用户增长框架与实战(1):构建用户增长策略的基础:KPI拆解

1 评论 1989 浏览 10 收藏 11 分钟

本篇文章对用户增长进行了简单的讲解,对用户增长进行了介绍,并且讲解了从KPI拆解的方法上构建用户增长策略的基础。让我们来看看吧~

咱们讨论的前提是公司目标已经定义清楚,无论是付费用户规模,订单规模,还是GMV,明确即可。用增的第一步是对流量到目标进行各个维度用户数据的拆解和分布。

一、关键行为

用户行为反映了用户与产品的互动,如浏览、点击、购买等。关键行为(Engagement,简称E),是指可以通过数据证明与转化率高度相关的用户行为。大部分E的值是连续的。例如对于电商业务,加购n次虽然暂时还未在窗口期内转化,但可视为完成了F(n)的目标。

需要注意边际收益一般是递减的,有的维度甚至递减非常快。具体是什么,我先卖个关子,你看看自己的业务里是否有这样的数据:

非电商也一样,比如游戏用户完成了一个小任务,虽然还未付费,但可视为完成了一部分结果。

把所有E1,E2,E3…的折算率累计=∑(En),则可视为过程目标。便于团队内的绩效评估和资源的协调。

todo:LTV相关性

二、关键特征

关键特征,是指通过计算目标完成效率,能看到明显差异的用户数据维度,且在短期内value不变,一般是非连续的。例如地理位置、性别、婚姻、家庭成员、设备、电信运营商等约10-15种。大多以最新状态为准即可。

举例,某国家城市->效率分布

用户增长框架与实战part1 构建用户增长策略的基础:KPI到用户数据的拆解

从人口的分布可以看出,数据分布的规律。若再如果把地图打开,还可以发现一般沿海城市自带港口、或者距离港口型城市较劲的地区,效果也不错。(沿海只是一个例子,需要举一反三。)

举例,某国家电信运营商->效率分布

用户增长框架与实战part1 构建用户增长策略的基础:KPI到用户数据的拆解

按一般经验,比如上面城市级数据,人口数量大的往往效果也不错,但这个维度会告诉你不一定。刚好这个最大运营商的用户特征不太与业务的供给侧匹配。

如果有专业数据团队配合,还需要做数据校验。例如注册手机号做散列分10组的话,两组效率应该几乎是一样的,任何一个维度都可。

用户增长框架与实战part1 构建用户增长策略的基础:KPI到用户数据的拆解

反例

简单利用一部分行为数据来定义用户数据拆解逻辑,例如历史记录中,一共有多少次付费行为。最近N天的多少天访问过APP。最近N天的多少天有付费行为。超出M天无购物行为。超出N天无访问行为。我个人粗浅理解,这属于刻舟求剑,因为日常运营行为直接干预了某些数据。关键是这些数据和最终目标并无因果关系,对用增团队来说也并没有可操作性。

三、关键特征的应用

这些数据对于划分用户群体、定制创意、以及预测用户需求至关重要。关键特征可以迅速盘点当前资源分配上不均衡的地方(可以简单的用标准方差来计算),最不均衡的维度,一般是第一个突破口,还可帮助指定完整的增长策略,和每个具体方向的抓手,也为后续内容优化提供了基础。

比如对于电商业以订单量(而非GMV)为目标,那么地理位置、行业的差异会比较明显。性别、年龄、设备等较弱。资源按照差异最大维度的分布重新分配,就可以快速出结果了。接下来是每个维度的运营策略。每个业务差异度很大,要学会举一反三。

  • 地理位置,常见为城市。基于城市的内容偏好策略,商品、内容差异度甚至可以到80%。对电商来说还需要考虑物流的可用性和效率。
  • 设备、运营商。针对性的服务。例如充值、回收、贴膜、使用技巧的内容。
  • 性别、婚姻状况。内容偏好策略,差异度甚至可以到90%。
  • 年纪这个维度上也呈现出非常明确的信号。我们的业务能让某些年龄段用户更满意。换句话说,就是对某些年龄段服务不够好。我判断是特定年龄的内容供给不足,且推荐算法有问题。
  • 行业类目的偏好,可横向比较的类目,如果有较大效率差异,先看看供给侧是否有缺失,很可能缺少关键商品/内容。再看看流量侧是否有较大差异,假设体量相似,流量成本是否相差较大。若A整体不如B,且A的流量成本更低,转化过程区别不大的话,很可能供给侧出了问题。我们虽然不能在短期解决供给,但可以控制资源的分配。

服务策略的一些数据分析结果(为了让大家理解,列举了很多例子,其实我基本就用了两条算法逻辑。):

  • 地理位置的行为惯性概率可以到90%+。(这个是为了应对合作团队的挑战:你怎么知道你说的是对的,难道用户就不能xxx么。)
  • 当用户的APP与最新版相隔N个版本号,转化的概率大大降低。我推断是跟用户忠诚度相关。
  • 某国家头部运营商的用户,转化率明显低于其他运营商。很可能是这类用户的消费能力和我们的业务不匹配。
  • 类目偏好,可以明显看出用户的转化率和留存率的分布差异。只需一小部分数据即可提前判断用户LTV。
  • 类目偏好这个维度也极大影响内容偏好。一个最经典案例,如果已知用户对假发有需求,推送染发剂的成功率居然大于推送美妆用品。相信聪明的同学可以自行挖掘出原因。
  • 想再说一下设备,可能旗舰级机型之间相似度更高,而不是按品牌划分。
  • 女性可以给男性买快时尚产品。但反过来不行。快时尚比如男装男包,最多甚至50%买家是女性。这个和我在商场中观察的流量现象一致,Zara在大部分商场布局是1层女装2层男装。暂不讨论3层童装。1层购物的都是女性,但是2层也能经常看到女性认真挑选商品。
  • 女性一旦有了孩子, 对时尚和美妆类,也就是花在自己身上的钱大大降低,需求向孩子和家庭倾斜,厨房、清洁、家装、收纳。
  • 女孩的商品,基本都是妈妈买。男孩的产品是父亲买。
  • 通过对孩子的性别识别,可以反推这个国家或地区的生育率,和公开数据几乎一致。
  • 更深层数据分析,即刚需和改善型需求,还可以再次提升运营效率。时尚类刚需例如:服装,口红,粉底,腮红,高光(三件套)。改善型例如:眼影等高阶化妆品类,鞋,包,首饰,手表。随后展开。(devils in the details。某些业务只考虑供给侧分类,并不考虑需求侧分类。把原本刚需的产品,归类到改善型,例如发卡归到了fashion accessories。会让你得出甚至相反的结论。)

四、关于KPI的口径

一个基础但重要,且居然有人犯错的细节。

可能有的业务采用了宽归因口径,例如24小时甚至更粗。具体业务具体分析。

单说电商的话,session基本可以作为合适的口径,在这个基础上修改即可。但如果采用粗口径,会导致无论做什么,似乎都没什么用,甚至结果违反商业常识。

当你用自己的钱经营一个零售业务,且非常依赖渠道时,你会采用宽口径还是细口径呢?当渠道商期望用更粗颗粒度找你要佣金时,你会拒绝。为什么钱不从自己口袋出,就容易忘记呢?

如果目标定错了,团队努力的结果只能是随机的。

本文由 @达太 原创发布于人人都是产品经理。未经作者许可,禁止转载

题图来自Unsplash,基于CC0协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务

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. 没人评论么?欢迎提意见呀

    来自北京 回复