貿易化前夕：大大數據如何讓用戶更甘願答應掏錢？

產品發展到一定階段，商業化是不可回避的問題。跟投資者只談情懷不賺錢，多少有點耍流氓。

不過商業化這個命題太大，所以今天我們先來探討下，如何借助大數據能力，促進客戶付費，以下是項目上的一些思考。

一、前言

1. 前置背景：產品獲客之後，在轉化為付費用戶上遇到了挑戰，在這種的情況下，我們所做的一些嘗試和思考；

2. 適用對象：如果你也在思考，如何利用一些產品策略上轉化用戶，可以一起探討下，偏電商類產品；

3. 內容框架：分為三個部分，前期探索、暴露問題、解決思路。

二、前期探索

為了轉化用戶，我們在前期和算法同學，做了一些嘗試，步驟主要為：找到目標人群—-設計活動—-觸達用戶促進其轉化，以下還原了部分實操的過程。

1. 找目標人群

根據業務經驗，到數據庫中采集最可能轉化的高關聯維度客戶名單，創建白名單客戶標籤。比如：基於客戶社會基本屬性的，年齡、性別、地域等維度；基於客戶交易特徵的，是否持卡、是否有積分等

2. 設計活動

選出這類客戶可能喜歡的爆款，設計對應的專題活動或者找到時令活動，進行內容包裝

3. 找客戶觸點

進行客戶觸達，包括了app push、簡訊、微信後綴等管道

4. 分析數據

采集觸達人群名單，再追蹤該批人群在最近3天內的交易行為變化，分析出轉化漏鬥

三、暴露問題

咋一看，上面整體思路看起來問題不大，但在實操過程中，其實問題重重，主要體現為如下三點：

1. 人群找不準確

① 怕腦袋式，以業務經驗找到的單一維度人群，其實無法有效判斷用戶交易意向

② 人群劃分散亂，重疊性高，各行動小組無法區分，這其實就意味著無法有效管理、經營

2. 缺乏持續有效的轉化引擎

問題主要出在兩個方面：不可持續和有效性難以衡量

（1）持續性

① 采集數據找目標人群太慢：拍腦袋式找目標人群，每次篩選用戶，都需要大數據的同學采集一次。一方面人群名單是一次性，復用性低，另一方面，未能真正發揮算法同學專研模型

② 設計活動周期長：找到人群，策劃活動，設計頁面，活動上線，這樣的周期太長，時效性低，難以滿足

③ 手動觸達耗費時間：一次性活動觸達，每次活動對於經營的同學挑戰非常大，根本騰不出時間

（2）無法衡量有效性

① 每次觸達的活動散亂，類似遊擊戰，無法持續觀察該策略是否有效

② 缺乏實驗性思維：未能形成整體的轉化監控指標，觸達活動沒有留出對照組。

3. 數據分析困難

每個活動分析都需要采集數據，分析時效性無法保證；各層級數據分屬於不同系統，底層數據表未能進行關聯。

四、解決思路

前面做的一系列嘗試和暴露的問題，為我們接下來確定思路提供很好的基礎。我們回到本文主題，我們是怎麼借助大數據的能力，讓用戶更容易成為我們的付費客戶的？

在這里核心思路是：用更少時間找最易轉化的客戶拿最適合的offer觸動客戶。

offer是什麼？在這里解釋下，我們定義的範圍是包括了：功能性的產品優勢（即為產品的虛擬價值）和讓利型的爆款活動（折扣、新戶禮包、爆款商品）。

那具體的操作思路是如何呢？且看一步步分解。

1. 找出自身優勢

很多時候，一個產品（平台）的自身優勢都是自己包裝出去的，但在市場/用戶端的反饋，是否真實如此？新戶為什麼選擇了你的平台？

為了了解這個問題，我們做了兩個事情：

① 拉去過去一年，新戶首次轉化的訂單數據：從數據中分析用戶轉化背後決策邏輯，得到的結果是比較明顯的，X%用戶是為了A，X%用戶是為了B….具體的數據，我就不展開出來了。

② 調研用戶：對平台的認知和第一次在平台上購買的動機是什麼？

基於歷史海量數據和用戶調研，我們可以發現自身平台對用戶的吸引力哪些方面

2. 人群分層

用戶轉化項目是一個teamwork，包括了：算法、商務、經營、產品。前面所說，如果無法劃分用戶，團隊就會比較混亂，缺乏目標。這樣我們就無法很好經營用戶。這里面我們採取了四象限分層，用戶對平台認知和用戶偏好

高傾向：對平台產品有較高傾向度的人群，這個可以通過傾向模型進行篩選

高認知：認知是以這個用戶與平台的聯繫密切程度進行劃分的，比如說產品購買斷點客戶，就是對平台了解比較多的人群。對於剛註冊的新戶，那認知就非常低，需要先做認知教育。

人群劃分僅是第一步，第二步就是要找出每種分群的用戶體量，可以先從用戶認知上進行劃分，比如說：斷點客戶、app活躍客戶、app註冊用戶、微信關注用戶等，然後再設定各分層的轉化目標，每個行動小組認領任務。

3. 算法模型支撐

業務對於算法上面的要求，其實為：設定一個業務目標，比如說：最有可能購買A類產品的用戶（註：這里的A類產品一定是要結合自身產品的優勢進行設定的），然後算法同學會根據該業務目標進行建模，包括：問題建模（指標評估、樣本選擇、交叉驗證）、建特徵工程、選擇模型、模型融合，再到最後的模型驗證。

當然，上面是一個完整的建模過程，在實際應用中，都先是小步快跑。先用較為簡單的IV值預估，找出強關聯的客戶維度，給到業務方進行試用。

4. 深挖場景的自動化經營

這部分，筆者認為是最為關鍵的一環了。用戶轉化的過程一定是：在一定的觸發場景，通過習慣的行為路線，獲取所內容。在這里會分為三個部分：高頻場景挖掘、自動化策略支撐、策略執行。

（1）根據人群分層找高頻場景

① 了解用戶行為偏好。分為線上行為：活躍用戶在app上定期瀏覽某一頻道、某一個功能、搜某些內容；線下行為：基於lbs，了解用戶出現城市

② 了解該批用戶的交易偏好：知道的行為偏好，下一步要了解用戶的交易偏好，什麼才是他們喜歡的，需要投其所好。

（2）自動化經營策略

手工設定的push，耗時耗力，根本無法支撐客戶轉化的需求。因此，你可以結合新客戶轉化的重點場景、路線，設定一些自動化策略，比如如下：

① 客戶斷點自動化挽回策略：曾經瀏覽過/評論過/關注過/未使用券等等，都可以將該批客戶自動化采集出來，並進行定向召回，比如：最近3天瀏覽過某一款產品，可以給客戶一些利益點，然後進行觸達。

② 重點場景全鏈路埋伏策略：在用戶完成一個任務的前中後，進行轉化內容埋伏，當然優先針對高傾向客群進行觸達，切勿過度打擾。

③ 此外還有：客戶離線設置T+x日觸達策略、客戶沉默設置讓利策略等等

（3）策略執行

實驗設置對比維度可以為：管道、客群、offer。這里強調一點就是，一定要明確整個策略的目標，留出對照組，否則後面數據難有說服力和無法評判該策略是否該持續固化下來。

5. 數據分析

這一部分，重點是將各節點的數據打通，做到基於每一個實驗的可視化分析、對照。這有賴於平台自身的數據管理是否規範了，如果數據采集沒有規範，在很多情況下的分析還是很吃虧的。這里就不展開了，祝好~

整個過程中，大數據輔助業務找出自身優勢、建立模型找到高傾向客群以及在實驗數據分析上給到了較大的支撐，業務經營更趨向精細化。在用戶轉化上，也更加嚴謹和具有章法。

以上僅是一些階段性的思考，希望對你有幫助~

附全文思考腦圖：

作者：15年畢業於華南理工大學，有經營和產品經歷，現負責金融大數據產品：個性化推薦、意圖搜尋，AI智能客服。個人微信公眾號：大雄背起行囊。

題圖來自Unsplash，基於CC0協議