DMP有三大核心业务模块：标签、人群、分析。我将从以下3个部分进行阐述：分析模块的作用、构建分析体系、分析应用与呈现

我们通过“人群”模块可以精准定位到用户群，业务方可以对人群进行画像分析、活动精准触达和对外输出变现，而这三块最终都以“人群”全面分析得出达成一致的业务结论而结束。

所以，从产品完整性角度来说，分析模块是系统闭环的关键。

（图1：人群模块3大应用场景）

而从业务价值来说，分析的作用主要分为以下两块：

1、检验活动效果

日常运营过程中，业务方会通过DMP系统进行精准圈人做活动，如果活动结果无法高效清晰地展示信息，系统业务价值则大打折扣。

所以，我们需要搭建完整的数据指标体系来衡量工作成果。比如：活动KPI达成率、人群目标符合程度等。

同时，业务方也可以通过分析模块发现问题，以便快速调整运营策略。

2、挖掘增长价值

除了帮助快速发现问题，我们也希望能预测未来，挖掘出更多价值。

当我们采集下所有用户在任何时间、任何地点，发生的任何行为数据，然后进行数据处理（清洗、抽取和整合等），最后利用算法和模型进行预测分析。

那么，具体用户个人未来行为轨迹将大概率能够被预测到，既而驱动业务增长。

从新零售人，货，场角度出发，DMP的核心是对“人”进行分析，而“货”和“场”都需要围绕人发生的行为分析。

构建分析体系本质思维是“拆解”再“整合”。即通过拆解业务场景获取需要采集的数据，再基于采集的数据给用户赋予标签，最后基于业务场景搭建供各个业务方查看的分析维度。

（图2：构建分析体系的步骤）

1、采集数据

在保证用户隐私的前提下，尽可能全的采集用户行为数据。

1.1 从哪里采集数据？

新零售的行为数据多而杂，需要从不同的源头终端进行采集，大致分为以下5类：

（1）线上自有终端。e.g. App、H5等；

（2）线下自有终端。e.g. 线下CPC、扫码购、自助收银机等；

（3）社交传播渠道。e.g.微信公众号、微信小程序、企业微信、微博、抖音、支付宝等；

（4） 内部系统数据同步。e.g. 客服系统、社群管理系统、仓储配送系统等；

（5）第三方销售渠道。e.g.天猫、京东、拼多多等。

2.2 采集哪些数据？

参考小学语文写作五要素：人物、时间、地点、事件、事件对象（物），数据也可以按照此五要素进行采集。采集的数据通常以客观事实数据为主。

一句话总结：某人在某个具体时间/地点下，针对某物产生具体某个（些）行为。

人物：某人是谁？相当于新零售“人”的概念。通常是用户的基础属性，一般不会随着时间发生变化。

（1）姓名、性别、年龄、家庭/公司地址、用户兴趣等

（2）使用手机号、唯一识别ID（device id、union id、open id、IMEI、手机号等，可用于定位并触达到该用户）、手机型号、系统类型、网络等

时间/地点：某人行为发生场景，相当于新零售“场”的概念。

场景作为人群事件发生特性，具有丰富性和多变性，通常很难全面定义。以下是新零售行业采集数据主要考虑的3个方向：

（1）时间：记录用户行为发生的时间戳，基于时间戳后续可获得具体日期、年份、月份、星期X、618大促、春运期间、工作日/周末等时间类标签

（2）物理地址：即用户的物理地址，一般以经度、纬度表示。经纬度具有唯一值，且可转化成中文地址名称。对于具备线上线下零售企业，基于用户地址后续又可以映射获取到用户所在门店，大区（东/南/西/北/中）等地理位置类标签

（3）终端：即用户发生行为的终端。新零售基本上可划分为：APP、H5、小程序、线下门店（扫码购、自助收银机、CPC等）。对于精细化运营团队，还可记录页面上具体位置

事件：某人产生了某个（些）行为。即人在产品内主动/被动触发的动作，会随着时间发生变化。

（1）决策行为：用户最感兴趣，付出成本最大的行为。e.g. 购买、下单；

（2）主动行为：用户意图明确下产生的行为，量最大。e.g. 点击、加购、收藏、领券、用券、获得积分、兑换积分、搜索、关注、回复等；

（3）被动（半主动）行为：用户意图较弱，价值一般。收到券、收到推送、广告/商品曝光、评论、分享等。

事件对象：某人行为发生的对象，相当于新零售“货”的概念

通常按照以下3类进行采集：

（1）实物商品：采集商品ID、商品名称、售卖价、成本价、上架时间等。为了保证商品信息的全面性，具备条件的大型零售或者电商公司，还卷入卖家为平台商品打标签。除常见的品牌、品类（1/2/3/4级）外，还会基于商品特性聚合。比如：大小、品类特性（比如奶粉：脱脂/全脂）

（2）虚拟商品：优惠券/代金券/购物卡等。通常会采集其ID、名称和有效期等；

（3）特殊对象：关键词/广告位/订单等。通常会采集其ID、名称等。

2、标签计算

采集到用户基础行为数据后，部分数据可以直接构建具备价值的分析表，比如：用户基础属性。但大部分数据，需要提炼加工成有意义的标签，才会产生价值。

通常分为以下3类标签：

（1）平台赋予的识别ID，通常具备唯一性，且不随时间变化。e.g.会员卡号、积分码、uid码等；

（2）平台赋予用户的身份属性，需要结合用户过去行为进行判断。具体划分规则需要根据业务情况和使用方式，进行不断调整和优化。e.g. 新客、老客、活跃/沉默/流失用户、高级/普通会员，母婴人群，白领人群等；

（3）平台赋予用户的偏好属性，需要结合用户过去行为进行判断。打标需要根据业务情况，利用算法模型进行不断调整和优化，详情请查看下方表格。

3、搭建数据指标体系

基于采集好的数据和标签，结合业务目标及达成情况构建数据指标体系，并按照类型划分维度。

我根据所在的新零售行业，举例以下常用分析维度，需要根据实际公司性质和业务场景进行调整。

（1）用户画像分析

基础事实信息和预测信息的集合，无活动时间概念。可用于对人群进行精细化洞察分析，通常用于帮助业务做决策，也是个性化推荐的前端应用。

e.g1. 人群性别/年龄/地域/人生阶段/兴趣爱好分布，使用手机型号分布

e.g2. 用户生命周期分布，新客来源渠道分布（新零售新客定义通常以首次购买为准）

e.g3. 品类/品牌/商品偏好top分布，偏好渠道分布

（2）整体分析

通常为KPI相关指标。

e.g. 人群活动期间的ROI=增加销售额/增加活动投入、销售额、订单数、客单价、引入新客数、关注公众号人数等

（3）行为分析

根据事件和事件对象的不同，主要区分以下4类分析：

1）人群BY品类/门店/品牌/商品购买分析。e.g. 人群在活动期间购买topx品类、购买topy品牌、购买topz商品、购买topw门店/省/市/大区、购买渠道，可支持按照销售额、订单数、购买人数、ROI排序。

2）人群BY品类/门店/品牌/商品的非购买行为分析。e.g.人群在活动期间加购/点击/分享/评论topx品类、topy品牌、topz商品、topw门店/省/市/大区、可支持按照商品金额额、互动人数/次数排序

3）人群BY关键词的搜索行为分析。e.g.人群在活动期间搜索人数、搜索次数、归因成交订单数、归因成交金额，关于归因的解释可以查看part3部分

4）人群社交互动行为。e.g.人群在活动期间公众号回复关键词人/次数、关注公众号人数、关注来源分布等

（4）优惠券分析

人群BY优惠券领取使用分析。

e.g. 人群在活动期间关于指定优惠券的领取张数、使用张数、引入销售金额、引入购买订单数、引入购买商品数、ROI、券使用品类/品牌/商品/门店分布，可支持按照领取张数、使用张数排序。

（5）用户增长分析

人群属性活动前后变化，一般跟用户运营KPI强相关。

e.g. 人群活动期间引入的新客数、引入关注公众号人数、引入的高级会员数、流失用户召回数、沉默用户唤醒数，用户生命周期前后分布等

（6）积分分析

人群活动期间BY积分获得/兑换分析。

e.g. 人群活动期间获取积分数、兑换积分数、积分兑换奖品分布，可支持按照兑换次数、兑换人数排序

基于part2部分，已经完成了分析模块的基础搭建。

由于B端产品，主要目的是为了提效降本。所以，如何基于业务场景灵活清晰呈现给业务方成为DMP分析模块不可或缺的一部分。

1、模型分析

1）漏斗分析

指定多个事件和指标组成漏斗节点，查看整体漏斗人群转化以及围绕漏斗路径节点下的人群分析

e.g1.以曝光-点击-加购-下单-购买为节点，可按照人数/次数呈现漏斗转化，并支持查看漏斗节点人群part2的表现情况

e.g2.以领券-用券为节点，可按照人数/张数呈现漏斗转化，并支持查看节点人群part2的表现情况

2）归因模型分析

指定发生非直接购买事件人群为对象，将其发生的购买成交归因成该事件成交

e.g. 搜索行为本身不能带来成交，但通过程序赋予搜索过指定关键词，且在其响应搜索结果页发生过加车行为的人群24h内成交即算搜索该关键词带来的成交。同样的形式可用于广告位成交归因分析。

3）交叉对比分析

指定1个人群在不同时间段指定指标对比分析，或者多个人群在同一个时间段指定指标对比分析。

某个人群在不同时间段指定指标对比分析。e.g1. 分析母婴人群在618和双11期间，用户画像具体差异。

设定某个人群指定指标KPI值，查看活动期间的完成度。e.g2.设定人群618期间的ROI为1.3，活动结束后ROI为1.2，则KPI完成度92.3%。

多个人群在同一个时间段指定指标对比分析。e.g3. 将新客分成3组人群分别进行灌券、短信触达和不做任何动作，对比3组人群7日内购买转化

2、数据可视化

为了让业务快速发现问题，可支持通过自定义指标搭建可视化报表，打造业务团队自主自助分析。

数据可视化呈现形式，典型的有：表格、折线图、柱状图、环形图、饼图、漏斗图等。

而新零售分析场景较为复杂，通常需要多种图组合分析，并实现图形之间的交互联动。

e.g1. 分析人群A线下门店购买路径转化。如下图所示，通过左侧漏斗转化可知道人群人数在“店外-店内-购买-高净值”节点转化情况，选择指定节点，如“店内人数”，在右侧可呈现该节点人群画像分布

（图3：数据分析可视化案例）

本篇文章是基于新零售行业，整理关于【DMP系统之分析体系】搭建的思考，希望能给同行路上的你些许帮助与启发。

愿你我在产品汪道路上，做些真正有意义和价值的事情。