RELATEED CONSULTING
相關咨詢
選擇下列產品馬上在線溝通
服務時間:9:30-18:00
戰略合作:400-876-9551
你可能遇到了下面的問題

超越傳統企業的運營模式

助力合作伙伴,釋放數據價值
大數據如何讓用戶更樂意掏錢?
  • 作者:已之點網絡
  • 發表時間:2020-07-17 14:33:00

產品發展到一定階段,商業化是不可回避的問題。跟投資者只談情懷不掙錢,多少有點耍流氓。

不過商業化這個命題太大,所以今天我們先來探討下,如何借助大數據能力,促進客戶付費,以下是項目上的一些思考。

一、前言

1. 前置背景:產品獲客之后,在轉化為付費用戶上遇到了挑戰,在這種的情況下,我們所做的一些嘗試和思考;

2. 適用對象:如果你也在思考,如何利用一些產品策略上轉化用戶,可以一起探討下,偏電商類產品;

3. 內容框架:分為三個部分,前期探索、暴露問題、解決思路。

二、前期探索

為了轉化用戶,我們在前期和算法同學,做了一些嘗試,步驟主要為:找到目標人群—-設計活動—-觸達用戶促進其轉化,以下還原了部分實操的過程。

1. 找目標人群

根據業務經驗,到數據庫中采集最可能轉化的高關聯維度客戶名單,創建白名單客戶標簽。比如:基于客戶社會基本屬性的,年齡、性別、地域等維度;基于客戶交易特征的,是否持卡、是否有積分等

2. 設計活動

選出這類客戶可能喜歡的爆款,設計對應的專題活動或者找到時令活動,進行內容包裝

3. 找客戶觸點

進行客戶觸達,包括了app push、短信、微信后綴等渠道

4. 分析數據

采集觸達人群名單,再追蹤該批人群在最近3天內的交易行為變化,分析出轉化漏斗

三、暴露問題

咋一看,上面整體思路看起來問題不大,但在實操過程中,其實問題重重,主要體現為如下三點:

1. 人群找不準確

① 怕腦袋式,以業務經驗找到的單一維度人群,其實無法有效判斷用戶交易意向

② 人群劃分散亂,重疊性高,各行動小組無法區分,這其實就意味著無法有效管理、經營

2. 缺乏持續有效的轉化引擎

問題主要出在兩個方面:不可持續和有效性難以衡量

(1)持續性

① 采集數據找目標人群太慢:拍腦袋式找目標人群,每次篩選用戶,都需要大數據的同學采集一次。一方面人群名單是一次性,復用性低,另一方面,未能真正發揮算法同學專研模型

② 設計活動周期長:找到人群,策劃活動,設計頁面,活動上線,這樣的周期太長,時效性低,難以滿足

③ 手動觸達耗費時間:一次性活動觸達,每次活動對于運營的同學挑戰非常大,根本騰不出時間

(2)無法衡量有效性

① 每次觸達的活動散亂,類似游擊戰,無法持續觀察該策略是否有效

② 缺乏實驗性思維:未能形成整體的轉化監控指標,觸達活動沒有留出對照組。

3. 數據分析困難

每個活動分析都需要采集數據,分析時效性無法保證;各層級數據分屬于不同系統,底層數據表未能進行關聯。

四、解決思路

前面做的一系列嘗試和暴露的問題,為我們接下來確定思路提供很好的基礎。我們回到本文主題,我們是怎么借助大數據的能力,讓用戶更容易成為我們的付費客戶的?

在這里核心思路是:用更少時間找最易轉化的客戶拿最適合的offer觸動客戶。

offer是什么?在這里解釋下,我們定義的范圍是包括了:功能性的產品優勢(即為產品的虛擬價值)和讓利型的爆款活動(折扣、新戶禮包、爆款商品)。

那具體的操作思路是如何呢?且看一步步分解。

1. 找出自身優勢

很多時候,一個產品(平臺)的自身優勢都是自己包裝出去的,但在市場/用戶端的反饋,是否真實如此?新戶為什么選擇了你的平臺?

為了了解這個問題,我們做了兩個事情:

① 拉去過去一年,新戶首次轉化的訂單數據:從數據中分析用戶轉化背后決策邏輯,得到的結果是比較明顯的,X%用戶是為了A,X%用戶是為了B….具體的數據,我就不展開出來了。

② 調研用戶:對平臺的認知和第一次在平臺上購買的動機是啥?

基于歷史海量數據和用戶調研,我們可以發現自身平臺對用戶的吸引力哪些方面

2. 人群分層

用戶轉化項目是一個teamwork,包括了:算法、商務、運營、產品。前面所說,如果無法劃分用戶,團隊就會比較混亂,缺乏目標。這樣我們就無法很好經營用戶。這里面我們采取了四象限分層,用戶對平臺認知和用戶偏好

高傾向:對平臺產品有較高傾向度的人群,這個可以通過傾向模型進行篩選

高認知:認知是以這個用戶與平臺的聯系密切程度進行劃分的,比如說產品購買斷點客戶,就是對平臺了解比較多的人群。對于剛注冊的新戶,那認知就非常低,需要先做認知教育。

大數據如何讓用戶更樂意掏錢?-運營人

人群劃分僅是第一步,第二步就是要找出每種分群的用戶體量,可以先從用戶認知上進行劃分,比如說:斷點客戶、app活躍客戶、app注冊用戶、微信關注用戶等,然后再設定各分層的轉化目標,每個行動小組認領任務。

3. 算法模型支撐

業務對于算法上面的要求,其實為:設定一個業務目標,比如說:最有可能購買A類產品的用戶(注:這里的A類產品一定是要結合自身產品的優勢進行設定的),然后算法同學會根據該業務目標進行建模,包括:問題建模(指標評估、樣本選擇、交叉驗證)、建特征工程、選擇模型、模型融合,再到最后的模型驗證。

當然,上面是一個完整的建模過程,在實際應用中,都先是小步快跑。先用較為簡單的IV值預估,找出強關聯的客戶維度,給到業務方進行試用。

4. 深挖場景的自動化經營

這部分,筆者認為是最為關鍵的一環了。用戶轉化的過程一定是:在一定的觸發場景,通過習慣的行為路線,獲取所內容。在這里會分為三個部分:高頻場景挖掘、自動化策略支撐、策略執行。

(1)根據人群分層找高頻場景

① 了解用戶行為偏好。分為線上行為:活躍用戶在app上定期瀏覽某一頻道、某一個功能、搜某些內容;線下行為:基于lbs,了解用戶出現城市

② 了解該批用戶的交易偏好:知道的行為偏好,下一步要了解用戶的交易偏好,什么才是他們喜歡的,需要投其所好。

(2)自動化經營策略

手工設定的push,耗時耗力,根本無法支撐客戶轉化的需求。因此,你可以結合新客戶轉化的重點場景、路線,設定一些自動化策略,比如如下:

① 客戶斷點自動化挽回策略:曾經瀏覽過/評論過/關注過/未使用券等等,都可以將該批客戶自動化采集出來,并進行定向召回,比如:最近3天瀏覽過某一款產品,可以給客戶一些利益點,然后進行觸達。

② 重點場景全鏈路埋伏策略:在用戶完成一個任務的前中后,進行轉化內容埋伏,當然優先針對高傾向客群進行觸達,切勿過度打擾。

③ 此外還有:客戶離線設置T+x日觸達策略、客戶沉默設置讓利策略等等

(3)策略執行

實驗設置對比維度可以為:渠道、客群、offer。這里強調一點就是,一定要明確整個策略的目標,留出對照組,否則后面數據難有說服力和無法評判該策略是否該持續固化下來。

5. 數據分析

這一部分,重點是將各節點的數據打通,實現基于每一個實驗的可視化分析、對照。這有賴于平臺自身的數據管理是否規范了,如果數據采集沒有規范,在很多情況下的分析還是很吃虧的。這里就不展開了,祝好~

整個過程中,大數據輔助業務找出自身優勢、建立模型找到高傾向客群以及在實驗數據分析上給到了較大的支撐,業務經營更趨向精細化。在用戶轉化上,也更加嚴謹和具有章法。

以上僅是一些階段性的思考,希望對你有幫助~

本文作者@行走的大雄

视频一区在线亚洲国产_欧美体内she精视频_暖暖免费视频日本中文