用户增长框架与实战(1):构建用户增长策略的基础:KPI拆解

近些年用户增长的定义逐渐模糊,有时归属流量运营了。很多业务把用增需要的职能部门整合成一个团队,例如独立一套运营 产品 技术 算法,就期望能起到业务增长的作用。可能实际工作内容更多是日常流程化管理。我所讲的用户增长,是对整个业务有显著增量的方法论。别人对我的总结属于突破型策略。最后一个业务的结果:

用户增长框架与实战(1):构建用户增长策略的基础:KPI拆解

一、前言

内容非常简单明了,甚至你会诧异,这么基础的东西都没人做?是的,我提到的绝大部分策略都是我第一个落地。由于我任职过的公司都很出色了,那么我相信大部分公司也是这种状态。因为绝大部分人只能模糊的理解一个概念的表面,平时经常讨论,包括合作的媒体,画的概念图天花乱坠,但逻辑无法自洽。也可能你的公司有类似的中台产品,但可惜没人理解本质,也就没发挥多大作用,且在大公司业务中几乎没有落地可能性了。

我都是按照头部平台型电商用户增长的经验论述的。非电商业务区别不大,稍微改造一下即可复用。对中型业务有一定帮助,可能不太适合小型业务,但一些分析思路说不定对你有所启发。整个过程可能看起来很简单明确,但如果对业务价值,底层逻辑理解不够的话,很可能我讲的方法对你帮助不大。

听到过新人抱怨公司很多条件都不具备,无法正常开展工作。我必须劝一劝新人,那基本是因为你没有起到关键作用,没有充分理解业务。办法一定是有的。我利用公司内部产品X做了大约300-500项数据分析,别人都不知道我哪里得到的。连X的产品经理都不知道能这么用。当你做出成绩,其他团队会立即抱团支持你。

本人跟行业同僚基本没有交流。都是自己闷头分析数据、梳理逻辑、构建框架、上线测试并借助算法团队的能力逐步扩大规模直到推全。话术可能不统一,希望各位帮忙纠正。就像高中时候拿了北京市区级一等奖,一堆人围过来问我在哪个论坛交流的,我当时甚至不知道论坛是什么。

二、构建用户增长策略的基础:KPI拆解

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。

先说清我的engagement定义(简称E),就是关键行为的次数和权重。例如关键动作:注册,领取代金券,完成新手指导。这些对LTV的影响是巨大的。也包括各种重要动作:关注一个KOL,对话一个商家,游戏中建立好友关系。这些对LTV的影响是细微但是可以持续增长的。

每个业务根据自身数据都可计算出E权重,比如注册是10分,关注可能就是0.1分。那么运营的关键过程指标可以归纳为CPE,cost per engagement score。其中cost包含自有流量(organic)的价值。某些业务把自有流量当作免费,这是个误区。

我们拆解为用户的特征数据和行为数据两大类。不仅有助于理清现状,找到第一个突破口,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。

1. 用户特征数据

特征数据帮助我们理解用户的背景和持久属性,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。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。

举例,某国家城市->效率分布

用户增长框架与实战(1):构建用户增长策略的基础:KPI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(1):构建用户增长策略的基础:KPI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(1):构建用户增长策略的基础:KPI拆解

2. 用户行为数据

行为数据则反映了用户与产品的互动,如浏览、点击、购买等约15-20种。统计口径需要session内和近期(可暂定最近10天)。这些信息不仅可以用来预测转化概率,还能追踪用户的实时兴趣和偏好变化,从而优化产品和内容推荐。

【todo:session内加购行为到转化分布图】

【todo:最近10天购物次数到转化分布图】

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。

如何找到主线?把用户特征数据分布的方差倒叙排,同时考虑运营的可操作性,基本可以得出。可操作性对于付费渠道来说,可以定期重新分配预算。例如把TOP50的城市,创建50个campaign,媒体几乎都支持到城市级别的定向投放。我们可以每周甚至每日重新评估CPT(cost per target),把预算分配到价值洼地。

运营可操作性举例(每个业务差异度很大,要学会举一反三。):

  • 主线维度可以在campaign级别对预算降权。【todo:自有流量运营方法。】
  • 地理位置,常见为城市。基于城市的内容偏好策略,差异度可以到50%。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。)

我实际落地过程中,先用“类目偏好”作为主干,随后升级为“不可逆人生状态”的用户画像,及性别 婚姻状况。所以我最终的主干是这样,用户量更大的业务还可以继续细分,暂不赘述:

  • 0-6岁婴幼儿的母亲
  • 7-18岁孩子的母亲(有条件的话先拆这里)
  • 未孕育女性
  • 父亲
  • 非父男性
  • 无法识别

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,你会采用类似session的口径。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CEO看的目标都定错了,团队努力的结果只能是随机的。

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部