6月6日晚，DTalk邀请到了黄一能老师，DTalk联合创办人，前Tutorabc大数据产品负责人，进行了一次关于《产品运营决策中产品生命周期（PLC）和用户画像（Persona & Profile）的核心作用》的微信群线上主题分享。
分享活动共分成两个部分，第一部分是黄一能老师分享关于用户画像的经验分享，第二部分是老师和大家的Q&A的互动环节。以下是活动内容的完整文字稿。
一、产品生命周期PLC
1、产品生命周期(product life cycle)，简称PLC，是产品的市场寿命，即一种新产品从开始进入市场到被市场淘汰的整个过程。若不计产品开发阶段，产品要经历的4个阶段分别是：引入、成长、成熟、衰退。该理论由哈佛教授雷蒙德·弗农(Raymond Vernon)提出。
Stage1：引入期
主要使命：使市场尽快接受该产品，更快地进入成长期。这种产品初期的比较多，如曾经的百团大战，后面滴滴和快的。
这个是在一个新的产品、服务，刚进入市场的时候，大家互相竞争比互联网烧钱更严重一些。这个过程中如何更快的找到自己的目标客群培养种子用户就成为了最重要的内容。
特征是产品销量少，促销费用高，制造成本高，销售利润很低甚至为负值。根据这一阶段的特点：
投入市场的产品要有针对性；【用户调研】
进入市场的时机要合适；【市场调研】
设法把销售力量直接投向最有可能的购买者【种子用户】
使市场尽快接受该产品，以缩短介绍期，更快地进入成长期。
Stage2：成长期
主要使命：维持其市场增长率，延长获取最大利润的时间
新产品经过市场引入期以后，消费者对该产品已经熟悉，消费习惯也已形成，销售量迅速增长，竞争愈发激烈，大家开始争夺用户。这种新产品就进入了成长期。
进入成长期以后，老顾客重复购买，并且带来了新的顾客，销售量激增，企业利润迅速增长，在这一阶段利润达到高峰。随着销售量的增大，企业生产规模也逐步扩大，产品成本逐步降低，新的竞争者会投入竞争。新的产品特性开始出现，产品市场开始细分，分销渠道增加。
企业为维持市场的继续成长，更多地在改善产品品质，寻找一些新的细分市场，做成本控制，来维持这个市场增长率来获取这个最大利润的时间。也需要保持或稍微增加促销费用，但由于销量增加，平均促销费用有所下降。
成长期的特点
改善产品品质【多样化产品服务】
寻找新的细分市场【分群】
适时降价【成本控制】
维持其市场增长率，延长获取最大利润的时间
Stage3 成熟期
主要使命：使成熟期延长，或使产品生命周期出现再循环
进入成熟期以后，产品的销售量增长缓慢，逐步达到最高峰，然后缓慢下降；产品的销售利润也从成长期的最高点开始下降；市场竞争非常激烈，各种品牌、各种款式的同类产品不断出现。
- 市场调整。这种策略不是要调整产品本身，而是发现产品的新用途、寻求新的用户或改变推销方式等，以使产品销售量得以扩大。
- 产品调整。这种策略是通过产品自身的调整来满足顾客的不同需要，吸引有不同需求的顾客。整体产品概念的任何一层次的调整都可视为产品再推出。
- 市场营销组合调整。即通过对产品、定价、渠道、促销四个市场营销组合因素加以综合调整，刺激销售量的回升。常用的方法包括降价、提高促销水平、扩展分销渠道和提高服务质量等。使成熟期延长，或使产品生命周期出现再循环。
Stage4：衰退期
主要使命：决定采取什么策略，在什么时间退出市场
衰退期的主要特点是：产品销售量急剧下降；企业从这种产品中获得的利润很低甚至为零；大量的竞争者退出市场；消费者的消费习惯已发生改变等。面对处于衰退期的产品，企业需要进行认真的研究分析。
二、PLC，Persona，Profile三者的关系
今天的主要话题还是要就两个用户画像Persona、Profile和PLC的关系作为主要的内容。
这三者的关系，可能更像我发的这张楼梯图，类似一个交叉的楼梯，PLC就相当于交叉楼梯的每一个台阶，都有各自的台阶，可能往上走，可能往下走。两个画像，就是帮助你来形成当中的这个阶梯的过程。能够一节一节的台阶去走，而不是去找一个斜坡，可能更难上，Persona和Profile能够帮你形成阶梯方便你上下楼。
三、用户画像Persona
先来谈谈Persona，很多人至今还是有误区的。
市场上的大量第三方咨询公司提供的就是这种用户画像，是典型用户。咨询公司会叫用户卡片，通过描述一个个具体的个体，是产品运营感性的认识到市场中你的用户样貌，以此指导工作规划。
比如咨询公司做个市场用画像可能交付你的那就是这样的卡片。那通常有个具体的名称，比如袁小梅，他有个情景设定一个目标，有动机，有常用的APP、年龄、角色这样的描述。
通常这个在产品的产品阶段的初期，比如说引入期的时候用的特别多，因为你还什么都没有，没有一些量化的数据，那这个时候你通常能做的就是去做一些问卷、访谈来形成这样的典型个体。最终他是为了初期的这个设计和产品规划使用的。
四、Profile
那么用户画像Profile又是什么呢？首先，Profile往往不是一个描述性的事物。
具体的产品形态就是用户的标签体系。在我这眼中他更底层，是一个工程问题，可能不是一个描述性的东西。
通常是大家概念中的标签系统。它不一定是针对用户的, 可能是针对企业内部所有的主体的。
针对用户的，我们就通常来做受众定向。可以想象一下有各种标签，然后通过标签组合来得到目标用户。通常使用ETL、算法、数据采集，然后形成出的各个对象的标签。
比如你运营一个电商平台，那就可能有用户访客的这个画像，有可能这个标签体系有用户的、有消费的、有商品的、有店铺的、有购物车的。这样的成套的标签体系，最终是给到你制订运营策略、产品运营以及市场策略等可量化的部门去使用。
我们借TalkingData用来宣传的标签体系为例：
这个标签体系，包含可能会分成的几大类，比如：人口属性，应用兴趣、设备、地理位置消费兴趣等等。这就是给用户去做的标签体系。
但是TalkingData这种通过外部渠道获得的标签，通常只能用作投放、获客使用，没有办法去评估与企业自有用户的匹配程度，因为底层数据不涉及企业的业务数据，所以这种所谓的高消费能力用户基本与企业自有业务中的高消费能力用户不能够匹配。
毕竟第三方没有企业的业务数据，所以没有办法衡量他的这个标签对于企业的效果的准确情况怎么样，而且第三方也不会公开自己的形成标签的规则和算法以及数据来源和策略，所以不能从根源上去验证它。这个标签是否准确只能靠自有数据与第三方去做测试匹配才有可能得到这个后续可使用的部分。
以上介绍了两个画像，我回到PLC的过程，介绍用户画像Person和Profile具体如何应用。
1）在引入期做一些问卷、市场调研可能有一些经验的行业领袖可以告诉你的目标人群可能长什么样。比如你是一个女性产品的，那你可能在APP的设计，产品定位、色系的选择，都会受到Persona的影响，而不是盲目地去瞎做。
2）进入到成长期的过程中，大家就开始拼数据能力，如果你能够比他人更好、更早的形成标签体系的部分能够更早的命中用户，那你在烧钱中就会有很大优势。你会知道一个用户对于金额的敏感情况，你知道给他发一块还是给他发两块。大家同样投融资，你花出的成本比他人少的话，你可以多烧一个月，那你就可能就赢了。
3）成熟期的过程其实是一个双方并举的过程，因为在不断的验证做法。缩小客户群体，命中真正的核心用户，抛弃一些不必要的成本支出以最大化利润，延长企业的赢利时间。
比如饿了么，他们更多的在乎能购买月卡的用户了，这是他们的核心用户，那对于那些平时不怎么购买月卡的用户，优惠福利也会越来越少，除非商家给出补贴，不然他们也不会再补贴。这其实也是市场其实已经进入到一个相对成熟的阶段，他们在就开始考虑成本，利润方面的问题。
所以业内有一直说大数据杀熟，有归有，但没有大家想象那么严重，因为事实上并不会针对所有人去做这样的事情，肯定是对于价值用户会开始形成一些小圈子。
五、专门谈谈关于企业内部可以建造的数据产品
之前顾青老师曾提出过数据驱动道术器三件事，我今天就借用一下他的概念来谈谈企业需要如何才能通过数据产品来驱动业务优化。
请特别注意企业自有的数据产品建设上，会有一些工具、方法论指导你能够形成一个流程化的工作。
很多情况下，包括现在鼓吹的大数据、AI、机器学习，它本质上是希望可以把一些人工做的事情能够自动化、智能化更高效化的一个替代的东西。所以首先要对这个工具和方法论有一个良好的认知。
比如我上面图中写了一些东西，我因为之前看到顾青老师的文章写的挺好，他讲到了一个概念——道术器。这个”器”就可能就是工具。
我列举了一些比较常用的，数据仓库、报表平台、DMP系统、标签体系、ABtest工具，下面的专业人才流程配套就是后话了。基于这些工具，那需要用哪些方法去做，比如说日常的一些流程的漏斗分析，无限的细分，ABTest等。是不是可以用一些具体的方法来代替一些决策上的这个方式。
我模拟一个例子来讲。比如用一个社交平台来说。Facebook在初期的时候其实很容易发现既有一些活跃的用户，也有一些不活跃的用户。他们也想说我们是不是怎么把这些不活跃用户转变成活跃用户，我相信这也是很多企业运营或产品在努力的这个日常工作。
他们也会各抒己见头脑风暴。整理一下之后去提取一下数据，然后拆分用户的各种维度的数据，与他最终这个活跃的关系，比如一些相关性的验证、一些权重值的排序等等方法都可以做到找出单维度他与你需要的指标之间的关系。比如是正相关的、负相关的，或者是线性相关的都是很容易得到的。这是他们最终可能发现与用户活跃频次相关的最大的是用户加的好友数和他个人信息的完善程度。
然后他们就定了这两个指标。在产品功能上做了小的变更，多了一块People you may known的逻辑，就是共同的好友。
然后切了其中整个网站百分之五的流量来做一个灰度发布来测试。最后发现这百分之五的流量的用户呢，表现很好，他们变得越来越活跃了，随着增加好友的人数的增加。他们也会变得越来越活跃。最终的将这个功能向全网开放，促使了这样一个结果。这是这种规格行业前辈已经留下良好的方法，我们只要跟着做就行了。
比如电商网站，用户加购物车，这个过程对于特定商品加购物车，转化率这件事情上面。怎么能够让它变得更活跃，对于我推荐的商品、购买频次能够上升？
很多运营可能还是发券、发红包直接刺激用户。但实际上可能用很多情况下他们的判断依据和诉求跟你想象中可能会差距很大。
一个是他们诉求不同，第二个是他们对优惠的敏感度也不同，是需要用数据去验证好好做的。然后基于用户各个纬度对于你的目标值的相关程度你们就很明显能够列举出哪些是你们需要达成的目标用户，需要圈出来单独做运营的，还是说你们在某些方面需要改进的都是可以的。
然后这个过程，可能一开始都是手动的，比如说数据团队运营团队自己手动的在做一些数据的计算、分群、划分用户等级。作为数据产品，其实很多情况下需要为公司就构建一些常用的工具来方便大家。
下图，我会列举一个曾经实施过的基于规则的一个标签工具。
我简单说明这个是公司的一个后台的一个功能，它是开放给产品和运营可以通过设定目标，通过一些事实标签的排列组合，包括：逻辑关系或者并且以及发生的时间，已经发生的次数，以及他们的关系。
这个工具用来组合圈选用户，完成之后，命名完，会形成一个新的规则标签给用户去打上，也方便将来继续使用。
其中设定目标我要特别说明。很多企业问说我这个标签怎么创建，怎么验证这个标签的准确性、有效性。
所有的标签，可能是分层的。第一层是事实标签，比如用户的一些静态属性身份证、性别、年龄、出生地域这样很少改变或者是长时间不变的静态属性。
另一类是基于规则的，比如运营喜欢把用户划分为活跃用户不活跃用户。可以通过工具给用户去打上来的标签，方便后续的调用。这类标签很好验证，只是符合规则。
但是其实真正有价值的标签，他一定是有个特定目的，这个目标是跟你的某一个用户指标或者是某一个业绩指标相挂钩的。比如定义企业的一个用户是高风险用户，可能会退单；高价值用户，他可能在随后三十天有购物需求或者是会买单的，这样的标签。
它的形成通常有两种，一种基于规则，比如说他前三十天没有买东西，但是他前六十天花费挺高的，预测他可能下一周可能会消费行为出现。还有一部分可能是基于算法的，通过机器学习的方式，一些算法来预测用户。
自动形成的标签给，因为在产生标签的当下，就会有准确度和召回度的，这样的一些相应的指标，可以作为参考。在事实发生之后数据也会进入到模型的训练当中来修正这个原来的标签，通过管理标签，每次训练得出的准确度和召回度，对这个标签就会有一个完整的认识。产品在使用上就会可以根据这个情况来酌情使用。
Q&A : 根据留言区的提问，选出几位提问的朋友，有针对性的分享。
1、Persona有自动化的工具做用户画像吗？@格拉斯流浪者
黄一能的解答：自动化很难，就Persona来讲，应该没有自动化，因为通常是靠问卷和访谈的方式来获得。可以设定好问卷自动发送，自动采集、统计。但是汇总成结论，还是要人工来做。
Profile来看，可能在用户的一些行为属性和静态属性方面可以通过一些规则，比如说基于字段的类型，或者是特殊的命名的判断。来形成一些事标签，但其实这样的准确度以及可用性都很差，基本很少有自动化的工具能够形成标签体系或者是一些成型的用画像。
外面有很多自动化营销工具，可能对这个自动化工具有些误解。这些自动化的营销工具，最终是以触达用户为最终目的，比如说发短信、Email、 APPPush， Wechat的模板化消息。前期的筛选用户可能是基于规则的。这基本是基于规则的很少有算法差异的部分，毕竟是第三方的通用工具没有办法更好的去结合业务，因为可能每个企业的业务的差异性特别大。而且自动化工具通常是为传统企业服务的。公司企业的业务模式相对固定才显得有规模效应产生。
这个互联网企业的变化可能太快，用户的口味也变得太快。营销端变化的很快，比如今天可能做做百度的SEM，明天DMP广告辅助一下，然后发现微信挺好，发发微信的信息流。然后现在小程序又是一个大的路口，后来又发现抖音又要去做，那可能像这种自动化一些工具无法去适应说这么快的渠道的变化。
2、产品生命周期和用户全生命周期的价值之间有线性吗？或其他关系？文前波@GrowingIO
黄一能的解答：这个问题其实挺好的，我看到前三位都有提到关于这个用户的生命周期和产品周期的关系。以及这个用户群的变化导致的说后续的一些问题。其实我先回答这个用户群变化，对于这个决策上的问题吧，第一个是说可能你们指的是Persona的部分，就是你通过一次上调研获得了这种用户卡片，然后他指导产品和运营做事。但是可能三个月后他就会变，所以需要再做一次或怎么样。
但实际上，可能在初期的时候更加依赖于Persona，但是当产品，上线了进入正轨了，开始采集数据了，你的标签体系的建立之后，这个完全是一个数据仓库的工程问题，就是你的数据每天在更新，就最差的情况也是每天更新的，所以，规则标签是根据每天的用户数据的现状去改变的。预测标签的模型训练，对于企业来讲，一看这个标签的紧急程度基本也是在每周或每个月都会更新训练模型。然后更新他最新的准确度和召回度情况来做判断。
所以其实他是一个动态自动更新的完全是底层数据仓库的工程问题，所以上层使用的人是不需要关心的，因为你每天使用的这个数据其实就是基于当下最新算出来的，所以应该不会有说滞后的问题。
而进入到成长期以及成熟期的时候。Persona这个东西还更多是在做定性的。这个时候，从不同的群中抽取一部分的用户来做Persona，来验证这个事情，并且给出定性的解决方案，那这个时候你就很容易。比如说我根据三个维度把用户切成了八个组，那八个组里面各挑两个用户制作访谈。那如果出现说每个组中的用户，他们的问题相似。以及足以组之间的诉求，其实有很大差异的情况下，其实我们就可以定性的认为这样的切分是有意义的。
并且你会很明确每个组需要对他们做什么，到底是利益刺激呢，还是只是提醒就可以了。这就是常见的去在成长期或者是成熟期的时候。Persona和Profile互相协调工作的一个过程。
这是一个日常工作，反复地在两者之间去交替，一个是通过数据的异常来挑出用户，然后再从用户中去做访谈来定性。确定你所选的维度和你的结果之间到底只是个相关性的呈现呢，还是有一个具体的因果，谁先谁后，这需要Persona来定。
回到说用户生命周期，很多情况下公司对针对这个用户，在自己的产品的这个整个过程中去将用户划分成不同的阶段来定一些里程碑，比如一个用户刚注册。把它定位为新用户，他只要下过单或者是跟你发生过交易行为。或者跟你发生做业务关系，你们就这样他列成一个老用户。然后我们就认为这个用户进入到了一个正常时期，其实不是这样。
这是一个循环，产品的生命周期是依据市场来定义的。市场是由用户需求组成的。你又在服务这群用户，其实他们是互相关联的。这是形成一个循环的过程。对这个用户到底处在你产品的哪一个时期里。其实不是由人为的规则去制定的。
比如，RMF模型，这样的模型可能快销用的比较多一些。基于用户的最近的消费的间隔、消费品次、消费金额（价值）。来把用户分群分成八群，然后来定义用户价值。然后通过用户的不同状态，把它把就直接RFM来划分用户，这个生命周期也是存在的，这样的企业。它就是一种价值划分。那还有些是以任务触发性的，比如说完成了某一个动作就认为他处在某一个时期。
都是有的，但是无论你怎么去划分用户生命周期，最终的目的是每个时期用户的主要的目的应该是发生变更的。如刚刚注册用户称为新用户，主要目的是促进他做出第一笔交易。那一旦第一笔业务行为触发之后，可能需要他活跃。他一直保持活跃，是不是他希望有些高价值的多次交易产生或者是希望他就邀请好友。这个其实是由业务目的来决定用户处于哪个阶段的。而每个阶段的用户量以及产生的价值，最终会反映在你的业绩上，也就决定了你的产品处在市场中的哪一个阶段上。
如果发现你的整个的产品的服务在市场中的这个地位开始发生变化了，比如说从成长向成熟去发展了，这个时候要考虑说，用户的哪个周期上面是主要的问题所在，然后是不是要改变这个划分的东西以及改变每一个周期的这个业务目标。两者其实是在相互映射作用的。
文前波@GrowingIO的思考：用户生命周期是指：用户从第一次使用APP，到最后一次打开APP，这段时间，我们把定义为用户生命周期。用户生命周期价值是指在用户生命周期内能通过电商、付费、广告、游戏等模式带来商业价值，同时用户信息和数据也是重要的商业资产。
产品生命周期指产品从投入市场到更新换代和退出市场所经历的全过程，一般分为导入（进入）期、成长期、成熟期、饱和期、衰退（衰落）期五个阶段。
产品处在不同的生命周期阶段，所能带来的商业价值也不一样，在导入期、成长期，为了获取更多的用户和用户体验，一般会采取免费策略，在成熟期，为了商业变现的需要，会引入广告，或通过会员付费、电商交易等方式来带来利润，在饱和期、在衰落期，采取差异化的商业化变现措施。
3、Profile可以理解为精细化运营吗？@cathy lee
黄一能的解答：Profile只是一个工具，是一个底层的一个数据。Profile可以算是精细化运营的基础，如果你没有这样的基础，你很难做到概念中所谓的精细化运营。比如说我们通常看到很多网站，千人千面，他其实也是精细化运营的产品化的结果。
他依据的是对于用户各个维度数据的这个全面的采集以及推荐算法的作用。然后将精细化运营这个东西的一部分，比如说可视化交互层面的部分产品推荐的部分将他自动化产品化出来。所以这个是复杂问题简单化简单问题流程化流程问题自动化。这大家工作无非就是往这个方向去发展的。
我今天还想到一个特别好的比喻，比如ABtest，其实是一个很好的工具，他形象地描述可以是比如说你我前面讲的这个交叉楼梯的结构你走在这个楼梯上，然后伸出一只脚去试探一下前面那个楼梯是不是结实以及确定这个楼梯到底是向上还是向下的。他可能就是ABtest一个形象的一个表述。
对你确实用Persona和Profile构建出了这一节台阶。但这些台阶在你没有真正踏上去之前你真的不知道他会走向哪里。
ABtest这样的工具，如果要做到好做的准，也是要依赖你用户画像Profile建立而不是大家概念中的我随机去分个组就能够做测试的。除非你的样本真的很大，要不在样本量不足的情况下你随机去切分流量，然后去做这样的测试很有可能你是没有办法得到一个正确结果的。
4、感谢老师！请教个问题，说到ABtest，产品每天流量大概是百万，目前公司做ABtest的流程基本流程是实验达到最小样本量后，看指标是否有显著变化。请问下何时才能判断实验结果确实有效？因为经常遇到如下情况：今天指标显著了，但是明天又不显著了。是否查看ab结果，需要等到指标变化趋势平稳了才算有效？
黄一能的解答：ABtest这个是有多方验证的，首先ABtest一般不是分两组，而是分三组。你一定是抽取一个小样本量，然后从中切分成AB。然后呢，你会有一个对照组C组。所以在这样的情况下，你达到的最小样本量，当然这可能是你们自己定的，比如说多少是最小样本量。第二个这三组之间的关系是不是可信的。第三个是有一个置信区间的你其实还需要参考的是这个置信区间是否稳定。
干货专访和文章
【DTalk分享】陈抒：产品设计中的用户画像直播回顾
【DTalk分享】吆喝科技王晔：A/B测试最佳实践直播回顾
【DTalk精华】网易郑栋:如何打通产品多端的埋点数据？
【DTalk精华】网易郑栋：前端数据采集与分析的那些事第一弹: 从数据埋点到AB测试
【DTalk精华】滴滴出行谯洪敏：前端数据采集与分析的那些事第二弹：企业如何选择自动埋点和可视化埋点
【DTalk精华】滴滴出行谯洪敏：前端数据采集与分析的那些事第三弹：埋点需求整理原则于埋点流程规范
【DTalk专访】滴滴谯洪敏：百家争鸣的前端技术时代
【DTalk思考】顾青：互联网团队的数据驱动能力从哪里来？
