文中为客户画像基本篇，针对已具有画像有关工作经验一年以上的，可选用立即绕过。

当说起客户画像的情况下，你在想些哪些？什么叫客户画像，什么是标签，什么叫客户分群...TA们又各有什么区别，彼此之间的影响是啥？针对该类基本性的內容，也许我们的了解便会不一致。在公司客户画像的搭建流程中，IT精英团队、业务团队最先必须两端对齐下这一部分，要不然下面工作中整么进行。

文中从客户画像基本视角，融合业界贯常作法、自己的真实工作经验整理，试着着回应如下所示6个问题：

1、什么叫客户画像？客户画像的来历，与传统式ECIF有什么不同？

2、客户画像中的许多定义：统一ID、目标、标签、标签的类型等

3、客户画像的精准定位，使用价值都有哪些？

4、客户主数据，数据库房，客户画像间有什么关系

5、客户画像执行方式有什么，彼此之间各有什么好坏

6、客户画像，客户分层次，客户分群相互关系是啥，普遍的客户分层次实体模型有什么？

1、什么叫客户画像

画像这个词是在C端互联网公司火爆刮起的，但并不是在这里以前压根就不存在定义，只不过是叫法不一样而已。以往10来，互联网公司关键做的是C端买卖，因此称之为客户画像。因为小编现就职于TOB的公司里，除尤其强调归属于B2B2C中的客户外，别的发生客户的地区统一用客户，如客户画像，客户分群，客户id，客户特性这些。

在画像这个词以前，中国紧紧围绕客户数据下功夫发展较早的领域，主要是金融机构、营运商、国际航空公司。那时的词，也没那么高端大气叫ECIF(Enterprise Customer Infor ** tion Facility)，也就是私有云客户信息内容主视图，传统式却厚实。

在ECIF中，其主要作用主要包含：

1）客户单一主视图，一方面明确客户ID的唯一鉴别，另一方面从系统结构中融合客户的各种信息内容，包含基本信息、账户信息、合同信息、服务信息等。

2）客户分层次分群，在客户信息内容融合的基本上，运用数学统计和发掘优化算法，对客户开展各种各样标志，进而做到客户分群目地。

3）数据剖析端运用，关键经济活动分析和协助投资决策，依照一定的业务分析法和客户分群类型，剖析客户经营规模、遍布、对企业收益奉献、客户外流剖析、重复购买剖析等

4）前台接待业务端运用，如依据一般客户、普通VIP客户、金子VIP客户的分群，给客户强烈推荐多元化的产品与服务包。如大伙儿习以为常的，某一个月总流量应用太多，便会接到营运商强烈推荐你选购“xx元xxG的特惠流量包”的个性化服务包。这归属于一个结合客户信息内容融合，将客户分群及业务对策，以自动化技术方法协同起來，业务端事情式营销方式的常见运用。

放到现如今大数据客户画像情境下，以往ECIF系统软件中的主要作用仍没什么落伍，基本上也是在这里四点上下功夫。现如今，所不一样的是：

1）数据的信息更普遍了，以往关键为内部结构买卖数据，如今除此外还涉及到实际操作个人行为日志、外界第三方数据；

2）数据的处理速度更强了，以往全是T 1，随技术性发展趋势为数据的线上化，即时化解决及运用带来了很有可能；

3）数据的优化算法更丰富了，算法的开发设计门坎也更低了；

4）数据与业务融合的更密切了，画像的使用使用价值，从数据剖析型运用的背后，迈向了前台接待业务运用的走到。

通过以上这种埋下伏笔，应是下一个界定的那时候了。所说客户画像，一方面明确客户唯一标志，全方位融合客户各种数据，另一方面融合业务要求和经营模式，对客户数据开展解析和发掘，打标签，最后产生客户全景图信息内容主视图。

2、客户画像中的许多定义

正巧不久前在梳理一份原材料，有专业整理这一部分內容。不空话，立即图中。

图一：客户画像多个定义

图中中，有几类重要一部分必须再取出而言一下：

1）画像的目标，客户画像只归属于画像目标中的一种。具体工作中，公司根据精细化管理化经营考虑到，普遍的目标也有商品、客户、小伙伴、经销商、职工。例如：将含有“高性价比”及“智能化系统”标签的冰箱推荐给“90后”及“三口之家”的客户，就归属于商品画像与客户画像一同运用的业务情景。

2）标签类型，在互联网上，有些人将标签分成客观事实标签、实体模型标签、优化算法标签（或预测分析标签），实际上与以上中特性标签、统计分析标签、标准标签、优化算法标签的归类方法并不进出。客观事实标签包含特性标签及统计分析标签，实体模型标签是标准标签的另一种观点。

3）目标标志，明确一个标志目标的标志符是全部画像工作中的基本。这一工作中不是一个ID那么简单，要确认出如此一个ID也是非常艰难的，尤其是当公司业务系统软件老旧、都没有主数据管理方法的情形下，实际在后面的章节中会有讲到。

此外，如果是一个纵向一体化的公司，基本建设客户画像时理想化的作法，自然是对全部多样化业务做统一数据和业务摸排，统一明确客户的唯一标志。可，通常具体工作中会遭遇，人员配备不足，企业经营管理上的众多要素，只有在物理学上创建一个又一个“以单一业务行业客户”为公司的“小客户画像”。那样，实际上并没真实的意义上进行一个客户数据融合，大集中化的目地。但是，从此外一个视角讲，理想化终究要考虑到实际，公司在差异成长过程会出现不一样的需求，当交叉销售，跨业务行业对客户协作服务项目变的尤为重要时，这类全面性客户融合便会被再度提上日程。

3、客户画像的精准定位与使用价值

有关客户画像使用价值，在百度中输入关键词检索，展现的内容数以千万计。总体上讲如出一辙，大量的归属于描述方法和着重点的不一样。下边以检索出去，在其中一篇神策有关画像使用价值內容，谈下小编的了解。

图二：客户画像的使用价值

不言而喻，进行客户各种标签基本建设后，所沉积的标签一定流动性到业务运用中去才可以充分发挥使用价值，不然便是一堆躺死在数据库房中丧尸标签，仅作程序猿们自我安慰罢了。

有关画像使用价值释放出来，我觉得关键为两大类：

1、数据剖析类：客户执行标签化封装形式后，进而可以完成客户的深层次洞悉与科学研究，与此同时能适用根据标签化的結果对业务运营結果数、运营全过程数能更为充实和深层次的剖析。图中中用户分析，数据剖析就归属于该类。举例来说：做用户行为分析的，可以根据各种标签掌握消费者的各种各样特点；根据客户的各种各样标签特点，进一步去剖析各种消费者对收益、对盈利等详细分析

2、业务运用类：客户标签的基本建设关键目地压根没有在剖析，而在业务运用，侧重点应在如广告投放平台，大数据营销、智能推荐、及其客户项目生命周期的精细化运营这类系统软件或业务情景中的运用中去。图中中精细化运营和商品运用就归属于该类。事例无法勃起了，在网上早已说的泛滥成灾了。

4、客户主数据，数据库房，客户画像间的关联

最先上一张图，公司有关数据管理方法，集成化的一个数据归类：

图三：数据的分类

基本数据：为业务数据化，将企业运营管理设计方案的业务全过程数据化，数据沉积在IT系统。在其中，IT系统在创建流程中，有关主数据、参照数据、买卖数据的规范化问题是IT系统设计方案时要首先考量的。

剖析数据：为数据业务化，将业务数据化沉积的数据矿产资源，根据大数据，人工神经网络等技术性，开展使用价值的提炼出，产生公司的数据财产，再根据服务创新的工作能力一来创建合乎不一样业务行业和不一样人物的数据商品，二来颠覆式创新目前业务系统软件。剖析数据一方面融合IT系统基本数据，另一方面根据业务和数据融合方式转化成剖析数据。所形成的剖析数据，数据库房管理体系与画像数据体系为在其中关键的两环。

根据这一张图，我坚信大伙儿应能得到客户主数据与数据库房，客户画像间的联系了。

那麼，数据库房与客户画像，这二者之间又有什么关系呢？大家继续看另一张图：

图四：数据构架管理体系等级

数澜科技出版发行的《数据网易大数据 让数据用起來》里将数据网易大数据基本建设的內容域分成四个一部分：数据技术性管理体系、数据财产管理体系、财产体系管理、数据保障体系。每一个一部分进行讲，实际上都能够独立写一本书，因为对焦在客户画像故在这儿不做深层次进行。在现阶段业界对数据网易大数据尚未产生统一认知能力规范的情形下，小编针对数澜抽象化出的四个归类的高层架构或是十分认可的。

数据财产管理体系，归属于数据网易大数据的肉体，关键融合纯化数据，使数据变成一种财产。数据资产管理体系是有数据层级的，可进一步分成贴源镜像文件层、数据库房层、标签层（或称画像层）、运用市集层。下列为各层次的划定标准及表明。

图五：数据构架管理体系等级

数据库房层的具体目地，创建数据技术标准的储存基座，将融合的基本数据分主题风格、分层级，分客观事实表维度表等，将数据一分别类、有章井然有序放置好。

客户画像层的具体目地，从数据库房各主题风格域融合客户各种信息内容，根据应用统计学、业务标准、优化算法等方式进行完成客户的标签化。

所以说，数据库房为客户画像的关键数据源，客户画像为了更好地进行业务情景的闭环控制，通常也有一部分从业务运用端流回的数据，一样会进一步丰富多彩库房数据，再到客户画像丰富多彩对标签的描绘。

数据库房和客户画像，为数据财产管理体系中关键中的核心，一同组成了公司全部数据运用的数据基座。

由于公司数据精英团队单位设定不一样，通常也会造成库房与画像间相互关系的不一样，也会出现基本建设內容上的重合与交叉式。下列为数据服务体系中，公司中较为普遍的三类机构架构设计。假如对一个早已长了十几条业务BU的多样化公司而言，做数据管理体系的优秀人才三五个，要不是这些公司各BU业务分散化、数据分散，做数据的人也分散化在不一样机构里，要不是这些公司做数据刚发展，要不是这些公司基本不重视数据，数据的人文与逻辑思维尚需进一步提高。

图六：数据服务体系精英团队机构方式一

图七：数据服务体系精英团队机构方式二

图八：数据服务体系精英团队机构方式三

6、客户画像的两大类执行方式与好坏核对

近期在微信朋友圈见到那样一句话：沒有文化建设，干什么全是错的；沒有底层逻辑，干什么是对的。

文化建设是宏观经济洞悉、战略发展规划；底层逻辑是外部经济实行、逻辑性支撑点。

使我们看一下，沒有文化建设仅有底层逻辑，迈向完成的实例：

1）我国的中国改革开放在经济社会发展上所得到的造就，家中联产承包负责制、国企改革、创建自由贸易区、无论黑猫白猫能抓的耗子的便是好猫...沒有哪一项是以文化建设逐渐的，也不能用一切社会经济学的基本原理比较好的阐释中国的崛起状况，全靠勤快的中华人民对幸福生活，对财运的期盼，渴望改变人生那样质朴的基本常识。

2）阿里参谋长曾鸣说，阿里每一项业务全是自底向上试出、淌出去的，几乎都并不是关在办公室里老总们战略发展规划出去的。

是不是文化建设深陷读书无用论，也许也不是。文化建设应该是公司的核心，沒有文化建设，你期待一个公司可以以长期性角度来开展商业模式设计、人才理念设计方案、品牌形象设计、营销推广与用户体验设计这些。沒有文化建设，也就不清楚将来方位在哪儿，初心在哪里？在阿里云栖大会上，阿里巴巴人常说，由于坚信，因此见到。我觉得，在阿里巴巴人坚信的远处，最少会出现一条不那麼明亮，但又相信会做到的高层理想。

扯的有点儿大，有点远了，拉回客户画像的具体实施方式上去。说到客户画像的具体实施方式，必须先说下画像包含的內容域，要不然下边话题讨论无法进行聊。有关客户画像的內容域，在后面的章节时会再详尽进行说，文中先加热一下。

客户画像可以看作一个系统软件，这一系统核心作用主要包含三一部分：

图九：客户画像整体构架

1）、数据层：数据层工作中在画像基本建设中占较为大，也就是文中前边所讲的“库房层”和“标签层”基本建设。数据层设计方案的好与坏，一方面依靠数据模型工作人员的基本功，另一方面也极其在于业务上确认的标签品类。

2）、网络层：也称作用层，如今网络时代又拥有了一个时尚名称“客户画像实用化”，留意此商品非彼产品，并不是是“智能推荐”种类商品。数据层进行标签管理体系的搭建工作中，那麼依据标签颠覆式创新业务是下面要充分考虑的。怎样颠覆式创新业务，客户画像产品化的功能将会是一个有利工具，这个工具显而易见两块功能：

a、标签的可视、查询、审批、下架等，以及标签类目元数据，让用户了解画像中所有标签内容，包括分类、业务口径、使用情况等

b、客户群管理，根据数据层创建的标签，用户能够自定义选择、筛选创建某一类客户群（如：30天内，不活跃零售行业类客户），并可对这类客户群实施分析，以及通过“同步”或“异步”方式对接外部系统（如营销系统，服务系统等）。

3）、业务层：如何赋能业务，除了上面第2）点的用户画像产品化外，还就是业务层。

画像业务层的应用，一方面为基于整合的客户数据，打造的数据产品。

当然现在的数据产品范围更加泛化了，不仅仅只是查询，做事后决策，实际已经是嵌入业务的事前和事后，成为了核心业务系统的一部分。如个性化推荐系统、大数据风控系统、笔者现在工作中的客户成功经营系统也算。

另一方面为嵌入其它业务系统，如营销系统、信息管理系统、客服系统，为此类系统提供数据API服务。在大多数企业，这方面做的好不好，比较大程度上取决于“其它业务系统”团队给不给你运营位，能够与大数据形成友好合作关系。原则上讲，在标签类目创建过程中，客户画像团队首先就要从营销线、运营线、客服线对应的业务，包括IT系统人员中做需求搜集与调研。毕竟，大数据团队内打造的数据产品，我相信只会画像标签应用领域的一个子集。

做了画像核心三部分功能的预热铺垫，下面可以正式开始聊一下实施方法了。这一块我想要说的，神策在网络上有一篇文章有相关性，所以以下有部分内容我会直接引用该文章。

实施方法一：一开始就要建一个全面详实“大而全”的标签体系，甚至想遵照行业中已经成体系的最佳实践进行“ ** ”，一开始就带有各种“幻想式”需求。

这种实施方法，容易带来的问题有：

1）大而全的体系以及最佳实践本来就是一个“美好的假想”，与实际应用到业务到产生价值间，存在巨大的鸿沟

2）标签的生产、开发、应用流程长、甚至某标签还未开发出来，就要被淘汰了。

3）客户画像系统的建设，本身会横跨业务、IT系统等多方人员，从标签的生产、业务应用、场景闭环来讲能否跑起来，本身需要最小化功能验证。前提条件是，需求是真需求，

实施方法二：以终为始，“如何用”决定“如何设计”。以终为始即从企业最终的应用场景和应用策略出发，来倒推企业的标签体系设计。如何倒推，神策在那篇文章里给了 3 个思路，每个思路也配合了案例解读。篇幅关系，案例就不贴了。

1、从用户触点、流程中找场景

2、识别特征、偏好，寻找场景和标签

3、从关键环节和指标，推导场景所需标签

这两种实施方法，咋看也并无特别之处，好比软件工程中的瀑布式和敏捷式。神策在那篇文章中，表达了废弃方法一，拥抱方法二的观点。

方法一与方法二真只能选其一，不能各取所长互补其短吗？答案我觉得可以的。

笔者18年底入职现在公司，当时部门经理说，你客户画像经验丰富，你看看这块事情能做出点什么？来回沟通了几次，当时我一直都未get到经理要让我做的这个客户画像是什么。我结合上述数据层、应用层、业务层的核心体系，当时给出了一个方案。同时，在应用层和业务层是按如下方式构想的。

图十：客户画像产品化功能架构

图十一：客户画像产品化原型（部分功能）

当时，我对这个事情的做法是按照“实施方法一”来构想的。如果我全盘来cover这个事情，我提出需要招聘一个偏客户画像方面的产品经理，这个产品经理有标签类目，客户分群、数据产品构建的业务经验，这样能补充我业务上的短板。

也正这个时间点前后，部门另外一位做产品的刘同学比较牛掰，趟出了从客户风险预警的场景中找到了画像标签应用的口子。这不就是实施方法二，以终为始，“如何用”决定“如何设计”嘛。后来呢，这个客户画像的产品经理也一直未招到，画像实施方法上基本上按照方法二在进行，我也没有全局去负责此事，只是负责数据层这块内容。

站在现在来看，

1、风险预警始终只是标签应用的一个场景，标签类目和数据层在设计上始终应该有全局视角的设计。今年做风险预警2.0（移动端），对标签应用更细了，发现部分原有数据表的设计不具备公用性要改造。

2、标签应用的场景，要有更多领域的探索，这样才能不断把雪球滚大。

3、无论实施方法一，实施方法二，在应用层关于标签的可视管理，客户群管理应该是要具备的。从另外一个层面讲，当前我们公司针对精细化客户运营，在业务无论营销，还是服务领域没有相匹配的运营策略，如C端司空见惯为了促活的红包、优惠券、礼品的活动。在现在这个阶段上即使做出来，我估计也是会被当做一个工具，顶多会被冲当一个提数的载体罢了。风险预警这样一个场景应用无形中集成了在客户风险监控这个领域，客户群的管理和跟进功能，在这样的前提下，上述原有规划的客户画像产品化的内容就可做可不做。

7、客户画像，客户分层，客户分群间的关系，常见的客户分层模型有哪些

随着流量枯竭的焦虑，企业视角由以产品我中心，转变到以用户为中心，都在谈如何进行精细化用户运营，针对不同的用户分层有更精准，更有针对性的运营策略。那么客户分层、客户分群又是什么，与前面谈到的客户画像又有什么关系？

客户画像，前面已经讲了，包含两个部分，一是整合各类客户信息的单一视图，二是客户的标签化。标签的类别分为属性标签，统计标签，规则标签，算法标签。

客户分层，不同行业客户的分层可能是多样性的，在产品发展的不同阶段客户的分层也会有不同的变化。基本上客户分层是基于客户管理大方向上的划分，即你希望用户朝什么核心目标努力。如常见的RFM模型，通过衡量客户价值来进行客户分层，定义出一般价值客户，重要价值客户。

客户分群，客户分群可以理解说是客户分层的进一步精细划分，将客户分层中不同层次的用户切分为更细的粒度，与客户分层相辅相成。如，找出“重要价值客户”中“零售行业”、且“年营业规模大于2000W”的客户群体。

下面，看一下这三者间的关系。

客户分层的划分，进而的结果其实就是完成了客户画像一项标签的刻画，所以客户分层属于客户画像的一部分；

客户画像中属性标签，统计标签为通过整合了客户各类数据，基于统计学来定义的事实类标签，这类标签通常都比较简单。如：最近7日登录次数。事实类标签，本身来讲也属于客户分层的一种，即客户个性化特质分层。这类分层或标签，更多是站在数据和技术的角度进行定义，被业务直接使用的可能性不大，但是会是生成业务使用多的标签（规则标签和算法标签）的基础。如根据“最近7日登录次数”的事实标签，可以进一步生成“客户活跃度”的规则标签，“客户活跃度”被业务应用的广度就会大大增加。

客户分群，也就是客户画像中各类标签组合，生成一类又一类客户群体。

客户分层，一定是紧贴业务，以业务为主才能定的出来，在客户画像中分布在规则标签和算法标签中。之于业务来讲，客户分层才是画像中的重中之中。

搞清楚了三者的概念以及关系，下面我们来看常见的客户分层模型有哪些？

以下内容，基本为知乎上学习了诸多网友们关于客户分层的文章后，我的学习整理。

1、客户个性化特质分层

2、客户身份分层

3、客户生命周期模型分层

4、客户价值模型分层

5、AARRR模型分层

6、客户活跃度模型分层

7、客户忠诚度模型分层

8、客户流失预警模型分层

9、客户偏好识别模型分层

10、其他，购物决策力模型，促销敏感性模型，易观发布的 ARGO 成长模型

以上10种分层方法，第1比较简单，就是上面我们谈到的事实标签，一般在说客户分层时基本不会谈到这一类的分层模型。

那如何判断自己的产品适合哪种分层呢？

一般来说除1、2外的分层方法基本上适合大多数产品，针对1、2的分层方法也有一定的判断标准。

1、是否需要用户个性化需求分层判断标准：依据业务标准化程度来判断

业务标准化程度低，则适合用户个性化需求分层

举例：

天气类APP，相对业务标准，用户进入后只需要查询最近天气情况，这类产品就不需要做用户个性化需求分层。

2、是否需要用户身份分层判断标准：产品内用户相互影响程度

如果产品内存在用户互相依赖，则这类产品一定要做好用户身份分层

举例：

抖音，用户之间依赖性就特别高，用户身份大致分为：政务号，签约号，网红，普通创作者，信息获取者，用户之间相互依赖，彼此诉求特征不一，不同身份间的用户运营策略不同。

确定了自己产品合适的分层方法后，分层怎么做？下面将最常用到的客户身份分层、生命周期模型分层、客户价值模型分层等几类展开看一看。

客户身份分层

用户身份分层常见的用户金字塔模型，不同的产品其金字塔不一样，也不是所有产品都适合金字塔模型分层。

用户金字塔模型的建立，自上而下，上层影响下层。主要为了让运营者对用户的构成有一个清晰的了解，并且在实际工作中，往往需要抓住的是金字塔顶端20%的用户；可以利用用户进行有效地管理用户；并且每个模块可以再进行拆解成小金字塔，作为管理工具，增加用户和用户之间的关系。

那基于自己的业务我们可以按照以下来进行梳理自己的用户金字塔模型

（1）、用户之间是否存在关系（不存在，则不适用于金字塔模型）

（2）、用户之间是否会因贡献、稀缺、专业度产生阶级分层（对应分层激励）

（3）、用户阶层见可否自然晋升（对应晋升激励）

针对产品的不同，存在着用户分层的双金字塔结构。如知乎这样的产品，一个围绕着内容的生产，一个用户的服务，相辅相成构成了双金字塔结构。

在网络上也有人提出一种叫用户状态分层，个人觉得与用户身份分成具有极大的相似度。

客户生命周期模型分层

针对不用周期常规考虑动作

阶段A:引入期。发现和获取潜在客户，并通过有效渠道让用户了解到产品的核心价值，并尽可能便捷体验核心服务。

阶段B:成长期。通过 ** 需求的产品组合或服务组合把客户培养成高价值客户。

阶段C:成熟期。培养客户的忠诚度。

阶段D:休眠期。建立高危客户预警机制，延长客户的生命周期。

阶段E:流失期。该阶段主要是赢回客

客户价值模型分层

RFM模型作为一个存在已久的用户价值模型，被广泛应用于传统、销售行业。

首先解释一下RFM模型的构成：

Recency：最近一次消费，即用户距离当前最后一次消费的时间。最近一次消费的时间距今越短，对我们来说更有价值，更可能有效地去触达他们。Frequency：消费频次，用户在一段时间内，在产品内的消费频次。Monetary：消费金额，即用户的价值贡献。

基于这三个维度，我们将每个维度划分为高、中、低三种情况，并构建出完整的用户价值象限。

通过上面的RFM模型，我们可以更加直观的把用户划分为8个不同层级。如果能够找出产品内用户隶属于以上8类中的哪一类，就可以针对性的制定运营策略。如对“重要保持客户”，不希望它流失，运营人员就需要专门针对这类型用户，设计召回用户运营策略，这也是RFM模型的核心价值。

RFM模型在不同行业的尝试，R/F/M可以有不同定义去尝试：

金融：投资金额、投资频率、最近一次投资时间；

直播：观看直播时长、最近一次观看时间、打赏金额；

内容：评论次数、评论字数、评论被点赞数；

网站：登录次数、登录时长、最近一次登录时间；

游戏：等级、游戏时长、游戏充值金额；

在划分完不同层级后，最困难的事情在于如何制定每个值的高、中、低评判标准。一般不借助算法，可以用统计学里的平均值法和分位数法，借助算法就要通过KMeans聚类算法等手段。

AARRR模型分层

客户忠诚度模型分层

用户分层的本质是分层逻辑，中心思想是根据单一/复合数据指标划分层级，一般不超过5层。过多分层就会变得复杂，不适合运营策略的执行。

以上针对常见的客户分层模型，只是给出了一个框架上的感性认识。对于每一个模型，从业务目标、北极星指标拆解、模型理解与实现、以及模型如何与业务策略、业务流程及角色闭环起来，包括闭环跑起来后数据结果分析，这每一步要吃透要下的功夫都不会少，留着后续的篇章再聊。学是为了用，理论加实际才会更加强化，这些模型哪些适合所在的企业，如何应用到实际工作中去，也是需要去考虑的。

当然更牛逼的是全线上能自动化完成。