合切分。

4. 误区四：把相关性写成因果关系

如果高客单用户的退款率低于平均水平，只能说明两者在当前样本中同时出现，不能直接断言“高客单用户更满意”。还可能存在商品款式差异、客服服务差异、配送区域差异和订单复杂度差异。

我在团队评审时会要求每个结论至少写成三部分：观察到什么、可能由什么解释、准备如何验证。比如“会员用户转化率更高”只是观察；“可能因为会员更熟悉商品且享有权益”是解释；“对非会员展示同等服务承诺并进行小流量测试”才是验证方案。

5. 误区五：过度细分，导致团队没有可执行人群

当样本量下降后，任何比例变化都可能被少量订单放大。把人群细分到“某年龄段、某城市、某设备、某时段、某关键词”的组合，通常无法支撑商品决策。画像不是越细越专业，而是要细到足以改变动作，同时保留足够样本验证结果。

四、专业判断逻辑：从数据表走向可执行画像

1. 先定义人群单位：人、订单，还是购买任务

不同问题对应不同统计单位。研究复购，应以买家为单位；研究规格选择，可以以订单或商品件数为单位；研究场景，则可能需要以一次购买任务为单位。若用订单数分析用户规模，连买两件的人会被重复计算，结论自然偏向多件购买者。

商品经理应在报告首页明确三项内容：观察单位、时间窗口、排除规则。任何指标都要写出分母，例如“加购人数÷商品详情页去重访客”，而不是只写“加购率”。这一步看似基础，却是团队协作中最能减少争议的动作。

2. 建立行为漏斗，识别人群在哪一步失去价值

人群画像不能只看最终支付。对商品经理而言，浏览到加购、加购到支付、支付到收货、收货到复购，每一步都代表不同问题。浏览高但加购低，通常涉及需求表达或商品吸引力；加购高但支付低，可能是价格、信任、优惠或运费问题；支付高但退款高，则要回到商品预期管理。

3. 用“差异”而不是“平均值”寻找机会

平均值会掩盖人群差异。一个商品整体支付转化率为3.8%，并不说明所有人群都接近3.8%。可能是新客1.6%、老客8.9%、某个场景人群5.7%，平均值只是把不同问题压成了一个数字。

我更关注人群之间的相对差异：某人群的加购率是否显著高于整体、退款率是否显著低于整体、客单和毛利是否能够覆盖获取成本。差异越稳定，越值得进入商品策略；差异只在单次活动中出现，则更适合进入实验池。

4. 把“人群需求”翻译成商品语言

数据不会直接告诉团队“应该增加一个防漏设计”或“应该缩小包装”。这需要把行为证据翻译成商品假设。翻译时，我会使用“信号，推断，动作，验证”的四格方法。

5. 设置最小可验证单元，而不是一次性改完整个商品

如果团队同时改价格、主图、规格和权益，结果变好时无法知道哪个动作有效，结果变差时也无法及时止损。更好的做法是把画像结论拆成最小可验证单元：一个人群、一项假设、一个页面或商品动作、一个主要指标和一个观察周期。

例如，针对“通勤替换人群更在意省时”，可以先测试首屏是否把快速使用放在第一卖点，而不是立刻开发新规格。若加购率和咨询转化同步改善，再决定是否投入结构性改款。

五、案例拆解：一次新品人群画像如何改变商品方案

1. 项目背景：原本以为是高消费女性，结果真正机会在替换任务

下面这个案例来自一个日用消费品项目的脱敏复盘。团队计划推出一款价格高于旧款约35%的升级商品，初始定位是“高消费、重视品质的年轻女性”。这个定位并非完全错误，但它无法告诉团队为什么用户要购买升级版。

准备阶段，团队合并了近90天的商品访问、搜索、加购、支付、退款和会员数据，并补充查看了约1200条评价与客服咨询。最后有效样本约7.4万人，其中支付买家约6200人。所有数据按买家去重，退款订单单独标记，没有直接从有效成交中删除。

2. 初步画像与二次画像的差异

第一版画像显示，访问升级商品的人群以25至34岁女性为主，一二线城市占比约58%，中高消费层级占比约64%。如果只看到这里，团队很容易继续强化“年轻、高消费、城市女性”的内容表达。

但进一步拆解行为后，出现了三个明显群体：第一类是首次接触的新客，浏览多、加购少；第二类是旧款购买过两次以上的替换型老客，规模不大但支付转化高；第三类是受短视频内容吸引的场景型用户，收藏和咨询较高，但对规格与价格非常敏感。

3. 关键发现：高价值人群不是最大的那一群

替换型老客只占访客的23%，却贡献了约44%的升级商品支付金额。更重要的是，这类用户的退款率最低，咨询内容集中在“旧款哪里改善”“能不能直接替换”“使用寿命是否更长”。这说明他们不是被泛泛的品质宣传吸引，而是在评估一个明确的替换任务。

团队因此做了三项调整。第一，把首屏主卖点从“高品质升级”改成“针对旧款三个使用痛点的具体改善”；第二，为老客设置换新组合，而不是只提供全店通用优惠；第三，在详情页增加新旧版本对比、使用周期和适用场景说明。

4. 测试结果：页面先于商品改款，验证了需求方向

团队没有马上重做整套产品，而是先进行页面和权益实验。实验组对替换型老客展示新旧版本对比、换新权益和真实使用演示，对照组继续使用原有的品质表达。实验持续14天，控制流量来源和价格条件，主要观察加购率、支付转化率和退款预警咨询。

在情景模拟数据中，实验组加购率由18.6%提升至24.3%，支付转化率由7.4%提升至9.1%，与规格不确定相关的咨询占比由29%下降至17%。由于观察周期较短，团队没有直接宣布长期成功，而是将“替换任务明确、对比信息有效”列为下一轮产品验证假设。

5. 复盘结果：真正改变的是团队的商品讨论方式

这次项目最有价值的结果，不是某个页面指标上涨，而是团队从“用户喜欢什么”转向“用户在什么任务下愿意为哪种改善付费”。运营、商品、设计和客服开始围绕同一组证据协作：运营确认流量是否匹配，商品判断痛点是否值得开发，设计负责让差异可见，客服补充未被报表记录的疑问。

复盘时还发现一个反例：场景型用户的收藏率很高，但支付转化不如替换型老客。团队没有把收藏直接解释为强购买意愿，而是进一步查看收藏后的回访和优惠领取。结果发现，部分用户只是把商品保存为“以后参考”，并未形成近期购买任务。因此，这类人群更适合内容培育和低成本再营销，不适合承担新品首发的库存目标。

六、复盘阶段：把画像从一次报告变成持续更新的系统

1. 复盘不能只问“转化有没有涨”

完整复盘至少要回答四个层次的问题。第一，目标人群是否真的被触达；第二，目标人群是否理解了商品价值；第三，成交是否来自健康的价格和流量条件；第四，交付后是否形成了满意、复购或推荐。

如果只看支付转化，团队可能会误把大额优惠带来的短期成交当作画像成功。更稳妥的复盘要同时查看毛利、退款、客服压力、库存消耗和后续复购。商品经理的任务不是把某一个数字推到最高，而是在增长和经营质量之间找到可持续的平衡。

2. 建立人群复盘卡

我建议每个核心人群都使用一张固定格式的复盘卡，避免每次复盘都重新组织表达。复盘卡不需要很复杂，但必须把人群、假设、动作和结果放在同一页。

• 人群名称：使用任务命名，例如“旧款替换型用户”，不要只写“高价值女性”。
• 样本边界：明确时间、访客或买家单位、渠道和排除条件。
• 核心假设：写出用户为什么可能购买，以及最主要的阻碍。
• 执行动作：记录商品、页面、价格、服务或投放做了什么变化。
• 主要结果：至少包含一个效率指标、一个质量指标和一个成本指标。
• 反证信号：记录哪些现象会推翻当前判断。
• 下一步：继续扩大、调整验证、暂缓投入或停止追踪。

3. 复盘要看“相对变化”和“绝对结果”

实验组转化率从2%提升到3%，相对增长50%，但如果流量只有几百人，结论仍然不稳。反过来，一个大人群转化率只提升0.3个百分点，却可能带来更多有效订单和更高利润。

所以复盘应同时呈现百分点变化、相对变化和增量结果。例如“支付转化率提升1.7个百分点，提升约23%，在新增访客规模下多带来约260笔有效订单”。三种表达互相补充，才能让商品、运营和财务使用同一套结果。

4. 设置复盘节奏，不同问题使用不同周期

5. 让反证进入复盘模板

很多团队只记录支持自己判断的数据，不记录反例，久而久之画像会变成内部共识，而不是可检验的假设。每次复盘都应主动寻找反证：高转化是否只发生在老客？高客单是否由少数大额订单贡献？人群扩大后退款是否上升？收藏增加是否真的带来回访和支付？

如果一个结论经不起反证检查，就不应该直接写成商品战略。可以把它标记为“待验证假设”，保留在实验池中。专业的画像不是结论更肯定，而是知道结论在哪些条件下会失效。

七、不同情况下的行动建议与资源取舍

1. 新店或新品没有足够历史数据

数据不足时，不要假装拥有精细画像。可以使用相近品类的搜索词、竞品评价主题、客服预售问题、内容互动和小批量测试建立第一版假设。此时画像的任务不是精准预测，而是降低首轮试错成本。

• 优先测试两个到三个购买任务，不要一开始切十个标签。
• 用页面卖点和规格组合做低成本实验，先验证需求方向。
• 将收藏、咨询和加购视为兴趣信号，不直接等同于支付意愿。
• 首批库存按高确定性人群配置，探索人群采用小批量或预售验证。

2. 老店流量大，但转化持续下滑

这类问题首先要判断是人群变了、商品老化了，还是流量质量变了。建议把近30天与近90天的人群结构、搜索词、价格、投放计划、退款原因并排比较。如果新客占比增加而老客占比下降，可能是触达扩张但承接不足；如果老客也同步下滑，商品价值或体验可能已经衰减。

资源取舍上，不建议立即全面降价。降价可以短期修复转化，却可能损害价格锚点和老客预期。更稳妥的顺序是先验证卖点是否过时，再判断是否需要规格升级、组合调整或权益重构。

3. 人群很多，但团队没有能力同时服务

当人群过多时，建议采用“核心、增长、观察”三级管理，而不是给每个群体都设计一套完整方案。核心人群承担商品与库存，增长人群承担内容和投放验证，观察人群只保留低成本触达。

4. 高转化但高退款的人群

这类人群最容易被误判为“爆款机会”。高转化说明商品承诺能够吸引购买，高退款则说明承诺、规格、体验或预期之间存在错配。商品经理不能只追求继续放量，而应先拆退款主题。

如果退款集中在尺寸、颜色或使用方法，优先修改页面信息和客服确认流程；如果集中在质量、耐用性或效果不符，问题就已经进入商品和供应链；如果集中在冲动购买后的后悔，则要重新评估优惠设计和内容表达是否过度刺激。

5. 预算有限时，优先投资哪一种动作

预算有限时，我会优先选择能够同时改善多个漏斗节点的动作。例如清晰的规格说明，可能同时降低咨询成本、提升支付转化、减少退款；而单纯增加曝光，通常只能放大现有问题。

• 若详情页深度浏览低，优先改善首屏、素材与流量匹配。
• 若加购高但支付低，优先测试价格结构、权益和信任证明。
• 若支付高但退款高，优先处理规格、质量、履约和预期管理。
• 若首购正常但复购低，优先研究使用周期、补充需求和会员触达。
• 若人群规模小但价值高，优先做精确承接，不急于扩大覆盖。

八、团队落地清单：从今天开始完成第一轮画像

1. 第一天：明确问题和边界

商品经理、运营、数据和客服一起开一个不超过90分钟的工作会，只讨论三个问题：本轮要支持什么决策、成功由哪些指标定义、哪些数据不能直接使用。会议结束时，应形成一页纸的问题定义和口径表。

2. 第二至三天：整理数据与行为漏斗

导出近30天、近90天以及必要的去年同期数据，按统一买家或访客口径整理。不要先做复杂模型，先完成从触达到支付、退款和复购的基础漏斗，并把活动、投放、价格和库存变化标记在时间轴上。

3. 第四至五天：形成三到五个任务型人群

建议先用购买任务命名人群，例如“替换型”“尝鲜型”“礼赠型”“囤货型”“问题解决型”。每个人群都必须附带行为证据、主要阻碍、商品机会和验证指标。若只是属性标签，没有行为与任务，就暂不纳入核心画像。

4. 第六至七天：确定实验和资源分配

选择一个核心人群和一个增长人群，各提出一个最小实验。实验不要同时改变太多变量，至少要保留对照条件，并记录流量来源、价格、素材版本、库存和客服策略。最后明确谁负责执行、谁负责读数、谁拥有停止或扩大的决策权。

5. 下一周期：用真实结果更新画像

实验结束后，不要只把结果写进汇报材料。将新的支付、退款、咨询和复购数据回填到人群复盘卡，检查原有假设哪些被支持、哪些被削弱、哪些只在特殊条件下成立。画像只有进入下一轮商品、页面和资源决策，才真正完成闭环。

九、结语：最好的画像，是一套会被结果推翻的工作假设

1. 不要把画像做成静态用户档案

消费者不是固定标签的集合，而是在不同场景、价格和商品任务中不断变化的人。今天的高价值老客，可能因为需求已被满足而进入沉默期；今天的价格敏感新客，也可能在第一次体验后成为稳定复购用户。画像需要记录状态变化，而不是把人永久锁定在某个标签里。

2. 不要把数据复杂度误认为判断能力

更多字段、更细分群和更漂亮的图表，都不能替代对商品问题的理解。真正有价值的画像，通常不是最复杂的那一张，而是能让团队在评审会上快速回答“为什么做、为谁做、先验证什么、什么情况下停止”。

3. 下一步怎么做

建议你先选择一个正在开发或正在下滑的商品，限定一个明确决策，建立近30天与近90天双窗口数据，按照“行为阶段＋购买任务＋价值状态”切出不超过五类人群。然后为其中一类人群设计一个最小实验，用支付转化、退款质量和执行成本同时评估结果。

天猫数据真正的价值，不是告诉商品经理消费者长什么样，而是帮助团队判断：哪一类人正在完成什么购买任务，商品应该在哪个环节为他减少阻力，以及这项判断能否被下一轮结果验证。当人群画像能够持续影响商品定义、页面表达、库存配置和复盘节奏，它才不再是一份分析报告，而会成为商品团队的决策基础设施。

免费注册

咨询方案

扫码咨询方案