用户增长:智能促销/补贴策略全案

11 评论 17695 浏览 189 收藏 18 分钟

电商行业充斥着大大小小的促销活动,各大APP也常常上演补贴大战,在开疆辟土阶段,砸钱让利招揽用户的法子自然最为好使,但当形成一定规模之后,疯狂补贴的模式是否仍然高效?个性化的运营策略是否有必要?活动的真实效果到底如何?

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。

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:

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:

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:

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:

  • 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:

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:

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:

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。

#专栏作家#

Mr.墨叽,公众号:墨叽说数据产品,人人都是产品经理专栏作家。电商行业资深产品经理,擅长策略构建,数据分析。

本文原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 向大佬学习,牛!

    来自湖南 回复
  2. 我是产品猎头Davin,怎么样可以联系到您呢,看到您的文章写的很好,有合适的机会推荐交流,方便可以加我微信15068775349

    来自浙江 回复
  3. 请问下:根据“20-5的优惠券”理解,“干预转化客单价”比“自然转化客单价”便宜5元。为啥图里是“干预转化客单价”25元,“自然转化客单价”15元,这个没太看明白?

    来自福建 回复
  4. 大神,现在在哪家公司任职呀

    回复
  5. 传统行业销售策略运营人看了表示十分佩服

    来自上海 回复
    1. 哈哈哈,谢谢来自传统行业大佬的赞扬。

      来自浙江 回复
  6. 请教一下这个用户生命周期的金字塔图是用什么工具做的

    来自广东 回复
    1. Edraw,一个非常强大的工具。

      来自浙江 回复
    2. 谢谢!

      来自广东 回复
    3. Visio 应该可以

      回复
    4. 好的 谢谢

      来自广东 回复