精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

“拉新,是各个行业、各个用户增长策略中的第一个环节。”

在用户增长的方法论中,有很多用户增长模型。比如现在用得比较多的AARRR模型,另外还有用户生命周期模型等等。无论哪种模型,关于用户增长的第一步,都不约而同地指向了:拉新。今天分享一下新用户获取的思路和方法。

一、项目的背景

提到用户拉新,大家都不陌生。

但是,不同行业、不同主体,面临的拉新场景还是有比较大差异的。像平台的拉新(例如淘宝),关注的是如何将更多的潜在用户转化成淘宝用户;而淘宝公司里的类目运营人员,关注的是如何将更多的用户转化成我负责的类目用户;平台上的商家关注的是,如何将更多用户转化成我的店铺用户。

不同人站在不同视角,想完成的“拉新”其实是有比较大差异的。

今天我们主要分享的场景,是以电商平台为例,看平台上的品牌或者卖家该如何进行拉新操作。

二、拉新方向及市场分析

目前市面上大部分讲拉新的文章,都是围绕着拉新渠道、拉新手段进行展开的。其实,在真正执行拉新相关的操作前,应该首先看清,具体拉新的方向是啥。

1. 具体的拉新方向

对于一个电商平台的品牌(我们以小米手机为例)而言,拉新方向主要包括以下:

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

  • 品牌用户迁移:这是离品牌用户最近的转化渠道。即将同品牌下其他类目的购买用户迁移到目标产品的购买。比如想完成小米手机的拉新,可以从小米家电的购买用户中获得。同品牌用户心智中对品牌是有认知的,关联品类的迁移比较容易。
  • 竞品老客争夺:当本品牌用户无法完成迁移或者迁移空间不大时,可以考虑从竞品的用户中进行争夺。竞品用户是对该品类有需求的,本品牌可以利用自己的品牌优势,完成竞品用户的迁移。
  • 品类新客拦截:当竞品老客难以迁移,或者耐消品行业导致用户的复购周期过长时,可以关注品类新客的拦截。即第一次在电商平台购买本品类的用户。
  • 跨品类拉新:跨品类拉新指的是从相关品类的用户中进行营销触达,使得相关品类用户转化为本品用户。比如从速溶咖啡消费者中转移到咖啡豆消费者。
  • 跨行业拉新:跨行业拉新相比跨品类拉新,品类相关性更弱一些。比如从家电用户转移到家具。

2. 评估各拉新方向市场规模

针对不同的拉新方向,首要步骤就是评估各个拉新方向上,具体的市场规模有多大、拉新转化的可能性有多大。如下图:

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

这里使用的关键指标是迁移率(或者转化率)以及市场规模。

  • 迁移率:衡量从该方向的用户中转移到目标品牌类目的难易程度;
  • 市场规模:衡量该方向拉新的潜在用户数量。

两个指标共同分析,可以有效衡量各个方向是否能完成拉新、以及该从哪个方向进行拉新。

3. 跨品类、跨行业渗透

如何完成跨品类、跨行业的拉新渗透呢?主要通过以下两个方面进行分析衡量。

1)品牌新客的跨品类偏好分析

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

通过该分析,可以了解本品牌新客到底对哪些品类更偏好,有助于跨品类的选取。

2)本品牌在跨品类渗透分析

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

4. 品牌竞品渗透

如何进行品牌竞品的渗透?主要是流入流出分析和竞夺力分析。关于流入流出分析,详情可以参考之前文章的《竞品流入流出分析》。

1)竞品的流入流出分析

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

2)竞夺力分析

具体的分析内容可以参考下图:

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

三、拉新的4W分析

了解了哪些方向的拉新更有市场、更容易转化。那具体该如何拉新呢?我们通过4W进行分析。

1. 拉新节奏分析:WHEN

我们应该什么节点进行拉新效果更好呢?

首先,根据新客的体量与占比确定拉新效果较高的节点。

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

其次,根据不同时期新客在后期复购情况评估新客质量。

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

2. 拉新目标分析:WHO

我们应该具体针对哪些用户群进行拉新呢?可以进行以下的用户分析:

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

3. 拉新产品分析:WHAT

具体针对品牌的哪个产品拉新效果更好呢?可以进行品牌新客的产品偏好分析:

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

4. 拉新触点分析:WHERE

最后一步就是在什么触点进行用户触达效果更好?

关于触点的分析,详情可以参考之前的文章《用户触点分析》。

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

精准拉新:新客获取难?谈谈站内用户的拉新思路及数据分析

关于如何进行站内用户的拉新分析,今天就先分享这些,欢迎继续关注!

 

本文作者 @首席数据科学家 。

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!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部