【实战案例】如何从0到1设计增长项目？看这篇就够了
每一个产品功能、每一次营销活动所产生的转化都会伴随着流失，而这些流失也是企业的成本和潜力用户，我们可以通过一定的产品设计和精细化运营策略来进行多次挖掘用户价值。
在设计增长项目时，我们通常需要针对性地搭建一套对应的用户转化模型，当用户画像落到该模型下，就会自动触发相应的产品策略进行多次激励以达到最大转化的可能。本次聊聊设计增长活动的流程及如何搭建一套可持续优化的用户模型，欢迎大家一起讨论。
一、定义增长场景
本文以注册但从未下过单的用户为例，分享一下如何从0到1设计一场提升首单转化率为目的的增长方案设计流程（此次不展开讲解如何定义增长方向）。
二、搭建用户模型
1. 为什么要搭建用户模型？
通过搭建用户模型来设计产品方案，可以帮助我们获得以下几点：
- 建立同类型增长活动的投放人群用户画像；
- 可以沉淀用户画像和活动目标（成交转化率）的规律，定位高转化人群，（例如此次模型中的A+用户）进而可以不断优化和提升转化率；
- 可以沉淀投放人群（如本次注册未购买用户）通过活动投放转化为购买的周期规律，进而不断优化投放时间，提升转化率。
例如本次活动中可以沉淀的规律为：
- 从注册转化为购买的最佳营销时机、最近一次登录转化为购买的最佳营销时机。
- 可以基于用户画像，区分验证不同类型人群，对不同方案的敏感度和转化率。
2. 如何搭建用户模型
确定了业务目标和用户类型之后，接下来需要建立细化用户模型，比如用户的活跃度，购买力、渠道、注册时间等等各种维度，因为同样的活动策略下，不同活维度下的用户仍然可能对业务目标产生不同的影响，为了能找到各个因素与最终转化之间的关系，以便后续能针对性的进行优化。
所以我们需要根据实际业务属性搭建一套用户模型，并对该模型进行不断的优化，例如：对本次以注册未购买用户为目标用户，为了验证活跃度与最终转化的关系，我们准备搭建一套活跃度模型，流程如下：
（1） 模型参数设计
这里需要明确我们的用户及目标：
- 用户——注册未购买；
- 目标——首单转化率。
然后我们打算先以活跃度为初步模型方向，定义了活跃度的组成维度分别为登录次数、停留时长、近期是否登录这三个因素，具体如下（可以根据实际需求定义更多或不同的组成维度，因人而异，这里不做拓展）。
然后确定每项参数的评定规则（基于历史数据，选择合适的基线，不断优化调整），统计每个分类的用户人数，选择适当的投放人群。
是否需要在活跃度分类基础上叠加其他分组标签，如：获客时间、获客渠道……
分析用户的登陆后行为数据，如浏览页面、商品等（为下一步设置激励策划做准备）。
（2）模型方案设计
根据上面的参数设计模板，将对应的人数抓取后，可以进行模型的具体设计了,这里需要根据实际情况定义好每个维度的高/低标准，例如我们统计了这批用户的如下行为进而将登录次数≥2次定义为高，最近三个月有登录行为为高，停留时长≥20min的为高；由于不同的业务属性、数据表现会带来不同的判断标准，所以这里根据自身业务去定义合适的标准就好。
最后分别统计出模型中8个小组的用户数，用于复盘各个小组的用户画像对最终转化效果的衡量，进而为下一步优化做参考。
三、方案策划/实验设计
在方案策划阶段，我们可以从以下几个维度来梳理核心思路：
- 分析渠道数据，选定合适的投放渠道；
- 分析用户数据，选定合适的投放人群范围；
- 分析商品和激励投放数据，选定合适的投放激励策略；
- 分析漏斗数据，设计合适的用户转化引导路径；
另外我们可以通过数据分析、用户调研等方式梳理以下问题：
- 策略对象是谁？他可能对什么感兴趣？
- 可以提供那些优惠类型？那种最具有吸引力？
- 怎样设置优惠使用条件？及如何计算ROI？
- 是否需要设置优惠门槛？门槛如何设置？有效期怎样设置？优惠组合怎么设置？
- 不同的用户画像是否设置不同策略？
- 如何选择用户组？怎样得到假设验证？
- 不同策略的投放路径和内容？
- 投放渠道如何选择？投放内容如何展示？
其次可以根据实际的业务属性，进行数据上调查和分析：
- 目前有哪些销售占比较大的优惠类型？
- 分别含促销活动的首购订单占比；
- 首购订单优惠力度（优惠金额/订单金额）；
- 首购订单商品价格区间分布；
- 首购订单商品价格区间分布；
- 首购商品销量及对应单价（在售商品，按销量排序）；
- 注册未购买用户，注册时获得的优惠情况？
- 的优惠力度和核销情况如何？
- 不含促销活动的首购订单占比？
- 用户浏览过哪些页面/商品？
这里仍可以根据实际情况进行其他维度的整理，最后根据整理的数据结果，（也可以再增加用户调研、问卷调查等环节）来确定我们的增长方案。
（由于我们做的是跨境独立站电子商城，且我们国外的用户只有邮箱这一种触达手段 ）所以我们这次的活动方案是打算给这批目标用户以邮箱形式投放激活礼包，内含两张优惠券，引导访问商城并刺激下单。
（web商城）关于产品方案设计这块属于产品经理日常工作这里就不展开赘述了，此次主要分享关于增长项目设计的流程及部分细节。活动流程图关于产品方案设计部分属于产品经理需求落地的日常工作，这里就不展开赘述了，此次主要分享关于增长项目设计的流程及部分细节。
A/B实验设计A/B测试一般应用在下面四类需求上：
A/B实验设计的核心思路：
- 分析可设置a/b test的活动环节，合理排列优先级；
- 选择1-3组，设定可验证指标，完成参照和对照组实验设计；
- 梳理满足实验可验证指标的数据采集需求。
实验环节设计在确定了活动业务流程之后，可以根据实际需求找出可做实验的流程节点。这里我们最终确定了先以邮件推送的优惠策略和活动落地页的商品推荐两个地方做AB测试实验，并设计了实验可验证指标，如下图：
顺便解释一下各类指标的含义：
- 直接效果指标：该实验影响的最直接的指标，用来决策实验是否符合预期，一个实验只能设置一个直接效果指标。
- 间接指标：实验影响的间接指标，可以有多个间接指标进行辅助性参考。
- 正向指标：实验有可能间接提升的指标。
- 负向指标：实验有可能导致下降的指标，视具体实验而定，不一定必须有该指标。
用户流量分配确定好在哪里做AB测试之后，要考虑流量如何分配的情况。流量分配有两种形式：
互斥分离法：——如果两个实验之间的结果存在互相干扰的情况，是建议用互斥分流法（当然也得流量数据足够的情况下）。
交叉分流法——如果两个实验之间的结果并不会存在相互干扰，可以使用交叉分流法（我们的项目就选择了交叉分流法）。
实验设计细节以该案例为例，最后我们确定的实验内容为两个：
第一，为了验证低客单价用户对本次活动的敏感度，我们打算其中一批用户多发放一张低门槛满减券，所以在触达用户的邮件内设置第一个A/B实验：
实验组：90-15、60-10、19-3三张满减券；
对照组：90-15、60-10 两张满减券。
第二，为了验证什么样的商品推荐策略对用户的最终转化影响大，我们打算在活动落地页设置第二个A/B实验：人工配置商品和基于用户行为的策略推荐产品：
实验组：个性化策略选品；
对照组：运营人工选品。
四、搭建指标体系
搭建数据指标体系的维度可以很多，也可以很深，主要目的是为了为以后优化做数据支撑，不同的业务形态，不同的方案设计都需要根据实际情况针对性的搭建指标体系。下面是我们本次搭建活动指标体系，参考以下四个维度：
1. 基于业务流程的漏斗转化
每个环节需要采集哪些基础数据、定义每个环节的转化指标及计算公式、每个环节的转化数据历史基线（如果有）。
2. 基于A/B test的实验数据
两个实验分别设定的直接指标和间接指标、直接和间接指标的计算公式。
3. 基于用户模型的行为数据
按用户分组统计用户行为基础数据、按用户分组统计每个环节的转化数据。
4. 基于活动日常的监控数据
单用户的用户行为基础数据、每个环节的小时/日趋势数据。
最后针对本次活动搭建了一套较为完善的数据指标体系。
小结：以上是一个增长项目的孵化流程，我们在策划一个项目的同时，除了要考虑项目本身如何实现，还要提前规划一下后期项目该如何优化，并提前做好相应的数据准备和搭建指标体系，这样我们才能地将一个项目通过数据驱动的形式，不断地深耕和优化，产生最大的项目价值。
本文作者 @产品经理的取经路
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！
