美团搜过、京东买过、小程序问过,三个渠道三套数据谁都不认识谁。统一客户资产是精准运营前提。

🦩 第 41 篇 · 2026 年 3 月 4 日
你的客户在哪里?美团上搜过"桶装水哪个好"、京东上下过一单、小程序里问过"你们几点关门"——三个渠道,三个身份,三个购买记录。对于你来说,这是三个不同的人;对于客户来说,他只记得"我找过你们一次"。跨渠道客户资产统一,就是把这三个"他"合成一个完整的他。
一句话
跨渠道客户资产统一,本质是解决一个问题:同一个真实客户,在不同渠道有不同身份,怎么识别出来并合在一起。答案是"OneID"——给每个真实客户分配一个唯一识别码,把他在所有渠道的行为、订单、偏好全部关联到这个 ID 上。有了 OneID,AI 才能真正认识这个客户。
三个渠道三套数据的困境
渠道数据现状
美团:openid_wm_xxx,手机号 138xxxx,未知姓名
京东:openid_jd_xxx,手机号 138xxxx,姓名张先生
小程序:unionid_xx,手机号 138xxxx,地址北京市朝阳区
三个渠道,三套数据,三种 ID,唯一相同的是手机号。
没有统一之前的问题
| 问题 表现 | 画像残缺 只知道客户在某个渠道的行为,不知道全貌 | 重复营销 同一个客户在不同渠道收到同样的推送 | 归因混乱 不知道客户到底是哪个渠道来的 | 服务割裂 客户在 A 渠道问过的事,B 渠道不知道
OneID 的识别逻辑
识别优先级
Level 1(高置信):
- 手机号相同 → 同一客户
- 姓名 + 手机号 + 地址完全一致 → 同一客户
Level 2(中置信):
- 手机号相同,但地址/姓名不同 → 可能是同一人(手机换号/代购)
- 同一 openid 在多个渠道出现(unionid)
Level 3(低置信):
- 地址相同 + 姓名相似 → 可能是同一人
- 购买行为相似(同一时段、同一品类)→ 可能是同一人
识别实现
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
def match_customer(candidate):
"""判断新来的客户数据是否已存在"""
# Level 1:手机号匹配(最高置信)
if candidate.phone:
existing = db.find_one(phone=candidate.phone)
if existing:
return MatchResult.MATCHED, existing.one_id
# Level 2:UnionID 匹配
if candidate.unionid:
existing = db.find_one(unionid=candidate.unionid)
if existing:
return MatchResult.MATCHED, existing.one_id
# Level 3:地址+姓名+手机组合
if candidate.phone and candidate.address:
existing = db.find_similar(
phone=candidate.phone,
address=candidate.address,
name_similar=candidate.name
)
if existing:
return MatchResult.PROBABLE, existing.one_id
# 找不到匹配 → 创建新 OneID
new_one_id = generate_one_id()
return MatchResult.NEW, new_one_id
跨渠道数据归因
客户旅程归因
渠道A(美团):首次接触 → 认知
渠道B(京东):多次浏览 → 考虑
渠道C(小程序):下单购买 → 转化
→ 客户
→ 首次接触:美团(归因给渠道A)
→ 转化渠道:小程序(归因给渠道C)
订单归因
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
def attribute_order(order):
# 查找该客户的首次接触渠道
first_touch = get_first_touch(order.one_id)
# 查找该客户的最近一次接触渠道(购买前7天内)
recent_touches = get_recent_touches(order.one_id, days=7)
# 归因模型:首次接触 + 末次接触权重分配
attribution = {
"first_touch": {
"channel": first_touch.channel,
"weight": 0.4
},
"last_touch": {
"channel": recent_touches[-1].channel if recent_touches else None,
"weight": 0.6
}
}
save_order_attribution(order, attribution)
统一画像构建
画像维度
基础属性:姓名、手机号、地址、年龄段(估算)、职业(估算)
消费能力:客单价、下单频次、购买力等级
偏好标签:水品牌偏好、购买时段偏好、促销敏感度
生命周期:新增客户、活跃客户、沉默客户、流失风险
互动记录:在哪些渠道咨询过、问过什么问题、收到过哪些推送
画像更新
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
def update_profile(one_id, event):
"""每次客户行为事件触发画像更新"""
profile = get_profile(one_id)
if event.type == "purchase":
profile.total_orders += 1
profile.last_order_at = event.timestamp
profile.avg_order_value = (
profile.total_orders * profile.avg_order_value + event.order_value
) / profile.total_orders
profile.update_lifecycle()
elif event.type == "inquiry":
profile.inquiry_channels.add(event.channel)
profile.inquiry_topics.append(event.topic)
elif event.type == "no_purchase_days":
if event.days > 60:
profile.lifecycle = "at_risk"
elif event.days > 90:
profile.lifecycle = "churned"
profile.save()
实战:多渠道客户识别
场景:识别同一客户的不同渠道身份
数据现状:
- 美团:张三,138xxxx,桶装水1桶
- 京东:李四(收件人),139xxxx,桶装水2桶
- 小程序:手机号 138xxxx,咨询过送水时间
识别结果:
OneID: C_8823
姓名:张三
手机号:138xxxx(主键)
其他身份:李四(别名)
渠道数据:
- 美团:1次购买,咨询1次
- 京东:2次购买
- 小程序:咨询3次(送水时间、优惠活动)
画像标签:
- 高频客户(月均3桶)
- 促销敏感(点击过2次优惠券)
- 偏好下午配送
统一资产的应用场景
场景一:AI 客服跨渠道记忆
客户在小程序问"我上周订的水到了吗"
→ AI 通过 OneID 查到:
- 客户在美团也有一单,显示已签收
- 客户在京东刚下一单,还在配送中
→ AI 统一回复:"查到了,您有两单在路上……"
场景二:防止重复营销
客户已在美团下单 → 小程序不再推送同类广告
客户已在京东购买 → 美团不重复发放优惠券
场景三:全渠道归因分析
问题:哪个渠道获客效率最高?
→ 按 OneID 统计:
- 美团获客贡献:35%(首次接触美团)
- 京东获客贡献:25%
- 小程序获客贡献:40%(自然流量)
→ 结论:小程序自然流量最强,美团付费流量次之
技术架构
数据层
渠道数据(美团/京东/小程序/公众号)
↓(API接入)
消息队列(Kafka/RabbitMQ)
↓
实时处理(Flink/Spark Streaming)
↓
OneID 计算引擎
↓
统一客户数据(PostgreSQL/MongoDB)
↓
画像服务(Redis 缓存)
↓
应用层(AI 客服/营销/运营)
核心表结构
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
CREATE TABLE customer_oneid (
one_id VARCHAR(32) PRIMARY KEY,
primary_phone VARCHAR(20) UNIQUE,
primary_name VARCHAR(100),
created_at TIMESTAMP,
updated_at TIMESTAMP
);
CREATE TABLE customer_channel (
id SERIAL PRIMARY KEY,
one_id VARCHAR(32),
channel ENUM('meituan','jd','miniprogram','wechat','other'),
channel_id VARCHAR(100), -- 各渠道的 openid/unionid
phone VARCHAR(20),
name VARCHAR(100),
attributes JSONB, -- 渠道特有属性
created_at TIMESTAMP,
updated_at TIMESTAMP
);
CREATE TABLE customer_profile (
one_id VARCHAR(32) PRIMARY KEY,
tags JSONB, -- 标签
lifecycle ENUM('new','active','at_risk','churned'),
total_orders INT,
avg_order_value DECIMAL(10,2),
last_order_at TIMESTAMP,
preference JSONB, -- 偏好
updated_at TIMESTAMP
);
常见坑
| 坑 原因 解法 | 手机号换号 客户换号后无法关联历史 加地址+姓名组合识别 | 代购 同一手机号多人使用 收货地址是更精准的身份标识 | 隐私合规 跨渠道打通涉及个人信息 脱敏处理,匿名画像 | 数据延迟 各渠道数据同步有时间差 消息队列保证最终一致
落地节奏
Phase 1(Month 1):手机号主键打通
- 以手机号为唯一标识,打通已有渠道数据
- 搭建 OneID 服务
Phase 2(Month 2):多维度识别
- 加入地址、姓名、unionid 等识别维度
- 提升识别覆盖率
Phase 3(Month 3+):实时画像 + 应用
- 实时更新画像
- 应用在 AI 客服、精准营销、归因分析
没有统一的客户资产,你的 AI 永远只是片段智能——认识客户,从 OneID 开始。
延伸阅读
- 多渠道来的问题,AI 怎么用一个大脑接住
- 图、视频、语音、代码,多模态怎么用一个底座接
- 办公 Agent 想落地,先啃会议和流程两座山
- 办公助手不只是聊天,它真能替你跑活
- 办公助手能自动化的场景,别再当翻译机
- 宝贝该复查了,宠物店怎么提醒不烦人
- 本地生活门店的 Agent 团队,一次真实复盘
- 本地生活上 Agent,最先补的三个场景不是客服
- 本地生活智能体团队,4 个行业实战案例
- 本体论:让 AI 理解业务而不是背答案
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI 上线头一周,先盯紧这四件要事别放
AI 落地项目上线第一周别只看 demo。盯四件事:在不在跑、对不对、人的反应、出错怎么兜。
客户说 AI 不懂我,八成是这三种原因
AI 客服不懂客户,多半不是模型问题:不知道你是谁、没接准意图、不记得你们发生过什么。
AI 项目为什么大多死在第二个月就停
AI 落地项目第一个月有掌声,第二个月只剩没人愿意干的脏活:维护、接真业务、说服使用的人。
A2A 不只是连 Agent,门店之间也要协同
A2A 的价值不止让 AI 互相说话。A 店缺货、B 店有货,门店之间能对上话才是关键。先在一家店验证。
AI 当员工还是当工具,结果完全不同
AI 落地半年后差距很明显:有人越用越省事像多带个员工,有人越用越累只把它当工具。
