本文目录一览：

一、产品概述

俗话说看人先看脸，那么在分析对比这两款APP时，肯定要先对其首页进行对比分析。通过两款APP的首页面可以看出，美团外卖与饿了么的业务范围基本相同，都是专业的在线美食外卖订餐平台，并且逐渐向本地生活服务平台方向扩展。

二、产品框架对比

通过对两款APP相同界面功能的对比框架图可以看出饿了么的操作模式更加清晰，分类更多，而美团则相对的简约一点，设计的相对简单一点。三、结算支付事件流程图

在对订单进行支付的过程中，两款APP拥有者几乎相同的功能与流程，在这一点上，两款APP的差别并不大，而相比之下饿了么的支付流程更为简洁一些。四、两款APP的用户画像此用户画像是根据本身的亲身体验和采访周围人群来的。此段年龄用户是俩个款app，核心用户年龄层，由此也可看出疫情期间，使用场景也是相对于比较集中的，都是在家部门出门。

五、用户移情图分析从上图可以看出，美团外卖和饿了么的用户有着共同的痛点，和共同的需求。

六、用户体验地图分析七、总结

通过两款APP的对比可以发现，饿了么更能适应用户的差异化需求，而其推出的“超市”模块，更是将服务人群和场景外延，积极谋求满足更多用户需求；而美团外卖则将重心仍然放在餐饮上，同时其“会员”功能，更是提高了用户粘性。

 外卖领域同质化严重且用户粘性弱，对用户的争抢依旧激烈，外卖平台的配送和品质服务成为新的核心竞争力。多样化配送服务，全面提升配送运力，是平台的升级方向之一。而如何提升服务质量以及新的用户需求，提升用户体验和服务质量，成为外卖行业的制胜因素。

平常我们在网上也会对用户画像进行搜索，一般情况都会下会找到两种结果的答案。

第一种是会告诉外卖用户画像分析你用户偏标签数字的内容。

第二种是描述一个用户的职业兴趣爱好以及使用产品时候的一些特点。

两种也会有一些差距。第一种一般指的是用户在系统里面产生的一些行为一些用户特征，或者用户主动填写的资料，更偏数据统计过程中形成的标签系统。第二种更是偏用户访谈用户研究的，一些感性的东西。

第一种我们就会用在产品的推广运营，产品设计中。这种一般是来自产品具体数据的表现，所以用在商务或运营中会比较多一些。第二种一般会帮助我们识别产品所主要服务的人是什么类型的，是比较感性的一个东西。但是它对于指导我们具体工作时，会有缺失的。

两者之间有一些差异，但是还是要多了解一下第一种基于数据的用户画像。基础属性（用户的基本情况）：年龄、性别、生日、星座、教育、身高、收入、职业 ....

社会关系：婚姻、有无小孩、有无女孩、家有老人、性取向....

行为特征：基本行为 注册时间、来源渠道....           业务行为 买过特惠商品、曾获优秀学员

业务相关（运动类型产品）：高矮胖瘦、体脂率、在练肌肉、日均9000步、收藏100个健身计划....

1、直接填写（比如是注册的时候，相亲的产品，外卖的产品，装修的产品）

2、通过用户自己的已有特征推得（一般是在做活动的时候，简单个性化运营，业务分析要拆成不通群体观察，用户研究（准备））

举个案例：产品是一个电商平台，运营部门要针对与北京的女大学生做一个女生节这样的运营活动。

这个时候我们如何去区分性别，地址，消费能力。

我们可以用现在已有的特征去推。我们可以通过买过的东西推算，如买过多次男性产品的归为男性，买过多种卫生巾产品的用户归为女性。地址也可以通过收货地址推算得出。消费能力也是可以通过细节消费（比如买一个消耗品超过200元钱这个样子）通过用户特征做推断，都是通过以往信息来筛选。不可能所有用户都发生这样的行为，这样的我们只能给一部分用户打标签，还有一部分用户没有识别出来的。

当然我们还是需要做进一步的推演。比如地址我们也可以进一步通过用户的常用IP来得出是否在北京。或者说消费能力也可以查看用户使用的手机型号是否为新款。比如通过手机型号vivo和美图手机也可以得出大部分女性用户（当然也会有些误判）职业可以通过收货地址是大学消费等地方。

3、通过用户身边的人推断

距离相近（某些属性，周围的人都具备，用户大概率也具备）

行为相似（通过协调过滤，找到行为相似的目标用户）

常见特征：基础属性 社会关系 行为特征 业务相关

使用场景：市场营销，个性化运营，业务分析，用户研究....

通过用户画像去了解数字背后的用户一般情况下会有三种落地的场景（高质量拉新，精准运营推送，辅助产品设计）

如何高质量拉新外卖用户画像分析？ （一个2手书籍交易平台）1如何从现有的用户里面找到我们，那些是真正的用户

定义什么是我们真正的用户（比如：高留存用户，核心行为频次，完成率高）

2真正用户的特征

是谁？     电商平台可以通过他购买的书籍。倒推他们的年龄，受教育程度，地域，消费能力。

从哪里来？   电话访谈等方式，发现很多来自朋友推荐。

3按此类型，找到类似的用户

 用户画像：高校、科研院所、知识密集型工作区域。消费倾向社科类书籍。

有的时候人拉人的这种手段不一定会做的很好。会有很多条件限制我们，没有办法去做。在这种情况下我们可以选择很多渠道做合作做投放，不同渠道会有不同属性，不同渠道的用户会有不同的标签，比如年龄的标签职业性别等。我们有了自己的标签之后，在对接渠道时候我们可以将我们的诉求和特征对应起来选择更好的投放渠道。

另外也有很多广告投放也做的很好，都是可以精准的选择受众。对比两个平台的标签和画像，都是可以对的上。但一开始的时候一定要梳理好我们要投放什么类型的人，不然再好的平台也是用不上的。我们有一个用户画像之后，在拉新的时候会有一个大体的参考。

王兴说过，我们已经进入到互联网外卖用户画像分析的下半场。在上半场，也就是早期的互联网时代，外卖用户画像分析你永远不知道在对面坐的是什么样的人。那个年代大部分人还是 QQ 的早期用户。在下半场，互联网公司已经不新鲜了，大部分公司已经互联网化。他们已经在用网络进行产品宣传，使用电商销售自己的商品。 这两年引领下半场发展的是那些在讲 “大数据”“赋能”的企业，他们有数据，有用户。 通过大数据告诉政府该如何智慧地管理交通，做城市规划。 通过消费数据分析，告诉企业该在什么时间生产什么产品，以最大化地满足用户的需求。 通过生活大数据告诉我们餐饮企业，甚至房地产企业该如何选址。 如果说互联网的上半场是粗狂运营，因为有流量红利不需要考虑细节。那么在下半场， 精细化运营将是长久的主题 。有数据，有数据分析能力才能让用户得到更好的体验。 所以，用户是根本，也是数据分析的出发点。 假如你进入到一家卖羊肉串的餐饮公司，老板说现在竞争越来越激烈，要想做得好就要明白顾客喜欢什么。于是上班第一天，老板问你外卖用户画像分析：“你能不能分析下用户数据，给咱们公司的业务做个赋能啊？” 听到这，你会怎么想？ 你说：“老板啊，咱们是卖羊肉串的，做数据挖掘没用啊。”估计老板听后，晚上就把你给开了。 那该怎么办呢？如果你感觉一头懵，没关系，我们今天就来讲讲怎么一步步分析用户数据。

首先就是将自己企业的用户画像做个白描，告诉他这些用户“都是谁”“从哪来”“要去哪”。 你可以这么和老板说：“老板啊，用户画像建模是个系统的工程，我们要解决三个问题。第一呢，就是用户从哪里来，这里我们需要统一标识用户 ID，方便我们对用户后续行为进行跟踪。我们要了解这些羊肉串的用户从哪里来，他们是为了聚餐，还是自己吃宵夜，这些场景我们都要做统计分析。第二呢，这些用户是谁？我们需要对这些用户进行标签化，方便我们对用户行为进行理解。第三呢，就是用户要到哪里去？我们要将这些用户画像与我们的业务相关联，提升我们的转化率，或者降低我们的流失率。” 听到这，老板给你竖起了大拇指，说：“不错，都需要什么资源，随时找我就行。”

刚才说的这三个步骤，下面我一一给你做个梳理。

用户唯一标识是整个用户画像的核心 。我们以一个 App 为例，它把“从用户开始使用 APP 到下单到售后整个所有的用户行为”进行串联，这样就可以更好地去跟踪和分析一个用户的特征。 设计唯一标识可以从这些项中选择：用户名、注册手机号、联系人手机号、邮箱、设备号、CookieID 等。

你可能会想，标签有很多，且不同的产品，标签的选择范围也不同，这么多的标签，怎样划分才能既方便记忆，又能保证用户画像的全面性呢？ 这里我总结了八个字，叫“ 用户消费行为分析 ”。我们可以从这 4 个维度来进行标签划分。 1.用户标签：它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性。 2.消费标签：消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯。 3.行为标签：时间段、频次、时长、访问路径。这些是通过分析用户行为，来得到他们使用 App 的习惯。 4.内容分析：对用户平时浏览的内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如，金融、娱乐、教育、体育、时尚、科技等。

可以说，用户画像是现实世界中的 用户的数学建模 ，我们正是将海量数据进行 标签化 ，来得到精准的用户画像，从而为企业更精准地解决问题。 最后，当你有了用户画像，可以为企业带来什么业务价值呢？ 我们可以从用户生命周期的三个阶段来划分业务价值，包括： 获客、粘客和留客 。

如果按照数据流处理的阶段来划分用户画像建模的过程，可以分为数据层、算法层和业务层。你会发现在不同的层，都需要打上不同的标签。 数据层 指的是用户消费行为里的标签。我们可以打上“事实标签”，作为数据客观的记录。 算法层 指的是透过这些行为算出的用户建模。我们可以打上“模型标签”，作为用户画像的分类标识。 业务层 指的是获客、粘客、留客的手段。我们可以打上“预测标签”，作为业务关联的结果。 所以这个标签化的流程，就是通过数据层的“事实标签”，在算法层进行计算，打上“模型标签”的分类结果，最后指导业务层，得出“预测标签”。

刚才讲的是用户画像的三个阶段，以及每个阶段的准则。下面，我们来使用这些准则做个练习。 如果你是美团外卖的数据分析师，你该如何制定用户标识 ID，制定用户画像，以及基于用户画像可以做哪些业务关联？ 首先，我们先回顾下美团外卖的产品背景。美团已经和大众点评进行了合并，因此在大众点评和美团外卖上都可以进行外卖下单。另外美团外卖针对的是高频 O2O 的场景，美团外卖是美团的核心产品，基本上有一半的市值都是由外卖撑起来的。 基于用户画像实施的三个阶段，我们首先需要统一用户的唯一标识，那么究竟哪个字段可以作为用户标识呢？ 我们先看下美团和大众点评都是通过哪些方式登录的。 我们看到，美团采用的是手机号、***、微博、美团账号的登录方式。大众点评采用的是手机号、***、QQ、微博的登录方式。这里面两个 APP 共同的登录方式都是手机号、***和微博。 那么究竟哪个可以作为用户的唯一标识呢？当然主要是以用户的注册手机号为标准。这样美团和大众点评的账号体系就可以相通。 当然，大家知道在集团内部，各部门之间的协作，尤其是用户数据打通是非常困难的，所以这里建议，如果希望大数据对各个部门都能赋能，一定要在集团的战略高度上，尽早就在最开始的顶层架构上，将用户标识进行统一，这样在后续过程中才能实现用户数据的打通。 然后我们思考下，有了用户，用户画像都可以统计到哪些标签。我们按照“ 用户消费行为分析 ”的准则来进行设计。 1.用户标签：性别、年龄、家乡、居住地、收货地址、婚姻、宝宝信息、通过何种渠道进行的注册。 2.消费标签：餐饮口味、消费均价、团购等级、预定使用等级、排队使用等级、外卖等级。 3.行为标签：点外卖时间段、使用频次、平均点餐用时、访问路径。 4.内容分析：基于用户平时浏览的内容进行统计，包括餐饮口味、优惠敏感度等。

比如一个经常买沙拉的人，一般很少吃夜宵。同样，一个经常吃夜宵的人，吃小龙虾的概率可能远高于其他人。这些结果都是通过数据挖掘中的关联分析得出的。 有了这些数据，我们就可以预测用户的行为。 比如一个用户购买了“月子餐”后，更有可能购买婴儿水，同样婴儿相关的产品比如婴儿湿巾等的购买概率也会增大。 具体在业务层上，我们都可以基于标签产生哪些业务价值呢？

1. 在获客上 ，我们可以找到优势的宣传渠道，如何通过个性化的宣传手段，吸引有潜在需求的用户，并刺激其转化。 2. 在粘客上 ，如何提升用户的单价和消费频次，方法可以包括购买后的个性化推荐、针对优质用户进行优质高价商品的推荐、以及重复购买，比如通过红包、优惠等方式激励对优惠敏感的人群，提升购买频次。 3. 在留客上 ，预测用户是否可能会从平台上流失。在营销领域，关于用户留存有一个观点——如果将顾客流失率降低 5%，公司利润将提升 25%~85%。可以看出留存率是多么的重要。用户流失可能会包括多种情况，比如用户体验、竞争对手、需求变化等，通过预测用户的流失率可以大幅降低用户留存的运营成本。

上面我们讲到的“用户消费行为标签”都是基于一般情况考虑的，除此之外，用户的行为也会随着营销的节奏产生异常值，比如双十一的时候，如果商家都在促销就会产生突发的大量订单。因此在做用户画像的时候，还要考虑到异常值的处理。 总之，数据量是庞大的，会存在各种各样的使用情况。光是分析 EB 级别的大数据，我们就要花很长的时间。 但我 们的最终目的不是处理这些数据，而是理解、使用这些数据挖掘的结果 。对数据的标签化能让我们快速理解一个用户，一个商品，乃至一个视频内容的特征，从而方便我们去理解和使用数据。 对数据的标签化其实考验的是我们的抽象能力，在日常工作中，我们也要锻炼自己的抽象能力，它可以让我们很快地将一个繁杂的事物简单化，不仅方便理解，还有益后续的使用。 我们今天讲了用户画像的流程，其中很重要的一个步骤就是给用户打标签，那么你不妨想想，如果给羊肉串连锁店进行用户画像分析，都可以从哪些角度进行标签化？ 最后，我们从现实生活中出发，打开你的手机，翻翻看你的***通讯录，分析下你的朋友圈，都有哪些用户画像？如果你来给它设计标签，都有哪些种类需要统计呢。为了方便后续使用，你是如何将他们归类分组的？

我国外卖现状

1、外卖行业市场规模迅速增长

从外卖产业发展之初，在线外卖产业就呈现快速增长的态势，2011年到2019年，在线外卖行业市场规模从216.8亿元增长至5779.3亿元，八年复合增速达50.74%，占整体餐饮行业比重从1.1%上升至12.4%。

2020年疫情导致线下餐饮门店被迫关闭，在线外卖行业反而进一步快速发展，市场规模增长到6646.2亿元，同比增长达15%，占整体餐饮行业比重提升至16.8%。

2、外卖用户数量不断提升

从外卖用户数量和用率来看，2016-2020年我国外卖用户数量不断提升，从2.09亿人增长到4.18亿人，四年复合增速达18.99%。外卖使用率则从2016年的28.5%增长至2018年的49%，2020年由于总体外卖消费者群体的基数增加，使用率有所下滑为42.3%。

3、美团饿了么市场份额超9成

从外卖平台的市场格局来看，线上外卖的市场集中度高，主流外卖平台美团外卖、饿了么、饿了么星选三大平台占据了92%的市场份额，其中，美团外卖的市场份额最大，占比达67.3%。

抖音进军外卖优势

1、目标用户优势

我国外卖市场经过数十年的发展，已经形成了较为成熟的市场与较为稳定的竞争格局。目前，一二线城市外卖渗透逐渐饱和，增长速度逐渐趋缓，低线城市成为了外卖行业的新突破点。截至2020年3月，三线及以下市场外卖用户占该地区网民的比例增长至39.8%，较2019年底增长了约4.5个百分点。

根据抖音发布的数据显示，其三线及以下城市用户数量占比达到61%，与外卖行业潜在的用户画像重合，

2、流量优势

2019-2020年，抖音日活跃用户数量实现了172%的高速增长，截至2020年12月，抖音日活跃用户数达到6.8亿人，同比增长70%，是中国市场上日活用户量最大，最活跃的短视频平台。抖音用户的高活跃度为其拓展外卖业务奠定了良好的基础，在用户端，能够有效的减少获客成本，在商家端，能通过高效的营销吸引更多商家入驻。

从行业层面来说，外卖行业的市场规模和用户数量都处于上升通道，抖音凭借其庞大的下沉用户数量和有效的营销手段，进军外卖行业不失为一个明智的决定。我们认为，未来，外卖行业美团、饿了么两家独大市场格局有望发生改变。

以上数据来源于前瞻产业研究院《中国在线外卖商业模式与投资战略规划分析报告》。