用户增长:智能促销/补贴策略全案

为顺应用户增长、运营和效率提升的需求,结合个人之前的实践方法,在此以电商行业的促销为例构建策略如下:

确定主要目标用户

首先,可以通过用户生命周期概览,确定当前阶段应重点运营的用户,作为主要目标用户。

目前行业通用的用户生命周期模型把用户分为五个阶段,即“新手阶段”、“成长阶段”、“沉默阶段”、“流失阶段”和“忠诚用户”。

说到增长,前期拉新当然很重要,但是增长的终极目标还是希望忠诚用户或者超级用户越多越好,那么就需要针对各个阶段的用户进行刺激和引导,提高留存率,增强用户粘性,将他们转变为忠诚用户。

通过用户概览,可以了解当前的用户数量分布,例如以下图的展示形式,我们除了可以了解到各阶段用户的数量和环比之外,还可以看到每个阶段的用户转化比例,如果成长阶段的用户数量下降,可能是因为有很多成长用户转变为了成熟用户,那么针对成长用户的策略说明是卓有成效的,接下来我们应该着力于引导新手转化为成长用户,或尝试更多拉新工作,扩大底层用户量级。

用户增长:智能促销/补贴策略全案-传播蛙

除此以外,如果将沉默或流失用户的定义进行细化,可以发现每个阶段都存在用户的直接流失或沉默,因此在具体策略上需要区别对待。

通过用户概览,我们可以确定当前阶段应重点运营的用户,接下来,自当进一步研究该类用户的偏好,从而针对性采用增长策略。

识别用户关注的特征

通过上一步,我们确定了主要运营对象,如“成长用户”,那么接下来,需要了解该阶段用户的关注因素,从而确定我们应该采用什么样的商品促销或是补贴。

对电商行业而言,促销最终都是落到商品上,因此我们可以通过研究用户的浏览行为,来识别用户最关注的商品特征。

1. 用户跳转比率

首先,我们按照时间段将用户最近的浏览行为切分为不同的切片,如session或者每30分钟的浏览行为作为一个切片,然后统计每一个时间段切片下用户浏览各个商品的次数。

接着,我们可以计算出每两个时间段之间,各个商品的跳转比率,例如,用户只有两个时间段下的行为数据,在时间段1下,用户浏览A商品8次,浏览B商品12次,而在时间段2下,用户浏览B商品6次,浏览C商品4次。

那么,可计算跳转比率(Transfer_Ratio)如下:

用户增长:智能促销/补贴策略全案-传播蛙

为了简化,此处只统计了一个用户两个时间段下的跳转行为,因此跳转比率正好是在时间段2下各商品的pv占比。我们拓展到全部成长用户所有时间段下的跳转行为,就能得到对于所有成长用户而言,任意两个商品之间的跳转比率。

之所以这里按照时间段进行切分,是因为用户的浏览行为存在很大不确定性,可能受到广告、资源位等多种因素的影响。但我们认为,在某一段时间内的总pv数能反映出用户的关注度,就好比是把每个时间段都看成了一个“订单”,用户第一单买了8个A商品和12个B商品,第二单买了6个B商品和4个C商品,我们通过分析用户两单的差异,来判断用户对于各个商品偏好程度的改变,而综合所有用户的所有“订单”得到的跳转比率,可以用来识别各个商品之间的替代概率。

2. 影响跳转的关键特征

有了跳转比率后,我们可以了解到商品之间的替代关系,那么商品之间为什么会存在这样的替代关系呢?用户为什么会从一个商品跳到另一个商品?这些商品存在什么样的特征呢?

为此,我们构建了一套完整的算法模型,由于涉及到机器学习的相关内容,较为复杂,这里重点只分享核心原理。

首先,我们将商品拆解为各种属性特征,如果商品在某个特征上相同,则记为1,不同则记为0,构建特征异同-跳转比率表如下:

用户增长:智能促销/补贴策略全案-传播蛙

接着,以特征异同为自变量,以跳转比率为因变量,基于机器学习算法,可以拟合出预测模型,即最终可以通过一组商品的特征异同,来预测出跳转比率。

最后,基于控制变量的思想,我们要看某一个特征的重要性,那么,可以在其他特征异同值不变的情况下,将该特征取相反的值,来看跳转比率的变化情况。

例如:我们要看颜色的重要性,那么其他特征异同值不变,只改变颜色的值可得:AB(1,0,1),代入预测模型,发现跳转比率由原来的18%升为了50%,对于其他商品组也有相似的结果,因此说明颜色在用户浏览跳转过程中起到了关键的作用。

以此类推,最终可以得到各个特征的重要性排序:性能、颜色、大小。

验证浏览购买一致性

仅仅识别出影响成长阶段用户跳转的特征还不够,最后的目的还是要刺激用户产生购买行为,那么用户的浏览行为与购买行为之间是否存在着必然的联系呢?

为此,我们需要验证用户浏览时最关注的特征与所购商品特征的一致性,以防一些关注度很高的特征只能博人眼球,却不代表用户真实偏好,无法促成购买转化。

根据上一步的方法可得每个用户在任意两个商品之间的跳转pv(transfer_pv),那么,按照属性进行汇总计算,可以得到同一特征下,任意两个特征值之间的跳转pv。

如对于颜色这一特征而言,可分别计算得出 红色->蓝色 、白色->蓝色 和 蓝色->红色、蓝色->白色 的跳转pv,将跳转至蓝色的跳转pv和从蓝色跳转出的pv作差可得蓝色的净跳转pv。

为验证一致性,我们取已购用户所购商品特征来对比观察:

用户增长:智能促销/补贴策略全案-传播蛙

根据数据所示,最终购买某一颜色商品的用户,浏览相应颜色商品的净跳转pv也明显最高,说明颜色特征的浏览和购买行为之间存在着较高的一致性,因此可以通过相应浏览行为来作为判断用户购买考虑的标准之一。

同理,如果浏览净跳转pv最高的特征与所购商品特征明显不一致,那么说明该特征的浏览行为不能作为判断用户购买考虑的标准,应当从模型中剔除。

匹配用户和商品促销

根据成长阶段用户的关注特征排序,建立相应商品促销与用户的匹配策略:

  • 首先通过每个用户各个特征的净跳转率,识别用户对具体特征值的关注程度,如用户1最关注的特征值分别为(高性能、蓝色、大尺寸);
  • 收集各类商品促销,确定具体的促销商品、促销形式、促销力度等;
  • 建立用户与商品促销的匹配机制,为用户匹配尽可能符合其需求的商品促销。对于重要度最高的特征,如果没有用户关注的特征值对应的商品促销,流程直接终止。除此以外,按特征的重要度排序依次匹配。具体规则如下:

用户增长:智能促销/补贴策略全案-传播蛙

  • 编撰相应促销利益点文案,嵌入为用户所匹配的商品信息,通过短信或者push精准触达,刺激用户点击转化。该匹配机制不仅适用于单品促销,对于满减促销而言,也可以在促销的商品池中匹配最符合用户需求的商品,在触达信息中做展示。

此外,这里的方法同样适用于内容app,通过用户对各类内容的浏览,可以了解用户最关注的是哪些内容标签。那么后续可以针对用户最可能感兴趣的付费专题进行推送触达,同时匹配一定的红包折扣,以达到用户增长和转变的目的。

建立评估体系

增长策略不同于广告的逻辑,并非拿钱换流量,而是用尽可能少的费用带来巨大的用户提升。

而促销或补贴的的效果评估可分为两个部分,即触达点击效果和促销/补贴效果。

为用户匹配符合其需求的商品促销,并在触达消息中展示商品信息,目的是为了提起用户的兴趣,提高点击率。而影响最终下单率的因素,除了商品匹配的准确性以外,还有促销策略的高效性,为此,还需建立起一套促销的综合评估体系,以衡量每次促销活动的效果。

我们沿用行业惯用的AB测试来建立评估体系,具体方案和指标如下:

用户增长:智能促销/补贴策略全案-传播蛙

首先,筛选出成长阶段的全部用户,并随机抽取一部分用户作为测试组,在不做任何干预的情况下,暗中观察用户的转化情况。

  • 对于实验组的用户,我们通过定向促销加短信触达的形式进行干预,然后静静等待用户转化。
  • 对于对照组而言,用户都是自然转化,而实验组的用户是在干预下产生的转化。在实验组中,一部分用户确实是被促销吸引,从而下单购买,但还有一部分用户即使没有促销也很有可能自然转化。

因此,我们以对照组的转化率作为没有促销情况下的自然转化率,那么,可以得到以下与用户相关的指标:

  • 用户基线=干预总人数*自然转化率;
  • 用户提升=干预总人数*(干预转化率-自然转化率);
  • 用户提升率=用户提升/用户基线。

同理,从经营分析的层面,我们可以评估实际的销售效果:

  • GMV基线=用户基线*自然转化客单价;
  • GMV提升=用户提升*干预转化客单价+用户基线*(干预转化客单价-自然转化客单价)。

注:GMV提升一方面体现在拉来本不会下单的用户所产生的GMV,另一方面,可能会提升/降低本来就会下单的用户的客单价(满减促销可能会提升客单价),因此要计算这两部分的GMV提升。

  • 成本=每单优惠金额*下单用户量+每条短信资费*干预总人数

最终,我们可得到评估经营效果的两个综合指标:

  1. GMV提升率=GMV提升/GMV基线;
  2. ROI=GMV提升/总成本。

以上指标罗列的目的是便于理解指标的拆解计算过程。但对于不同角色而言,最终只需要关注与其相关的结果指标。

  • 对于运营或者营销而言,他们的考核目标可能聚焦于月活跃用户数,所以,他们会更关心用户提升率,通过多次活动的横向比较,可以识别活动效果的好坏,从而再逐步挖掘根因。
  • 对于负责销售的同事而言,需要考量的因素会相对复杂一些,但他们也可以直接通过GMV提升率和ROI这两个指标来评估活动的综合效果,GMV提升率反映的是相比于不做促销带来的GMV提升比例,而ROI反映的是每花一块钱所换来的GMV。
  • 制定促销优化策略

通过每一次的促销,可以沉淀相应的指标数据,当数据足够多的时候,便可以基于各类促销策略的历史效果来指导下一次的促销优化。

但由于AB测试存在较多不确定性因素,比如实验结果会严重受到样本数量的影响,因此,在使用AB测试的效果评估数据进行策略优化时,需先判定每次促销AB测试结果的差异显著性。

AB测试归根结底是用两组样本的转化率差异来估计总体的差异,而AB测试属于伯努利试验,根据中心极限定理,其随机抽样分布服从正态分布,因此可采用均值差的Z检验来判断两个组的转化率差异是否显著,具体公式如下:

用户增长:智能促销/补贴策略全案-传播蛙

最终,我们选取Z检验结果显著的实验数据,按照GMV提升率和ROI构建效果评估矩阵如下:

用户增长:智能促销/补贴策略全案-传播蛙

其中,GMV提升率反应的是活动对于GMV的提升效果,如果当前的目标是不惜一切代价冲GMV的话,那么应该选择GMV提升率高的促销方案。

而如果需要权衡考量利润的话,那么还应该把ROI纳入分析,选取GMV净提升率较高,同时ROI也较为可观的促销方案。

对于GMV提升率和ROI都较低的方案应该适当舍弃,因为机会成本较高,需避免资源的浪费。

通过层层下钻分析的方式,最终可以分析出什么样的促销形式、促销力度效果最优,从而指导运营和销售人员进行策略优化,提升促销效率。

综上,我们搭建起了一整套从用户分析到促销优化的智能策略,以期提升相应工作人员的CRM技术管理水平,从而花最少的钱带来最大限度的用户增长。

 

作者:Mr.墨叽

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧