精细化用户增长案例:如果通过优惠券实现用户增长

进入存量时期后,用户增长成了所有人关心的话题;而在零售业中,为了达成用户增长的效果,我们可以通过优惠券的方式来实现。具体的方法见正文哦~

精细化用户增长案例:如果通过优惠券实现用户增长

优惠券谁不喜欢,能省钱啊,谁和钱有仇,省一分是一分。今天聊一下用户分层分群下的红包发放策略。

一、新用户

牵手礼,美好的邂逅怎能不俗气点,既然来了就领点优惠券吧。如下图京东优惠券为例:

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

(图片来自网络)

优惠券种类统计和分析如下图:

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

知识点:

  1. 第一次总是羞涩的,成本总是高的,总是谨慎的。所以使用率最高的小额破冰红包给出了15%的成本,随着客单价的提升优惠额度也是少了很多,当然这些红包可能会用在第2345次支付中。
  2. 服饰单品的优惠券优惠力度最多为21%,有可能是品类大促,也有可能是根据用户画像猜测用户喜好。
  3. 600减30和600减35猜测600是客单价中比较集中的一档,第一次达到这个客单价奖励比较高第二次达到后优惠会减少。
  4. 300减15和350减10猜测300是一个集中客单价区域第一次达到奖励会大一些,350-400之间是相当集中的,不费吹灰之力就能达到,随意没必要浪费太多营销费用。(没有太多数据确实很难猜测)。
  5. 400减12和450减25客单价提升了50成本却增加了一倍多,可能这个阶段的客单价是一个瓶颈,需要大力度促销提升。

实战中的数据分析

建立如下的漏斗分析模型:

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

策略优化思路:

1. 注册1170人,只有255人领取了优惠券,问题出在哪里,假设如下:

(1)产品BUG:新人红包礼窗口没有弹出,按照APP、小程序、机型、版本等分析数据,找出问题,解决掉BUG。

(2)产品逻辑:用户关闭红包窗口后是特定时间内没有重新弹出,分析用户主动关闭红包窗口的数据是否支持,若支持则优化2、3、4等多次弹出策略及频次。

2. 247人加入了购物车只有10人提交了订单,转化率很低:

(1)打铁趁热,必须快速让用户成交第一单,不然流失率很高。

(2)分析用户加入购物车商品是什么、有多少个、还浏览了那些品类。

(3)推送精准红包,促进用户支付。

(4)推送可供对比的商品,帮助用户对比,促进用户支付。

(5)push推送,提醒用户支付,设定时间限制。

(6)推送周边产品,制定拼单活动,提供优惠。

(7)提交订单又可以拆分出更细的漏斗,选择支付方式,填写地址,验证短信等,是否有产品问题?

以上策略及分析比较简单,只是提供一种思路,具体工作当中要分析大量的数据更复杂的数据,找出问题所在并解决掉。

新手礼可以依据渠道、兴趣选择、地区、性别、行为数据等通过数据制定模块化的前后台产品策略流程,建立起人工智能的数据中台,AI代替人工,运营小伙伴慌得一批,哈哈哈。不过这肯定是未来,一个人分析数据调参数 ,一个人策划具体的活动足够了。阿里的鲁班除了撸能做活动了怎么办?

二、激活用户

定义:某段时间内购买1-5次的用户。5次这个数依具体产品及实际情况变化而变化,就是用户处在不稳定留存状态下的那个阶段,只要在某段时间内达到了某一个魔法数字留存率会提高很多。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

如图所示,这是支付小于5次一个用户的分布状态,分层分类制定发放策略。

  1. 清空购物车的优惠券,特定时间支付立减。
  2. 依托浏览数据的发放优惠券,品类、单品、满减等。
  3. 连续购买返现金优惠券
  4. 回归大礼包
  5. 爆款优惠券

三、忠诚用户

以RFM对用户进行分类,选取3673000条用户数据,统计出各指标的分布情况。

频次:分布图如下。频次主要集中在三个区间范围内,选取5-10次、11-16次、17-22次三个区间。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

金额:分布图如下。金额主要集中在6000-1100、12000-1700、18000-25000三个区间。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

间隔:分布图如下。11-18天、19-24天、25-30天。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

因此,按照下图分类,把用户三个维度打出标签来。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

则用户可以分为3*3*3=27种组合,如果划分5个档次就有5*5*5=125种组合,为了讲解方便,那么我们罗列一下2*2*2=8种组合的分布数列如下:

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

策略:

1类用户:产品的核心价值,给与特殊权利下的优待红包,比如核心用户专享超大金额,高级会员红包大礼物,总之就是一定要留住他们。

2类用户:频次有些低,那就给与连续购买奖励红包,发红包的频次提高,促使其交易频次提高。

……以此类推,然后在每一类用户当中可以依据用户属性数据和行为数据在进行细分,这样优惠券的发放会更精准更高效。

四、衰落用户

衰落用户是我自己的定义,因为里面常常包含两部分沉默用户+流失用户。俗话说的好,不在沉默中爆发就在沉默中灭亡,但是用户爆发的概率太小了,既然沉默了那再不采取办法最终还是会走向灭亡的。

1. 流失原因

(1)客户主动流失——客户主动地改变了当前的行为模式,比如浏览次数下降、交易下降等;

(2)客户被动流失 ——被产品伤害到了,比如流失前有过投诉、有过退货等。

2. 流失程度

(1)完全流失——用户发生关闭所有与企业服务相关帐户和交易等不可恢复或者很难恢复的行为;

(2)部分流失——用户例如在产品使用场景下用户使用频率突降了60%等等。

3. 流失去向

(1)外部——用户去了其它竞争对手;

(2)内部——用户还在只是降低了使用度,有可能是用户生活方式改变了也有可能是用户正在共用其他竞品。

可见,对于流失的理解可以是多方位的,需要结合具体的场景和需求。这里我们只简化考虑用户在某项业务主动部分流失的情况。

沉默和流失之间会有一个临界点,怎么分析出这个临界点?

我们锁定一批用户,观察其在后续业务使用方面的持续沉默天数,滚动考察用户持续沉默环比。我们发现,当用户在该业务持续沉默天数超过两周后,持续沉默环比高于X%且后续趋势平稳。因此我们发现了14这个数字,也就是14天很有可能是沉默与流失的临界点。

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

(来源于网络)

所以我们策略的临界点以及预警点就在14这个魔法数字上。

流失用户的召回核心考虑的还是一个成本问题,如果召回的成本高于拉新了,那我们为什么不拉新呢?

按照用户生命周期贡献价值来分配召回用户成本:

召回成本=用户生命周期贡献价值-市场成本-运营成本

据行业数据统计,获取一个新用户的成本是维护老用户成本的5倍,换而言之,维护老用户的成本是新用户的1/5,这是成本下限。

根据流失用户的流失时长,一些流失时间比较长的用户,换种思路其实就等于新增用户,所以上限成本等于新增用户的获客成本。假设新增成本为20元一个则召回成本为4<X<20。

召回体系的增长实验开始前的成本区间初步定下来了,至于在区间内多少钱合理,在召回率和成本之间如何平衡,根据后期实验和复盘分析不断改进完善,找到召回最优成本:

精细化用户增长案例:高频低客单快决策下的零售优惠券发放策略

五、总结

优惠券、红包体系在交易类的产品中是一个很重的模块,怎么发放最重要的其实就是考虑成本问题和转化率问题。

在这个流量越来越贵,越来越集中的后红利时代,大家都是练内功的时候,不要总想着哪里还有流量洼地,哪里还能偷偷搞点流量来,注重留存才是王道,所以现在用户运营的人越来越来越值钱,各大公司都在寻找精细化运营的高手。

本文中涉及到了用户分层分群、用户生命周期价值、留存率、漏斗模型、分布分析等概念,每个概念都可以拿出来讲很多案例,希望小伙伴们多多系统性地学习,不同的产品不同的用户会遇到不同的问题,问题千奇百怪,但是方法论是不会过时的。

作者:白高粱;公众号:白高粱

本文由用户@青峰侠发布于新媒体运营,未经许可,禁止转载。

题图来自Unsplash,基于CC0协议。

本文由 新媒体运营 作者:青峰侠 发表,其版权均为 新媒体运营 所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持。如需转载,请注明文章来源。
2

发表评论