8.1 身份图谱
身份图谱解决客户信息分散、同一用户被识别为多人的问题,通过多源身份合并把官网、小程序、外呼等渠道行为整合为一个实时更新的唯一客户画像。
- 多源合并:自动识别并合并手机号、微信、邮箱等身份
- 全景画像:一屏展示基本信息、浏览、互动、购买、客服记录
- 实时更新:每次互动实时写入最新画像
- AI标签:自动生成高意向、价格敏感等行为标签
一句话定位:每个访客和会员都有一个完整画像——他在官网看了什么、在小程序做了什么、打过几次电话,一屏看全。
身份图谱是引力的"身份证"——把散落在各个渠道的碎片信息,拼成一个人的完整画像。
您现在的问题
场景一:客户信息散在十个系统里。 销售手里的 Excel、企业微信的聊天记录、官网的访客日志、小程序的用户数据——同一个客户的信息被切成碎片,没有一个人看得全。企业平均有 4.7 个系统记录同一客户的信息,但只有 12% 做过打通。
场景二:同一个人被当成两个客户。 张先生用手机号登录了官网,用微信扫码访问了小程序,用另一个手机号下了单——三个系统里他是"三个人"。重复档案导致营销浪费:同一个人收到三份推广,体验极差。
场景三:客户来了几次,您不知道他是谁。 一个客户在官网上看了三天、在小程序上咨询了两次、打了一次电话——最终成交时,您以为他是"新客户",其实他已经互动了一周。误判客户阶段,跟进策略完全错位。
场景四:销售离职,画像跟着消失。 销售把客户信息记在自己的笔记本和微信里——离职后,公司连"这个客户是谁、聊过什么"都不知道。客户资产存在个人设备上,等于不存在。
功能全景
身份图谱把"多渠道碎片"合并为"一人一档":
数据来源:官网(棱镜) / 小程序 / AI外呼 / 留资表单 / 手动录入
↓
身份识别引擎(手机号/微信OpenID/邮箱/设备指纹 → 匹配归一)
↓
唯一客户档案(基本信息 + 全渠道行为 + 标签 + 交易记录)
↓
消费方:行为旅程(8.2) / 分群运营(8.3) / 铸坊商机(9.1) / AI外呼
- 多源合并。 手机号、微信号、邮箱、设备 ID——系统自动识别并合并同一个人的多个身份,构建唯一的客户档案。
- 全景画像。 一个客户的完整信息一屏展示:基本信息、官网浏览记录、小程序互动、购买历史、客服对话、标签分类。
- 实时更新。 每一次互动都实时写入画像——客户画像永远是最新的。
- AI 标签。 AI 根据客户行为自动打标签(高意向/价格敏感/技术导向/决策者)——销售一看标签就知道怎么沟通。
操作指南
- 查看客户画像 → 引力 → 客户列表 → 点击任一客户 → 全景画像展示;
- 手动合并 → 发现重复档案 → 选择"合并"→ 系统展示两条记录对比 → 确认合并;
- 查看身份来源 → 画像中"身份"Tab 展示该客户的所有识别标识(手机号/微信/邮箱);
- 标签管理 → 查看 AI 自动标签 + 手动添加自定义标签;
- 批量导入 → 支持 Excel 导入已有客户数据,自动做去重匹配。
关键配置项:
- 匹配规则:手机号优先/邮箱优先/多字段组合匹配
- 自动合并:置信度>90% 自动合并,低于则提示人工确认
- AI 标签:开启/关闭自动标签,自定义标签规则
- 数据保留:匿名访客数据保留期(默认 90 天)
最佳实践
- 上线时做一次"大合并"。 把现有 Excel/CRM 里的客户数据批量导入,让系统做去重匹配——先把"存量"理清。
- 让销售养成"看画像再打电话"的习惯。 跟进前花 30 秒看客户画像——他看过什么、问过什么——开口就在点子上。
- AI 标签前两周人工校验。 系统初始打的标签可能不准——花两周时间纠正,之后 AI 会学习您的纠正越来越准。
- 离职交接时"画像转移"。 销售离职不是"客户消失"——画像在公司系统里,一键转给接替人。
常见误区
误区一:等数据"完美"了再用。 画像不需要 100% 完整才有价值——有手机号+3 次浏览记录,就够销售做判断了。先跑起来,边用边完善。
误区二:把画像当"监控"。 画像的目的是"更好地服务客户",不是"监视客户"——对外沟通时注意隐私合规,不滥用行为数据。
与其他能力的配合
- 画像数据来源:6.4 访客洞察(官网)、小程序(15.4 数据看板)、AI 外呼(13.6 通话记录);
- 完整的画像提供给 8.2 行为旅程,追踪客户的完整旅程;
- 8.3 分群运营 基于画像标签做精准分群;
- 铸坊(9.1 商机管理)的每个商机都关联一个完整的客户画像;
- 数据安全由基座(11.4 审计日志)保障,操作留痕。
关键指标
| 指标 | 健康值 | 说明 |
|---|---|---|
| 身份归一率 | ≥85% | 多渠道客户被正确合并的比例 |
| 画像完整度 | ≥60%字段 | 核心字段(手机/公司/行业/行为)填充率 |
| 重复档案率 | <5% | 未合并的重复记录占比 |
| AI 标签准确率 | ≥80% | 人工校验中标签正确的比例 |