增长负责人真正需要解决的，不是让每个人都看到一模一样的图，而是让团队在相同问题下使用相同的对象、时间、来源和公式。
在天猫经营中，数据口径不一通常不是分析师不会算，而是团队在分析开始之前没有把“谁、何时、做了什么、算几次、从哪里来”说清楚。一个人群画像只有同时具备身份定义、行为条件、时间范围、排除条件、指标口径和版本记录，才可以成为增长决策的共同语言。
例如，“高价值新客”至少可能有四种解释：近30天首次支付且实付金额超过300元的人；近90天首次购买但累计支付超过500元的人；平台标记的新客中客单价排名前20%的人；或者运营团队手工维护的一组会员。四种定义都可能合理，但它们不能在同一个报告中混用。
我建议增长团队把画像工作拆成三层。第一层是原子事实，例如订单支付时间、商品类目、实付金额、会员ID；第二层是标准标签，例如近30天购买次数、最近购买距今天数、首购渠道；第三层是经营人群，例如“近30天购买护肤品且未购买面膜的会员”。层层向上组合，才能知道一个结论如何被计算出来。
人群结果 = 对象集合 + 行为条件 + 时间窗口 − 排除条件
任何画像命名都应能还原为这四个部分。若只能说“平台里筛出来的一批人”，就还没有达到可交接、可复盘的标准。
不只看人数和转化率，还要看口径变更、数据延迟、ID覆盖率、去重方式，以及看板结果能否回溯到明细。
下面的场景为综合性示例，用于还原常见工作方式，不对应任何特定品牌或真实项目。
某消费品牌在一次平台大促后召开复盘会。投放同事说活动带来了12.4万新客，会员同事认为只有8.7万，财务按照支付买家去重后统计为7.9万。三组数字都不是简单的“谁算错了”，而是分别用了广告平台的触达归因、会员系统的新增入会和订单系统的首购买家。
如果增长负责人直接用12.4万去计算新客成本，成本会被明显摊薄；如果直接用7.9万评价投放，部分通过广告触达但延迟支付的用户又可能被遗漏。正确的处理方式，是给每个结果加上对象标签：广告归因新客、入会新客、首购支付新客，并说明它们之间是包含、交集还是无法直接比对的关系。
运营团队把近90天浏览过店铺的人叫活跃用户，CRM团队把近90天有加购或收藏的人叫活跃用户，客服团队则只把近90天发生过咨询的人纳入。于是“活跃会员转化率”分母每天变化，活动前后的趋势也无法稳定解释。
我会要求团队先把活跃拆成可观测行为：浏览活跃、互动活跃、加购活跃、支付活跃。它们可以组合成一个经营人群，但不能共用一个没有限定词的“活跃”标签。标签名称越具体，沟通成本越低，后续看板权限和任务分发也越容易。
会员ID、买家昵称、设备ID、手机号哈希是否能够关联，决定了同一用户会不会被拆成多人。
下单、支付、发货、确认收货分别适合不同业务问题，不能在公式中随意替换。
浏览、收藏、加购、支付是不同强度的行为，画像条件必须写出事件和发生次数。
人数、订单数、件数、金额、转化率分别回答不同问题，不能只用一个“大盘数字”代替。
我见过一些人群表拥有上百个字段，却没有字段负责人、更新时间和使用说明。标签数量增加，并不等于洞察能力增加。没有稳定的业务动作承接，标签只会变成难以维护的字段仓库。
判断标签是否有价值，可以追问三个问题：这个标签由什么事实计算？多久刷新一次？命中后准备采取什么动作？如果三个问题都答不出来，就应该合并、下线或暂时标记为实验字段。
扩大人群通常能提高触达规模，但并不自动带来收入增长。一个“近30天浏览过任意商品”的人群，可能有很大规模，却比“近14天加购未支付且浏览同类商品两次以上”的人群更难被促成购买。
我会同时看规模、行为强度、历史价值和可触达率。人群规模是资源盘子，行为强度决定近期机会，历史价值影响预算上限，可触达率决定策略能否真正执行。
平台默认指标很方便，但它往往服务于平台自身的报表逻辑。增长团队还需要明确数据抽取时间、归因规则、退款处理、跨店行为和重复曝光等问题。默认口径可以作为参考，不能未经确认直接作为公司经营口径。
尤其是转化率，要写成“支付买家数 ÷ 进入指定页面的去重用户数”，还是“支付订单数 ÷ 点击次数”，结果会完全不同。
| 模糊说法 | 隐藏问题 | 建议改写 | 可执行动作 |
|---|---|---|---|
| 老客回购率下降 | 老客按会员还是按历史支付买家？回购窗口多长？ | 近90天再次支付买家数 ÷ 近90天首购买家数 | 固定首购基准期和再次支付窗口 |
| 高价值人群变多 | 价值按金额、毛利、频次还是预测分数？ | 近180天累计实付金额排名前10%的去重买家 | 记录金额口径与排名刷新日 |
| 活动带来新客 | 是曝光归因、点击归因还是首购归因？ | 活动期间首次支付且归因至活动触点的买家 | 同时保留触点和支付明细 |
| 人群转化很好 | 分母是否包含未识别、延迟和重复用户？ | 指定窗口内支付买家数 ÷ 进入人群包的去重买家数 | 展示分母、去重键、延迟说明 |
这套流程适合增长、会员、投放和电商运营共同使用。它的重点不是增加审批，而是减少返工。
我会把问题写成一个带动作的句子，例如：“为了决定618预热期的优惠券预算，我要找到近30天浏览过防晒但没有支付、且历史客单价高于店铺中位数的买家。”这句话比“分析防晒人群”更可执行，因为它说明了业务动作、对象、行为、时间和筛选条件。
人群分析通常使用去重买家或会员，但投放曝光可能以设备为单位，订单分析则以订单为单位。一个用户一次支付两笔订单时，买家数应为1，订单数可以是2，件数还可能是多件。指标名称中应明确单位，不能用“数量”这种模糊表达。
口径卡至少包含字段名称、业务解释、计算公式、数据来源、主键、时间时区、退款规则、去重规则、负责人、更新时间和版本号。E数通的看板可以承载结果，但口径卡应作为团队制度沉淀，不能只藏在某个人的聊天记录里。
画像人数对不上时，我不会先调整公式，而会抽取一小批ID检查命中原因：是否首购、是否在窗口内、是否被退款排除、是否存在多账号。上线后还要追踪人群触达、点击、支付、退款和长期复购，避免只看短期转化。
| 要素 | 需要回答的问题 |
|---|---|
| 对象 | 谁被计入？会员、支付买家、访客还是设备？主键是什么？ |
| 行为 | 什么事件算发生？浏览、加购、支付是否需要次数或金额门槛？ |
| 时间 | 自然月还是滚动窗口？使用事件发生时间还是数据入库时间？ |
| 排除 | 退款、取消、员工单、测试单、重复账号是否排除？ |
| 结果 | 人数、订单、金额和转化率分别如何计算，分母是否展示？ |
以下比例是用于演示管理方法的示例，不代表某个企业的真实成熟度。建议每月由增长负责人组织一次检查。
图中数据均为示例，用于说明人群分层和口径治理的分析方式。真正使用时，应替换为经确认的天猫店铺明细或业务数据。
左轴为去重人群数，右轴为支付转化率。规模更大的浏览人群不一定拥有更高的转化质量，增长动作应根据阶段选择人群。
同一活动可能出现多个“新客数”。图表的价值在于把差异显性化，并推动团队确认哪一个数字用于哪一种决策。
以下为方法示例，E数通在这里作为数据分析与决策看板的推荐工具；示例数字和业务结果均为虚构，不构成对任何客户的真实效果承诺。
示例品牌经营多个护肤子品类，增长团队发现月度复盘时出现三个问题：投放看板按广告平台归因，会员看板按手机号识别，订单看板按平台买家ID识别；同一个用户在不同系统中可能被拆成两个身份。
团队原本用“老客占比”评价大促质量，但没有声明老客基准。有人按历史下过单计算，有人按近180天购买计算，还有人把入会但没有支付的人也纳入。结果是活动后老客占比从31%到47%都有出现，讨论很久却无法形成动作。
| 编码 | 人群名称 | 定义示例 | 适用动作 | 不适合直接回答 |
|---|---|---|---|---|
| A-01 | 近30天浏览未购 | 近30天发生指定商品详情页浏览，窗口内无支付订单的去重买家或已识别访客。 | 内容教育、优惠提醒、相关推荐 | 是否为高价值用户 |
| A-02 | 加购未支付 | 近14天加购指定商品，且近14天没有完成支付；排除取消和测试订单。 | 购物车提醒、库存和权益刺激 | 整体品牌认知度 |
| A-03 | 高价值老客 | 近180天有支付记录，累计实付金额位于示例样本前10%，并且非退款关闭用户。 | 会员权益、复购和新品优先试用 | 大促新增客成本 |
| A-04 | 沉默回流候选 | 历史有支付，最近一次支付距观察日91至180天，近30天重新浏览任意相关商品。 | 回流内容、组合套餐、分层优惠 | 自然新增用户规模 |
在E数通中，我会把人群筛选条件、指标计算和看板展示分开管理：筛选条件负责回答“谁”，指标负责回答“发生了什么”，看板负责回答“是否值得采取动作”。这种分层能避免运营为了快速出数，直接复制一张旧表并悄悄改变条件。
假设某人群包有10,000个去重买家，其中2,000人被成功触达，200人支付。若按人群包计算，支付转化率是2%；若按成功触达计算，触达后支付率是10%；若广告平台按点击人数1,000人计算，则点击支付率是20%。三个数字都能成立，但描述的阶段不同。
所以我会要求看板把“人群进入数、触达数、点击数、支付买家数”并列显示，并在每一个率指标后标注分母。只展示20%的团队，很容易误以为整体人群已经高度转化。
假设高价值老客只有3,000人，但历史客单和复购倾向较高；近30天浏览未购人群有50,000人，行为意图不确定。前者更适合人工客服、专属权益和新品试用，后者更适合自动化内容和低成本触达。
这不是“人越少越好”，而是让预算强度与人群证据匹配。用高成本方式覆盖宽泛人群，可能造成浪费；用统一优惠覆盖高价值老客，又可能牺牲本来可以通过权益维系的利润。
如果团队还没有统一字典，不要一开始建设几十个复杂标签。先选新客、老客、支付买家、复购率、活动归因五个核心概念，邀请增长、运营、财务和数据同事共同确认。
建议：用一页口径卡记录版本、负责人和例外情况，先让同一周的复盘报告使用同一套定义。
不要继续新增看板。把现有报表中的同名指标拉成清单，比较来源表、时间窗口、去重键、退款处理和刷新时间，找出最常造成差异的三项。
建议：保留一个正式经营口径，同时允许实验看板存在，但必须加上“实验”标识，不让实验结果直接进入管理层固定报表。
对每次人群策略建立实验编号，记录入组规则、排除规则、观察窗口和评价指标。除了短期支付，还可以观察退款率、毛利、30天复购和投诉等后置结果。
建议：通过E数通将明细、标签、实验分组和结果看板关联起来，让策略复盘不依赖某位分析师手工解释。
数据治理既要准确，也要及时。过度追求完美会拖慢业务，完全追求速度又会让结论失去可信度。
| 决策类型 | 优先保证什么 | 可以接受的简化 | 不能省略的说明 |
|---|---|---|---|
| 日常内容优化 | 趋势方向和行为分层 | 可先使用已识别用户，不必等待全部身份补齐 | 覆盖率、样本量和数据延迟 |
| 大促预算分配 | 归因规则、支付金额和成本分母 | 可先按渠道大类，不必一开始细拆所有素材 | 窗口、退款、重复触达和增量判断 |
| 会员权益设计 | 长期价值、复购和毛利 | 可用分层区间代替复杂预测模型 | 价值周期、优惠成本和排除人群 |
| 管理层月度复盘 | 稳定口径和历史可比性 | 只保留少量核心指标，减少视觉噪音 | 口径变更、异常月份和数据责任人 |
| 探索性分析 | 快速验证假设 | 允许使用临时字段和实验人群 | 必须标记为探索，不可直接当正式结论 |
活动当天需要快速判断时，可以先输出“临时口径”，但必须有醒目标识和后续校准时间。临时数据不是错误数据，未声明的临时数据才会造成错误决策。
公司应该统一核心指标，但不必禁止所有团队探索。正式指标负责横向比较，实验指标负责寻找机会，两者通过命名、权限和版本区分。
画像越细，维护成本越高。优先建设能触发明确动作的人群，不要为了“看起来精细”制造没人使用的标签。
负责把业务目标翻译成问题，判断人群是否能支持预算、内容、权益或渠道决策。增长负责人不一定亲自写每一条计算逻辑，但必须能说明为什么需要这个人群，以及结果会改变什么动作。
负责检查主键、时间字段、数据完整性和计算逻辑，建立明细抽样与异常校验。分析师应把假设写出来，而不是把所有业务判断隐含在一段难以复用的脚本里。
运营负责确认标签是否符合实际执行，财务负责确认金额、退款、成本和利润口径。只有结果被业务使用并经得起财务核对，画像才真正完成闭环。
指标名称：近30天支付买家数；业务目的：衡量指定窗口内的有效购买规模；对象：去重买家ID；时间：支付成功时间，按北京时间统计；排除：取消、全额退款、测试单和员工单；公式：满足条件的去重买家数量；来源：订单明细与买家映射表；刷新：每日固定时间更新，晚到数据次日补算；负责人：电商数据负责人；版本：V1.2；变更说明：本版本将退款关闭订单从结果中排除。
这个模板看起来比一句“近30天成交人数”更长，但它能显著减少跨部门沟通。对于E数通看板，我会把核心说明放在指标旁边，把完整版本放在数据字典中，并提供从汇总到明细的查看路径。
以下回答采用第一人称解释方式，适合在团队讨论、SEO内容阅读和日常数据协作中直接参考。
我在复盘时发现，同一场活动出现三个新客数并不罕见。天猫后台可能按平台首购买家统计，广告平台可能按触点归因，企业看板则可能按自己的会员ID和支付成功条件计算，所以不能只比较数字大小。
我会先为每个数字补充三项说明：新客对象是谁、归因窗口有多长、支付或入会哪个事件作为成立条件。随后把平台新客、广告归因新客和企业首购新客并列展示，并明确它们不能直接互换。这样做的重点不是强行得到一个“唯一正确”的数字，而是让每个数字服务于对应的决策。
我通常不会直接使用没有限定词的“活跃用户”，因为浏览、收藏、加购、咨询和支付代表不同的行为强度。比如一个用户只浏览过商品详情页，和一个用户近7天加购两次但尚未支付，运营动作与转化概率都不一样。
更好的做法是拆成浏览活跃、互动活跃、加购活跃和支付活跃，再根据具体任务组合。若要评价内容吸引力，可以看浏览活跃到互动活跃的变化；若要安排催付，可以使用加购未支付；若要评估会员价值，则应结合支付频次、金额和最近购买时间。
我会从使用频率、行动承接、稳定性和解释成本四个方面判断。一个标签即使计算很复杂，只要长期用于预算分配或会员权益设计，就有维护价值；反过来，一个没人使用、无法说明来源、每次都要人工修改的标签，数量再多也只是数据负担。
实践中可以为每个标签增加负责人、刷新频率和最近使用日期，并记录命中规模与策略结果。如果连续一段时间没有业务动作，或者标签定义已经无法映射到现有数据，就应该合并、重命名或下线，而不是继续堆积。
我认为没有脱离业务问题的统一答案。若我要评价一个已定义人群的整体购买效率，通常使用支付买家数除以进入人群的去重用户数；若我要评价广告点击后的效率，可以使用支付买家数除以有效点击人数；若我要评价店铺承接，则可能使用支付买家数除以进店去重访客。
关键是名称和公式必须同时出现。例如“人群支付转化率”和“点击后支付率”不能只写成同一个“转化率”。在E数通看板上，我建议把分子、分母和窗口直接展示，避免管理者只看到一个百分比而误判策略效果。
我不会把E数通当作自动替团队做业务判断的工具，而会把它用作统一数据链路和呈现逻辑的载体。先确认源数据、对象主键、时间字段和指标公式，再将人群筛选、指标计算、看板下钻和版本说明连接起来，工具才能减少重复加工。
具体来说，可以先从新客、老客、支付买家、复购和活动归因等高频指标开始，建立统一命名与说明；再把人群字典和看板关联，支持从汇总数字下钻到明细样本。这样团队讨论的重点就能从“你这个数为什么不一样”转向“这个人群应该采取什么动作”。
我会区分即时决策和最终结算。活动进行中，可以使用明确标注为临时口径的实时或准实时数据，用来判断预算是否需要调整、库存是否需要关注；活动结束后，再等待延迟支付、退款和归因数据补齐，形成正式复盘。
临时结果必须标注抽取时间、覆盖范围和可能遗漏的事件，并且不能与最终口径混在同一张趋势图中。若E数通看板保留了刷新时间和版本，就能让使用者知道当前数字处于哪个阶段，不会把未完结数据误认为最终经营结论。
不一定。过细的人群可能只有很小样本，触达成本却更高，最后的转化变化也可能只是随机波动。比如把用户按多个类目、多个时间段和多个金额区间切成几十组，如果每组只有几百人，就很难判断哪组是真正有效。
我会先判断样本是否支持决策，再决定切分粒度。高价值老客可以接受较细的权益分层，宽泛浏览人群则适合用较少条件做自动化触达。画像精细度应该服从行动差异，而不是服从报表看起来是否复杂。
当增长负责人能够用同一套人群字典、指标口径和数据链路与投放、会员、运营、财务协作，画像就不再是一次性的分析材料，而会成为持续复用的增长资产。你可以从一个指标、一个人群和一张看板开始，逐步建立可追溯、可复盘、可行动的经营体系。
