撰写业务背景
公司经过了初创期，产品成熟，业务快速发展，市场规模不断扩大。一方面日常经营中，公司产品日益完善，用户注册量、跑男完成单量不断增加，由此产生的各种数据激增；另一方面公司进入了新的阶段，将要成长为行业领跑、服务全国用户、商户的专业高端同城即时配送公司。
在之前的运营中，运营工作方向重点不突出，目标用户也没有一个明显的界定，因此公司面临着提高运营质量和效率、数据驱动业务增长的迫切需求。
面临的问题
怎样对用户、跑男特征进行进行清晰的界定？
怎样对用户、跑男的行为进行清晰的分类？
怎样将公司现有的业务融入到用户、跑男的特征中去，完成个性化的营销？
。。。
以上这些问题如果不能得到有效的解决直接会对营销质量造成影响，可能达不到运营预期效果，甚至会带来反作用。
问题解决
数据是互联网公司的财富，如何利用好公司现有的海量数据、充分挖掘数据的价值，下面我们就这个问题为大家分享一下UU跑腿的一点经验。
首先，明确运营思路，梳理用户特征
了解运营痛点，如何针对特定人群进行精细化运营，提高运营的精准度，降低成本，增大app的日活、提高订单的转化率。我们首先要对用户进行分类、分群，不同类型的人群采取不同的营销策略，如
对连续n天未登录app的用户进行消息提醒；
对一周内下单次数少于n次用户进行优惠券发放；
如何对特定等级的用户进行活动投放等
这里n未登录、一周内下单次数少于n次、 特定等级的用户等均属于用户特征，根据不同特征的用户采用不同的营销策略，减低运营成本。因此我们首先需要统计收集运营的目标群体的特征并进行整理分类。
第二步，数据分析、特征提取
梳理完用户特后，针对我们的数据进行全量筛选将用户的信息从不同的业务库中进行清洗提取整合到用户特征宽表中，要保证用户特征宽表能够支撑到全部的上述用户特征。数据提取大致过程如下：
数据组从数据库获取数据，完成全量数据拉取，以及通过CDC机制完成数据同步至消息队列中，完成对数据的实时同步，数据中心拿到数据后进行数据清洗、统计(hadoop生态相关技术如hive、spark等)后存储至用户特征宽表中存入同户特征库，形成单个用户纬度的用户特征数据宽表。
第三步，营销中心特征配置
针对以上的用户特征，在营销中心对用户、跑男的特征进行合理的分类和界定。
大致从用户属性和用户行为两大纬度进行分类。
用户属性主要指用户通用的一些属性，如用户类型、用户等级、账户余额、最后发单时间、历史完成订单量、商户地址、最后登录区域、跑男生日、跑男等级、考试状态、总接单量、战队名称、信用分等属性。
用户行为主要是指更加灵活的配置信息，针对过去一定时间或者最近一段时间用户发布订单量、取消订单量、好评订单数、差评订单数、在线时长、抢单次数、充值金额、推荐用户数量、订单总金额、充值次数、重置总金额、不同类型订单数量等信息。
运营中心支持对以上用户特征的多种组合配置，各种用户特征作为一个查询条件生成满足全部特征条件的一条sql，进行存储，实现了用户特征人群的一键创建 。
第四步，满足特征的用户提取
这里我们对满足上述特征的人群进行用户提取，但是我们这里对人群进行动态、静态的界定。
静态人群中人群对应的人员一旦创建不会有变动，可以很好地支持运营进行某些特定人员的营销；
动态人群中人群对应的人员会根据我们的配置进行周期性更新，根据我们的宽表数据源和我们的sql每天进行跑批处理，保证我们的人群特征是实时有效的，为精细化运营做到准确的数据支撑。
动静结合完美支撑UU运营体系。
无论是静态人群还是动态人群，仅需要对用户特征数据宽表执行sql查询即可抽取对应的全部用户，然后将结果集数据存储即可。
这里需要介绍一下，我们人群的存储方案，由于人群数据量巨大因此我们采用mongoDB进行存储，以用户为纬度进行数据存储包含用户所属特征群体、群体批次号等信息，通过分片以及索引保证高效的查询效率。但是随着时间推移，mongoDB的内存会变得逐渐臃肿，查询效率也会逐渐降低，因此需要定期对不使用的人群进行迁移，也就是通过数据的冷热隔离提升查询性能。
第五步，高效助力支撑运营
目前我们的人群系统，已经支撑了UU跑腿内部的广告系统、图文消息系统、推送系统、优小微系统、优惠券系统等业务系统，实现对不同特征人群的营销策略高效精准投放。
为了提高运营质量和效率，增加运营方向性，根据不同的人群推出不同的运营方案，如创建不同广告、推送不同消息，推出不同的优惠活动等。最后根据运营数据指标进行图表展示，运营效果一目了然，真正实现运营内容千人千面 。