天猫数据：增长负责人流程图解：人群画像如何减少数据口径不一

在一次天猫大促复盘中，品牌增长团队同时给出了三个“新客数”：运营报表说是18.6万人，投放平台说是14.2万人，会员系统却只有11.9万人。三份数据都能导出明细，也都不是简单算错，真正的问题是三套系统对“新客”的定义不同。我的判断是：人群画像不是一张用户标签表，而是一套从业务定义、数据采集、分群计算到结果复核的流程协议。只要这套协议没有固定下来，增长负责人看到的就不是一条经营事实，而是多个团队各自成立的局部事实。

一、先讲核心结论：画像统一的关键不是标签更多，而是口径先于分析

1. 人群画像要先回答“谁被纳入”，再回答“他是谁”

很多团队一开始就讨论年龄、城市、消费层级、兴趣偏好，甚至建立了几百个标签。但在实际项目中，我发现最容易造成争议的并不是用户标签，而是样本边界。

例如，“近30天购买过的人群”至少有四种可能：按支付成功时间计算，按订单创建时间计算，按交易完成时间计算，或者按明细去重后的买家账号计算。四种定义对应四个不同的人群规模。标签越丰富，如果边界越模糊，最终只能让错误看起来更专业。

因此，我通常会把人群画像拆成四个层次：

• 对象层：统计的是买家、账号、设备、订单，还是商品购买行为。
• 时间层：明确自然日、滚动周期、活动周期和归因窗口。
• 行为层：明确浏览、加购、收藏、支付、收货、退款等事件。
• 业务层：明确新客、老客、沉睡客、高价值客等经营定义。

只有这四层被写成可执行规则，画像才具备跨部门复用的价值。否则，画像报告可能适合演示，却不适合投放、货品、客服和会员运营共同使用。

2. 增长负责人要管理“定义链”，而不是亲自维护所有报表

增长负责人不需要每天亲自核对每一条用户记录，但必须负责建立一条从业务问题到数据结果的定义链。这条链可以概括为：

1. 明确决策问题：这次要决定预算、人群、货品，还是活动机制。
2. 确定分析对象：买家、订单、商品、设备或会员身份。
3. 固定时间范围：日、周、月、活动周期或滚动窗口。
4. 定义用户事件：曝光、点击、访问、加购、支付、签收、复购。
5. 制定去重规则：按账号去重、按订单去重，或保留行为次数。
6. 设定归因规则：最后触点、首次触点、平台归因或自定义归因。
7. 让执行团队在同一版本规则下产出结果。

如果一张报表不能追溯到这七个问题，它就不应该直接成为预算调整的依据。

3. 统一口径不等于所有部门只能看同一张表

运营关注成交买家，投放关注触达和转化，商品团队关注品类渗透，会员团队关注身份和生命周期。不同部门确实需要不同视图，但这些视图必须建立在同一套底层定义上。

比较合理的做法是“底层统一、上层分视图”。例如，底层统一“有效支付买家”的定义，上层分别生成投放转化视图、会员沉淀视图和商品复购视图。这样既不牺牲部门效率，也不会让每个部门重新发明一套新客、老客和高价值客的定义。

二、真实场景：为什么天猫经营数据经常出现“三套答案”

1. 同一个“新客”，在不同系统里可能不是同一批人

在匿名化项目中，团队对某个大促周期的新客进行对账。交易后台按支付成功买家计算，广告平台按被广告触达并完成转化的账号计算，会员系统则按首次入会时间计算。三套结果分别为18.6万人、14.2万人和11.9万人。

后来我们逐条检查，发现广告平台只统计了可识别且被纳入归因窗口的用户；会员系统排除了未授权或未入会账号；交易后台则把自然流量和站内外流量都纳入了统计。三组数据并没有简单的“谁对谁错”，而是回答了三个不同的问题。

真正需要解决的不是强行把18.6万改成11.9万，而是在报告中明确写出：成交新客、可归因新客、会员新客分别是什么，以及它们之间为什么存在差额。

2. 数据口径不一通常发生在交接处

我在项目中观察到，口径问题很少出现在一个团队内部。运营自己看报表时，知道所用字段和过滤条件；投放自己看平台数据时，也知道归因窗口。争议通常发生在运营把成交新客交给投放，投放把归因新客交给会员，会员再把入会用户交给客服时。

交接过程中最容易丢失的是三个信息：原始时间窗口、去重对象和排除条件。一旦这些信息没有跟着数据一起传递，后续团队只能根据字段名称猜测含义。

所以我会要求每个可共享的人群包都带一张“口径卡”，至少包括人群名称、业务定义、纳入条件、排除条件、时间窗口、去重规则、数据更新时间和责任人。

3. 低频购买品类尤其容易被短周期误判

快消、服饰和美妆的复购周期差异很大。用30天判断低频耐用品的复购，用90天判断高频消耗品的沉睡，都可能造成明显误判。

例如，一款平均购买间隔约75天的产品，如果用30天没有购买就标记为沉睡客，团队会把大量正常用户误投到唤醒计划中。相反，某类月度消耗品如果用180天才定义沉睡，预算就会持续投向已经失去活跃迹象的人群。

生命周期窗口必须由品类购买周期决定，而不能由报表模板决定。

三、常见误区：看似统一的画像，为什么仍然不能指导增长

1. 误区一：用标签数量代替画像质量

有些团队把画像建设理解为“把能拿到的标签都接进来”。最终人群包包含年龄、地域、消费层级、内容兴趣、设备、价格敏感度等数百项字段，但没有说明哪些标签经过验证，哪些只是平台推断。

这会带来两个问题。第一，标签之间可能高度重复，例如“高消费层级”“高客单用户”“高价值用户”可能都来源于相近的消费金额。第二，标签更新周期不同，有的按日更新，有的按月更新，有的只在特定行为发生后更新。

我更看重标签的“决策贡献度”。一个标签只有在能够改变预算分配、货品组合、优惠策略或触达方式时，才值得进入核心画像。

2. 误区二：把平台归因结果当成真实增量

平台归因可以帮助判断哪些触点与成交发生了关联，但它不等于这些触点带来了全部增量。尤其是在大促期间，用户可能本来就有购买意愿，只是在最后阶段被广告再次触达。

如果增长负责人把广告归因成交全部视为增量，就会高估投放效果；如果把自然成交全部视为无需运营，又会低估内容和会员体系的作用。

更稳妥的做法是把结果拆成三个层次：归因成交、实验增量和长期价值。归因成交用于日常优化，实验增量用于预算判断，长期价值用于评估新客质量。

3. 误区三：把“成交人数”与“成交次数”混为一谈

一位买家在活动期间下了三笔订单，按买家去重只能算一个成交买家，按订单统计则是三笔成交。若运营看买家数，商品团队看订单数，财务看支付金额，这三组数字都可能正确，但不能直接进行同比。

我建议在所有核心报表中，把“人数、订单数、件数、金额”放在相邻位置，并在字段名称中直接写明单位。不要只写“成交量”“转化量”这类含义模糊的标题。

4. 误区四：忽略退款和取消订单的回溯影响

活动当天统计支付转化时，支付成功是合理口径；但评估真实成交质量时，如果不排除退款，结果会持续偏高。更复杂的是，退款通常发生在活动结束后的几天，导致活动数据在后续周期发生回溯。

因此，我通常会建立两个字段：支付成交和有效成交。前者适合实时监控，后者适合复盘和人群价值评估。报表上必须显示数据冻结时间，否则不同日期打开同一活动报告，用户会误以为数据系统不稳定。

5. 误区五：把画像结果直接当成投放人群，不做可触达性检查

分析系统里有100万名高潜用户，并不意味着投放系统能触达到100万人。用户可能没有授权、没有稳定设备标识、已经退出可营销状态，或者在不同系统中无法完成身份匹配。

在人群策略中，至少要同时展示四个规模：分析规模、可识别规模、可触达规模和实际覆盖规模。只有最后两个数字能够直接影响投放预算和频控设计。

四、专业判断逻辑：如何从业务问题反推人群画像

1. 先建立“问题，人群，动作，指标”四联表

我在启动画像项目时，不会先让分析师列标签，而是要求业务负责人填写四联表。它的作用是防止画像停留在描述层面。

如果一个标签无法映射到具体动作，通常只能作为描述性信息，不能放在策略核心位置。例如“喜欢某内容类型”本身没有行动价值，只有当它能决定投放素材、推荐商品或触达时间时，才进入执行规则。

2. 建立最小可用画像，而不是一次性追求全量画像

一个可落地的初版画像，通常只需要六类字段：

• 交易状态：是否购买、购买次数、最近购买时间。
• 金额状态：累计支付金额、最近一次支付金额、毛利贡献。
• 品类关系：首次购买品类、核心品类、跨品类购买情况。
• 行为强度：近7天或近30天浏览、加购、收藏和搜索行为。
• 生命周期：新客、成长期、稳定期、沉睡期、流失风险期。
• 触达状态：是否授权、是否可触达、最近一次触达渠道。

这六类字段足以支撑大多数基础增长动作。后续是否增加内容兴趣、价格敏感度、地域层级等标签，应由实验结果决定，而不是由数据团队的字段库存决定。

3. 把标签分成事实标签、推断标签和策略标签

这是我认为最容易被忽略、但最能减少争议的一种分类方式。

事实标签直接来自行为，例如“近30天支付过一次”“最近一次购买距今天45天”。这类标签最容易复核。

推断标签来自模型或规则，例如“价格敏感”“高潜复购”“内容偏好”。这类标签必须提供生成逻辑、更新时间和置信边界，不能当成绝对事实。

策略标签是为了执行动作而建立的，例如“适合优惠券召回”“适合新品试用”“不建议重复触达”。这类标签不是用户本质属性，而是阶段性经营判断。

如果把三类标签混在一起，运营很容易把模型判断当成事实，把策略分组当成用户永久属性，进而造成错误触达。

4. 用版本化管理解决“规则偷偷变化”

画像规则会变化，这是正常现象。问题在于很多团队直接覆盖旧规则，导致历史报表无法复现。

我建议给每个人群包建立版本号。例如“首购未复购人群V1”采用支付成功口径和60天窗口；“首购未复购人群V2”增加退款排除，并将窗口调整为75天。两个版本可以并行运行，但不能在同一张趋势图中混用。

版本记录至少需要包含：创建时间、修改人、修改字段、修改原因、影响范围和生效日期。对于预算较大的投放人群，还应保留修改前后的规模变化。

五、流程图解：一套可执行的人群画像治理流程

1. 第一步：先写业务定义卡

定义卡不能只写“新客”“高价值用户”这样的名称，而要写成任何分析师都能执行的规则。建议至少包含以下内容：

• 名称：人群包的业务名称和版本号。
• 对象：按买家、订单或设备统计。
• 纳入条件：必须满足哪些条件。
• 排除条件：退款、取消、异常账号是否排除。
• 时间窗口：固定日期还是滚动天数。
• 去重规则：一个账号计一次，还是保留多次行为。
• 数据延迟：实时、小时级、日级或冻结后更新。
• 应用范围：投放、复盘、会员运营或商品分析。

定义卡的价值在于，它把“大家都懂的词”变成“系统可以执行的句子”。

2. 第二步：建立事件字典

同一个“购买”动作，在不同系统里可能对应下单、支付、发货、签收或交易完成。事件字典需要明确事件名称、触发条件、时间字段、来源系统和是否参与指标计算。

3. 第三步：把人群分群规则写成可复核逻辑

人群规则最好既能让业务人员读懂，也能让技术人员执行。以下是一个不依赖具体系统的伪代码示例，用于表达“活动期首购且活动后60天未复购”的逻辑：

用户集合 = 去重后的有效买家
首购用户 =

活动期内发生有效成交

且活动开始前没有有效成交记录

未复购用户 =

首购用户

且活动结束后第1天至第60天没有再次有效成交

可触达用户 =

未复购用户

且营销授权状态有效

且最近30天没有达到渠道频控上限

代码或规则文本的作用不是让业务人员编程，而是消除“我以为系统是这么算的”这种模糊状态。

4. 第四步：做三层对账，而不是只核对最终人数

第一层是总量对账，检查交易总额、有效订单数和买家数是否与权威交易视图一致。

第二层是分层对账，按渠道、品类、日期和会员状态拆分，找出差异集中在哪个维度。

第三层是明细抽样，随机抽取用户或订单，回看其事件时间、支付状态、退款状态和人群标签，确认规则真的按预期执行。

只看最终人数很容易漏掉问题。两个结果即使相同，也可能因为不同错误相互抵消。明细抽样才是判断画像是否可信的关键。

5. 第五步：将人群包与执行结果绑定

画像上线后，要记录人群包被用于什么动作，例如定向投放、优惠券、客服召回、内容推荐或货品组合。否则，即使复购率提升，也无法判断是人群选择有效，还是优惠力度、页面改版或季节因素造成的。

每次执行至少记录人群版本、触达渠道、开始时间、频控规则、优惠条件、对照组设置和结果观察窗口。

六、案例与数据观察：统一口径后，增长判断发生了什么变化

1. 案例一：大促新客复购被高估，问题出在观察窗口

某快消品牌在大促后复盘时，发现新客30天复购率为12.4%，团队据此认为首购用户质量较差。我们重新按照品类购买周期拆分后发现，核心品类平均购买间隔约52天，30天窗口只覆盖了部分正常复购用户。

将观察窗口调整为60天后，整体复购率升至19.1%。这并不代表用户突然变好了，而是观察窗口终于覆盖了主要购买节奏。

进一步按首购商品拆分，试用装用户60天复购率为24.8%，低价单品用户为17.3%，一次性礼盒用户只有8.6%。如果只看总盘，团队可能会继续增加全量召回；拆分后更合理的动作是优先经营试用装和低价单品用户，对礼盒用户采用节日节点触达。

2. 案例二：投放转化率下降，实际是新老客混投

另一个项目中，某广告计划表面上转化率从6.8%下降到4.9%。团队原本准备更换素材，但对用户构成进行重算后发现，计划中有约31%的曝光来自历史购买用户。

这些老客点击率高，但新增支付贡献有限，导致计划整体数据被混合。拆分后，新客支付转化率为3.7%，老客支付转化率为7.6%。问题不在于素材突然失效，而在于投放人群和评估目标没有对齐。

调整为新客拓展、老客复购两个独立计划后，新客计划的获客成本短期上升约11%，但新增买家占比提高，老客计划的复购成本下降约18%。这就是典型的取舍：短期效率不一定变好，但增长结果变得可解释。

3. 案例三：高价值人群规模变小，但预算效率更稳定

某团队原先以累计支付金额超过500元定义高价值用户，后来我们增加了退款排除、近180天活跃条件和毛利贡献校验。人群规模从42万人下降到27.5万人。

表面看，团队失去了大量可投放用户；但在后续实验中，调整后人群的平均客单价提高约16%，优惠成本率下降约3.4个百分点，90天毛利回收周期缩短约9天。

这说明画像收缩不一定是损失，过度宽泛的人群才可能是预算浪费的来源。人群规模应该服务于决策质量，而不是成为部门展示资源量的数字。

4. 如何判断数据变化是真增长还是口径变化

遇到指标突然上升或下降时，我会先检查四件事：

• 人群定义是否变更，尤其是新客、有效成交和复购定义。
• 时间窗口是否变更，是否从支付时间改成交易确认时间。
• 身份匹配率是否变化，是否新增或关闭了某些数据来源。
• 数据冻结时间是否变化，退款和取消订单是否完成回溯。

只有排除这些口径因素后，才进入素材、价格、货品和渠道层面的经营分析。

七、不同情况下的行动建议：不要用一套画像解决所有问题

1. 如果团队刚开始建设数据体系

不要先做复杂模型，也不要一开始建立几百个标签。建议先选三个高频问题：新客识别、复购判断和投放效果拆分。

1. 确定交易主表和唯一买家标识。
2. 写出新客、老客和有效成交的定义卡。
3. 统一支付、退款和取消订单的处理方式。
4. 选择一个核心品类做小范围验证。
5. 用人工抽样核对100至300条用户明细。
6. 确认规则稳定后，再扩展到其他品类和渠道。

初期最重要的不是自动化程度，而是让团队建立共同语言。一个能够被所有人理解、每周稳定复用的人群包，比一套没人敢使用的复杂模型更有价值。

2. 如果数据很多，但部门争议仍然频繁

这通常不是数据不足，而是责任边界不清。建议建立“指标负责人”制度，每个核心指标只设置一位最终解释人，同时允许不同部门保留自己的分析视图。

例如，交易团队负责有效成交买家，投放团队负责可归因成交，会员团队负责可运营会员。跨部门会议不再争论谁的数字“更真实”，而是先确认当前决策需要哪一个视图。

会议材料中可以增加一页“口径差异说明”，列出数字差异、原因和适用场景。这样数据争议从观点冲突变成规则选择。

3. 如果投放预算增长很快

优先建设人群可触达率、身份匹配率、频次和增量实验能力。因为预算扩大后，最危险的问题不是不知道谁会买，而是把重复触达当成新增效果。

建议至少保留一小部分对照人群，不触达或延迟触达，用于观察自然转化差异。对照组不需要非常大，但必须在用户结构、地区、商品和历史价值上尽量接近实验组。

同时，投放报告要区分平台归因成交与实验增量成交。前者用于渠道优化，后者用于判断预算是否应该继续增加。

4. 如果品类购买周期差异很大

不要用统一的30天、60天或90天窗口。可以先计算各品类的购买间隔分布，再选择覆盖主要用户的观察窗口。

一个实用方法是查看中位购买间隔和75分位购买间隔。高频品类可以围绕中位数设置召回时间，低频品类则应参考75分位，并结合节日、季节和库存周期调整。

5. 如果团队使用某项目管理工具协作画像项目

建议不要只建立一个“数据需求”任务，而要拆分为定义、取数、校验、上线和复盘五类任务。每类任务都写清输入、负责人、验收标准和截止时间。

例如，定义任务的验收标准是业务负责人确认口径卡；取数任务的验收标准是字段齐全且更新时间明确；校验任务的验收标准是总量对账和明细抽样通过；上线任务的验收标准是人群包能够被目标渠道读取。

如果使用某项目管理平台，还可以为人群包设置版本字段、风险状态和变更记录，避免规则改动只存在于聊天记录中。

八、不同情况下的取舍：统一口径也有边界

1. 实时性与准确性的取舍

实时支付数据适合监控活动进展，但它可能包含后续退款；冻结后的有效成交更适合复盘，却无法支持实时调价和实时预算调度。

我的建议是保留双指标，而不是试图用一个指标解决所有场景。实时看支付成交，复盘看有效成交，并在名称上直接区分。最大的风险不是指标不同，而是报告没有说明指标处于哪个状态。

2. 人群规模与人群纯度的取舍

宽口径人群覆盖面大，适合冷启动和探索；窄口径人群纯度高，适合预算有限或需要验证增量的场景。

3. 规则透明度与模型复杂度的取舍

复杂模型可能提高预测效果，但如果运营人员无法理解用户为什么被纳入，就很难在素材、货品和优惠策略上做出对应调整。

对于高频经营动作，我倾向于使用可解释规则；对于预算较大、样本充足的拓展动作，再引入模型评分。两类人群可以并行，但必须明确“规则人群”和“模型人群”不是同一类证据。

4. 跨平台统一与平台内优化的取舍

跨平台统一便于比较渠道，但可能牺牲平台内部的细节；平台内优化可以获得更高执行效率，却容易产生多个孤立口径。

比较稳妥的方式是建立一套跨平台经营指标，同时保留平台特有指标。比如跨平台都统一有效成交买家和毛利贡献，平台内部则保留曝光、点击、互动和归因等特色指标。

5. 数据隐私与画像颗粒度的取舍

画像不是越细越好。过度细分不仅增加治理成本，也可能带来不必要的隐私风险。应优先使用与业务目标直接相关的字段，限制不必要的个人属性推断，并对人群导出、共享和留存设置权限。

尤其在跨部门协作时，通常只需要输出人群规则、规模、执行条件和结果，不需要共享能够识别个体的原始信息。

九、落地检查清单：用两周时间完成第一版口径治理

1. 第1至第3天：确认最关键的三个指标

建议从新客数、有效成交买家数和复购率开始。不要一上来治理所有指标，否则项目会因为范围过大而失去推进节奏。

每个指标都要指定业务负责人、数据负责人和最终使用场景。尤其要写清楚，这个指标是用于实时监控、活动复盘、预算决策，还是会员运营。

2. 第4至第6天：完成定义卡和事件字典

把所有容易产生歧义的词逐一拆开，包括新客、老客、有效成交、复购、沉睡、高价值和可触达。每个词都要具备纳入条件、排除条件、时间窗口和去重规则。

如果团队无法在30分钟内解释一个指标的计算方式，就说明这个指标还没有真正统一。

3. 第7至第9天：完成总量、分层和明细校验

总量校验用于确认数据没有大范围遗漏；分层校验用于发现差异集中在哪些渠道或品类；明细校验用于确认用户确实满足人群条件。

建议至少抽查三类边界样本：刚好满足条件的用户、刚好不满足条件的用户、存在退款或身份匹配异常的用户。边界样本比随机样本更容易发现规则问题。

4. 第10至第12天：上线一项可控增长动作

第一项动作不建议直接使用全部预算。可以选择一个品类、一个渠道或一个较小的人群包，设置明确的对照组，观察点击、加购、支付、退款和后续复购。

动作的目标不是马上证明画像有效，而是验证画像规则能否稳定被执行，以及执行结果是否能够回到原始人群定义。

5. 第13至第14天：形成版本复盘

复盘中不要只写“转化率提升了多少”，还要写清楚：人群规模变化、可触达率变化、实际覆盖变化、成本变化、长期结果是否可见，以及哪些指标仍然存在口径风险。

如果结果不理想，也不要马上否定画像。先区分是人群定义问题、触达执行问题、货品承接问题，还是观察窗口不足。只有将问题拆开，下一轮优化才不会重复试错。

十、FAQ：关于人群画像与数据口径的几个高频问题

1. 数据口径不一致时，应该以哪个系统为准？

没有绝对统一的答案，应根据业务问题确定权威视图。成交规模通常以交易视图为准，广告效果需要同时看平台归因和实验增量，会员运营则要看可识别、可授权和可触达用户。

最重要的是在报告中写明“本次指标回答什么问题”，而不是简单宣布某个系统永远正确。

2. 新客应该按首次下单还是首次支付计算？

如果用于实时活动监控，可以按首次支付计算；如果用于长期价值和复购分析，建议使用有效成交，并排除取消和后续确认无效的订单。

两者可以并存，但名称必须明确，例如“支付新客”和“有效成交新客”，不能都简称为“新客”。

3. 人群包多久更新一次比较合适？

取决于动作时效。实时竞价和活动监控可能需要小时级更新，复购召回通常日级更新即可，长期价值分层可以周级或月级更新。

更新频率越高，数据延迟、规则变更和系统成本越高。不要为了追求实时而牺牲稳定性。

4. 没有完整用户身份体系，还能做画像吗？

可以，但必须承认身份匹配的限制。先使用交易账号、会员账号或渠道可识别标识建立稳定的小范围样本，再逐步扩展到可触达用户和匿名行为用户。

画像报告中要同时显示理论规模、可识别规模和可触达规模，不能把三者混成一个数字。

5. 画像结果不好，是不是说明标签不够多？

不一定。更常见的原因是业务动作没有承接画像，或者观察窗口、优惠策略和货品组合不适合目标用户。

增加标签之前，先检查四件事：定义是否准确、样本是否足够、动作是否匹配、结果是否有对照。只有在这四项基本成立后，新增标签才有意义。

十一、总结：真正减少口径不一的，不是报表，而是可复核的经营协议

天猫经营数据出现多个答案并不可怕。可怕的是团队没有能力解释这些答案分别代表什么，却直接拿其中一个数字做预算、货品和人员决策。

我的经验是，人群画像建设最值得投入的部分，往往不是增加更多标签，而是把对象、时间、事件、去重、归因、授权和版本记录固定下来。画像只有从“描述用户”走向“指导动作并接受结果检验”，才真正成为增长基础设施。

下一步可以从三个动作开始：选定三个最常用指标，建立一页定义卡；抽取一个重点品类，按真实购买周期重设观察窗口；选择一项小预算动作，用对照组验证画像是否带来增量。

当团队能够在同一张口径卡上讨论问题，在同一套版本规则下执行，在同一组结果指标上复盘，数据就不再是部门之间争夺解释权的工具，而会变成增长负责人真正可以调度的经营语言。

免费注册

咨询方案

扫码咨询方案