商业化前夜:大数据如何让用户更乐意掏钱

产品发展到一定阶段,商业化是不可回避的问题。跟投资者只谈情怀不挣钱,多少有点耍流氓。不过商业化这个命题太大,所以今天我们先来探讨下,如何借助大数据能力,促进客户付费,以下是项目上的一些思考。


一、前言

1、前置背景:产品获客之后,在转化为付费用户上遇到了挑战,在这种的情况下,我们所做的一些尝试和思考;

2、适用对象:如果你也在思考,如何利用一些产品策略上转化用户,可以一起探讨下,偏电商类产品;

3、内容框架:分为三个部分,前期探索、暴露问题、解决思路


二、前期探索

为了转化用户,我们在前期和算法同学,做了一些尝试,步骤主要为:找到目标人群----设计活动----触达用户促进其转化,以下还原了部分实操的过程。

1、找目标人群

根据业务经验,到数据库中采集最可能转化的高关联维度客户名单,创建白名单客户标签。比如:基于客户社会基本属性的,年龄、性别、地域等维度;基于客户交易特征的,是否持卡、是否有积分等

2、设计活动

选出这类客户可能喜欢的爆款,设计对应的专题活动或者找到时令活动,进行内容包装

3、找客户触点

进行客户触达,包括了app push、短信、微信后缀等渠道

4、分析数据

采集触达人群名单,再追踪该批人群在最近3天内的交易行为变化,分析出转化漏斗


三、暴露问题

咋一看,上面整体思路看起来问题不大,但在实操过程中,其实问题重重,主要体现为如下三点:

1、人群找不准确

① 怕脑袋式,以业务经验找到的单一维度人群,其实无法有效判断用户交易意向

② 人群划分散乱,重叠性高,各行动小组无法区分,这其实就意味着无法有效管理、经营

2、缺乏持续有效的转化引擎

问题主要出在两个方面:不可持续和有效性难以衡量

2.1  持续性

① 采集数据找目标人群太慢:拍脑袋式找目标人群,每次筛选用户,都需要大数据的同学采集一次。一方面人群名单是一次性,复用性低,另一方面,未能真正发挥算法同学专研模型

② 设计活动周期长:找到人群,策划活动,设计页面,活动上线,这样的周期太长,时效性低,难以满足

③ 手动触达耗费时间:一次性活动触达,每次活动对于运营的同学挑战非常大,根本腾不出时间

2.2 无法衡量有效性

① 每次触达的活动散乱,类似游击战,无法持续观察该策略是否有效

② 缺乏实验性思维:未能形成整体的转化监控指标,触达活动没有留出对照组。

3、数据分析困难

每个活动分析都需要采集数据,分析时效性无法保证;各层级数据分属于不同系统,底层数据表未能进行关联。


四、解决思路

前面做的一系列尝试和暴露的问题,为我们接下来确定思路提供很好的基础。我们回到本文主题,我们是怎么借助大数据的能力,让用户更容易成为我们的付费客户的?

在这里核心思路是:用更少时间找最易转化的客户拿最适合的offer触动客户。

offer是什么?在这里解释下,我们定义的范围是包括了:功能性的产品优势(即为产品的虚拟价值)和让利型的爆款活动(折扣、新户礼包、爆款商品)。

那具体的操作思路是如何呢?且看一步步分解。

1、找出自身优势

很多时候,一个产品(平台)的自身优势都是自己包装出去的,但在市场/用户端的反馈,是否真实如此?新户为什么选择了你的平台?

为了了解这个问题,我们做了两个事情:

① 拉去过去一年,新户首次转化的订单数据:从数据中分析用户转化背后决策逻辑,得到的结果是比较明显的,X%用户是为了A,X%用户是为了B....具体的数据,我就不展开出来了。

② 调研用户:对平台的认知和第一次在平台上购买的动机是啥?

基于历史海量数据和用户调研,我们可以发现自身平台对用户的吸引力哪些方面


2、人群分层

用户转化项目是一个teamwork,包括了:算法、商务、运营、产品。前面所说,如果无法划分用户,团队就会比较混乱,缺乏目标。这样我们就无法很好经营用户。这里面我们采取了四象限分层,用户对平台认知和用户偏好

高倾向:对平台产品有较高倾向度的人群,这个可以通过倾向模型进行筛选

高认知:认知是以这个用户与平台的联系密切程度进行划分的,比如说产品购买断点客户,就是对平台了解比较多的人群。对于刚注册的新户,那认知就非常低,需要先做认知教育。


人群划分仅是第一步,第二步就是要找出每种分群的用户体量,可以先从用户认知上进行划分,比如说:断点客户、app活跃客户、app注册用户、微信关注用户等,然后再设定各分层的转化目标,每个行动小组认领任务。


3、算法模型支撑

业务对于算法上面的要求,其实为:设定一个业务目标,比如说:最有可能购买A类产品的用户(注:这里的A类产品一定是要结合自身产品的优势进行设定的),然后算法同学会根据该业务目标进行建模,包括:问题建模(指标评估、样本选择、交叉验证)、建特征工程、选择模型、模型融合,再到最后的模型验证。

当然,上面是一个完整的建模过程,在实际应用中,都先是小步快跑。先用较为简单的IV值预估,找出强关联的客户维度,给到业务方进行试用。


4、深挖场景的自动化经营

这部分,笔者认为是最为关键的一环了。用户转化的过程一定是:在一定的触发场景,通过习惯的行为路线,获取所内容。在这里会分为三个部分:高频场景挖掘、自动化策略支撑、策略执行。

4.1 根据人群分层找高频场景

① 了解用户行为偏好。分为线上行为:活跃用户在app上定期浏览某一频道、某一个功能、搜某些内容;线下行为:基于lbs,了解用户出现城市

② 了解该批用户的交易偏好:知道的行为偏好,下一步要了解用户的交易偏好,什么才是他们喜欢的,需要投其所好。

4.2 自动化经营策略

手工设定的push,耗时耗力,根本无法支撑客户转化的需求。因此,你可以结合新客户转化的重点场景、路线,设定一些自动化策略,比如如下:

① 客户断点自动化挽回策略:曾经浏览过/评论过/关注过/未使用券等等,都可以将该批客户自动化采集出来,并进行定向召回,比如:最近3天浏览过某一款产品,可以给客户一些利益点,然后进行触达。

② 重点场景全链路埋伏策略:在用户完成一个任务的前中后,进行转化内容埋伏,当然优先针对高倾向客群进行触达,切勿过度打扰。

③ 此外还有:客户离线设置T+x日触达策略、客户沉默设置让利策略等等

4.3 策略执行

实验设置对比维度可以为:渠道、客群、offer。这里强调一点就是,一定要明确整个策略的目标,留出对照组,否则后面数据难有说服力和无法评判该策略是否该持续固化下来。


5、数据分析

这一部分,重点是将各节点的数据打通,实现基于每一个实验的可视化分析、对照。这有赖于平台自身的数据管理是否规范了,如果数据采集没有规范,在很多情况下的分析还是很吃亏的。这里就不展开了,祝好~

整个过程中,大数据辅助业务找出自身优势、建立模型找到高倾向客群以及在实验数据分析上给到了较大的支撑,业务经营更趋向精细化。在用户转化上,也更加严谨和具有章法。

以上仅是一些阶段性的思考,希望对你有帮助~


作者:15年毕业于华南理工大学,有运营和产品经历,现负责金融大数据产品:个性化推荐、意图搜索,AI智能客服。个人微信公众号:大雄背起行囊。


你可能喜欢

一、行研用研

05:1张脑图,系统整理AI入门进阶指南

08:看了50+竞品分析,我总结出5个常见问题和1套方法论

09系统思考:DT时代,业务产品经理的解题思路

二、产品规划

04:一条公式,让你掌握3位10年+大牛的产品管理精髓

02:方法论:写好一份产品需求的系统化思考模型

05:上瘾模型:精心设计的荣耀

三、软实力

03:职场技能:做了这么久的产品,为什么你连一篇会议纪要都写不好?

四、技术知识

07:腾讯前端:产品如何用浏览器DevTools提升工作效率

五、数据分析

10:3分钟6个问题,数据埋点少交50%认知税