一个发券系统为例，该怎么发券。用 5W1H 分析法尝试提问：

1. Why 理由：为什么发券，为了获益。比如激活沉睡用户来消费，比如无脑群发拉一波流量，用户来了就是赚了。为什么用这个系统发券，因为这个系统能问答如下的问题。
2. What 物品：优惠券，应该发放什么类型的优惠券。
3. When 时间：应该在什么时间点发放优惠券。
4. Where 地点：应该往哪个渠道发放优惠券。
5. Who 人物：应该向什么样的人群发放优惠券。

这些问题，需要软件用数据（统计数据）来回答，而不是靠参差不齐的运营人员主观臆断。

数据模型该怎么设计，先分析出这些问题中的实体是什么。

实体与实体画像

以实体为中心，及与其他实体的交互，构建实体的画像。实体之间互相接触，实体A产生关于实体B的画像（标签），比如用户画像有时间相关的标签。

优惠券、物品

构建物品画像。

一张优惠券的画像，相当于评定优惠券发放效果好坏的结论报告。

时间点

构建时间画像。

渠道

构建渠道画像。相当于评定发放渠道的效果好坏的结论报告。

用户属性

性别比例、城市分布。

用户

构建用户画像。

基础属性

比如微信授权给到的信息，性别、城市等。

物品属性

比如优惠券领取率，优惠券的核销率、优惠券类型偏好。

渠道属性

渠道偏好。

时间属性

各领取时间段统计、领取时间段偏好、核销时间段偏好。

开发画像

T + 1 统计即可，统计数据对差一天的数据并不敏感。

按照用户画像的常用套路：

1. 定义标签元数据。
2. 竖表的方式开发新标签，新标签的开发通过增加开发者水平扩展。
3. 根据标签元数据，将竖表转为横表。
4. 加快多维度查询速度，可以使用ElasticSearch加速。

使用画像

基于标签元数据和每日生成的画像数据，可以，

精准投放

使用用户画像圈定人群。人群画像有时间偏好，选择发放时间，有渠道偏好，选择发放渠道，有优惠券偏好，选择优惠券类型。

或者换个方式，先选发放时间，根据时间画像，得知性别分布等，再筛选人群。

BI 可视化

各实体的可视化，各维度可筛选条件。

实体画像是用户画像的抽象，前端开发基于这种抽象开发，可适配不断新增的实体，减少重复劳动，免开发。

这就像一份知识库，作为运营人员的学习材料。比如时间的 BI 可视化，运营人员可学习到 xxx 时间段，是领取率最高的。

小结

一个发券系统，如何有别于其他产品。

1. 充分收集和保留数据。
2. 利用数据。使用统计数据，就能让产品很不同。
3. 去发掘新的实体，丰富画像。
4. 如果可以，在数据基础上加入机器学习模型。

未完待续。

Last modified on 2020-07-24