用戶增長：智能促銷/補貼策略全案

電商行業充斥著大大小小的促銷活動，各大APP也常常上演補貼大戰，在開疆辟土階段，砸錢讓利招攬用戶的法子自然最為好使，但當形成一定規模之后，瘋狂補貼的模式是否仍然高效？個性化的運營策略是否有必要？活動的真實效果到底如何？

為順應用戶增長、運營和效率提升的需求，結合個人之前的實踐方法，在此以電商行業的促銷為例構建策略如下：

確定主要目標用戶

首先，可以通過用戶生命周期概覽，確定當前階段應重點運營的用戶，作為主要目標用戶。

目前行業通用的用戶生命周期模型把用戶分為五個階段，即“新手階段”、“成長階段”、“沉默階段”、“流失階段”和“忠誠用戶”。

說到增長，前期拉新當然很重要，但是增長的終極目標還是希望忠誠用戶或者超級用戶越多越好，那么就需要針對各個階段的用戶進行刺激和引導，提高留存率，增強用戶粘性，將他們轉變為忠誠用戶。

通過用戶概覽，可以了解當前的用戶數量分布，例如以下圖的展示形式，我們除了可以了解到各階段用戶的數量和環比之外，還可以看到每個階段的用戶轉化比例，如果成長階段的用戶數量下降，可能是因為有很多成長用戶轉變為了成熟用戶，那么針對成長用戶的策略說明是卓有成效的，接下來我們應該著力于引導新手轉化為成長用戶，或嘗試更多拉新工作，擴大底層用戶量級。

除此以外，如果將沉默或流失用戶的定義進行細化，可以發現每個階段都存在用戶的直接流失或沉默，因此在具體策略上需要區別對待。

通過用戶概覽，我們可以確定當前階段應重點運營的用戶，接下來，自當進一步研究該類用戶的偏好，從而針對性采用增長策略。

識別用戶關注的特征

通過上一步，我們確定了主要運營對象，如“成長用戶”，那么接下來，需要了解該階段用戶的關注因素，從而確定我們應該采用什么樣的商品促銷或是補貼。

對電商行業而言，促銷最終都是落到商品上，因此我們可以通過研究用戶的瀏覽行為，來識別用戶最關注的商品特征。

1. 用戶跳轉比率

首先，我們按照時間段將用戶最近的瀏覽行為切分為不同的切片，如session或者每30分鐘的瀏覽行為作為一個切片，然后統計每一個時間段切片下用戶瀏覽各個商品的次數。

接著，我們可以計算出每兩個時間段之間，各個商品的跳轉比率，例如，用戶只有兩個時間段下的行為數據，在時間段1下，用戶瀏覽A商品8次，瀏覽B商品12次，而在時間段2下，用戶瀏覽B商品6次，瀏覽C商品4次。

那么，可計算跳轉比率（Transfer_Ratio）如下：

為了簡化，此處只統計了一個用戶兩個時間段下的跳轉行為，因此跳轉比率正好是在時間段2下各商品的pv占比。我們拓展到全部成長用戶所有時間段下的跳轉行為，就能得到對于所有成長用戶而言，任意兩個商品之間的跳轉比率。

之所以這里按照時間段進行切分，是因為用戶的瀏覽行為存在很大不確定性，可能受到廣告、資源位等多種因素的影響。但我們認為，在某一段時間內的總pv數能反映出用戶的關注度，就好比是把每個時間段都看成了一個“訂單”，用戶第一單買了8個A商品和12個B商品，第二單買了6個B商品和4個C商品，我們通過分析用戶兩單的差異，來判斷用戶對于各個商品偏好程度的改變，而綜合所有用戶的所有“訂單”得到的跳轉比率，可以用來識別各個商品之間的替代概率。

2. 影響跳轉的關鍵特征

有了跳轉比率后，我們可以了解到商品之間的替代關系，那么商品之間為什么會存在這樣的替代關系呢？用戶為什么會從一個商品跳到另一個商品？這些商品存在什么樣的特征呢？

為此，我們構建了一套完整的算法模型，由于涉及到機器學習的相關內容，較為復雜，這里重點只分享核心原理。

首先，我們將商品拆解為各種屬性特征，如果商品在某個特征上相同，則記為1，不同則記為0，構建特征異同-跳轉比率表如下：

接著，以特征異同為自變量，以跳轉比率為因變量，基于機器學習算法，可以擬合出預測模型，即最終可以通過一組商品的特征異同，來預測出跳轉比率。

最后，基于控制變量的思想，我們要看某一個特征的重要性，那么，可以在其他特征異同值不變的情況下，將該特征取相反的值，來看跳轉比率的變化情況。

例如：我們要看顏色的重要性，那么其他特征異同值不變，只改變顏色的值可得：AB（1，0，1)，代入預測模型，發現跳轉比率由原來的18%升為了50%，對于其他商品組也有相似的結果，因此說明顏色在用戶瀏覽跳轉過程中起到了關鍵的作用。

以此類推，最終可以得到各個特征的重要性排序：性能、顏色、大小。

驗證瀏覽購買一致性

僅僅識別出影響成長階段用戶跳轉的特征還不夠，最后的目的還是要刺激用戶產生購買行為，那么用戶的瀏覽行為與購買行為之間是否存在著必然的聯系呢？

為此，我們需要驗證用戶瀏覽時最關注的特征與所購商品特征的一致性，以防一些關注度很高的特征只能博人眼球，卻不代表用戶真實偏好，無法促成購買轉化。

根據上一步的方法可得每個用戶在任意兩個商品之間的跳轉pv（transfer_pv），那么，按照屬性進行匯總計算，可以得到同一特征下，任意兩個特征值之間的跳轉pv。

如對于顏色這一特征而言，可分別計算得出 紅色->藍色 、白色->藍色 和 藍色->紅色、藍色->白色 的跳轉pv，將跳轉至藍色的跳轉pv和從藍色跳轉出的pv作差可得藍色的凈跳轉pv。

為驗證一致性，我們取已購用戶所購商品特征來對比觀察：

根據數據所示，最終購買某一顏色商品的用戶，瀏覽相應顏色商品的凈跳轉pv也明顯最高，說明顏色特征的瀏覽和購買行為之間存在著較高的一致性，因此可以通過相應瀏覽行為來作為判斷用戶購買考慮的標準之一。

同理，如果瀏覽凈跳轉pv最高的特征與所購商品特征明顯不一致，那么說明該特征的瀏覽行為不能作為判斷用戶購買考慮的標準，應當從模型中剔除。

匹配用戶和商品促銷

根據成長階段用戶的關注特征排序，建立相應商品促銷與用戶的匹配策略：

• 首先通過每個用戶各個特征的凈跳轉率，識別用戶對具體特征值的關注程度，如用戶1最關注的特征值分別為（高性能、藍色、大尺寸）；
• 收集各類商品促銷，確定具體的促銷商品、促銷形式、促銷力度等；
• 建立用戶與商品促銷的匹配機制，為用戶匹配盡可能符合其需求的商品促銷。對于重要度最高的特征，如果沒有用戶關注的特征值對應的商品促銷，流程直接終止。除此以外，按特征的重要度排序依次匹配。具體規則如下：

• 編撰相應促銷利益點文案，嵌入為用戶所匹配的商品信息，通過短信或者push精準觸達，刺激用戶點擊轉化。該匹配機制不僅適用于單品促銷，對于滿減促銷而言，也可以在促銷的商品池中匹配最符合用戶需求的商品，在觸達信息中做展示。

此外，這里的方法同樣適用于內容app，通過用戶對各類內容的瀏覽，可以了解用戶最關注的是哪些內容標簽。那么后續可以針對用戶最可能感興趣的付費專題進行推送觸達，同時匹配一定的紅包折扣，以達到用戶增長和轉變的目的。

建立評估體系

增長策略不同于廣告的邏輯，并非拿錢換流量，而是用盡可能少的費用帶來巨大的用戶提升。

而促銷或補貼的的效果評估可分為兩個部分，即觸達點擊效果和促銷/補貼效果。

為用戶匹配符合其需求的商品促銷，并在觸達消息中展示商品信息，目的是為了提起用戶的興趣，提高點擊率。而影響最終下單率的因素，除了商品匹配的準確性以外，還有促銷策略的高效性，為此，還需建立起一套促銷的綜合評估體系，以衡量每次促銷活動的效果。

我們沿用行業慣用的AB測試來建立評估體系，具體方案和指標如下：

首先，篩選出成長階段的全部用戶，并隨機抽取一部分用戶作為測試組，在不做任何干預的情況下，暗中觀察用戶的轉化情況。

• 對于實驗組的用戶，我們通過定向促銷加短信觸達的形式進行干預，然后靜靜等待用戶轉化。
• 對于對照組而言，用戶都是自然轉化，而實驗組的用戶是在干預下產生的轉化。在實驗組中，一部分用戶確實是被促銷吸引，從而下單購買，但還有一部分用戶即使沒有促銷也很有可能自然轉化。

因此，我們以對照組的轉化率作為沒有促銷情況下的自然轉化率，那么，可以得到以下與用戶相關的指標：

• 用戶基線=干預總人數*自然轉化率；
• 用戶提升=干預總人數*（干預轉化率-自然轉化率）；
• 用戶提升率=用戶提升/用戶基線。

同理，從經營分析的層面，我們可以評估實際的銷售效果：

• GMV基線=用戶基線*自然轉化客單價；
• GMV提升=用戶提升*干預轉化客單價+用戶基線*(干預轉化客單價-自然轉化客單價)。

注：GMV提升一方面體現在拉來本不會下單的用戶所產生的GMV，另一方面，可能會提升/降低本來就會下單的用戶的客單價（滿減促銷可能會提升客單價），因此要計算這兩部分的GMV提升。

• 成本=每單優惠金額*下單用戶量+每條短信資費*干預總人數

最終，我們可得到評估經營效果的兩個綜合指標：

1. GMV提升率=GMV提升/GMV基線；
2. ROI=GMV提升/總成本。

以上指標羅列的目的是便于理解指標的拆解計算過程。但對于不同角色而言，最終只需要關注與其相關的結果指標。

• 對于運營或者營銷而言，他們的考核目標可能聚焦于月活躍用戶數，所以，他們會更關心用戶提升率，通過多次活動的橫向比較，可以識別活動效果的好壞，從而再逐步挖掘根因。
• 對于負責銷售的同事而言，需要考量的因素會相對復雜一些，但他們也可以直接通過GMV提升率和ROI這兩個指標來評估活動的綜合效果，GMV提升率反映的是相比于不做促銷帶來的GMV提升比例，而ROI反映的是每花一塊錢所換來的GMV。

• 制定促銷優化策略

通過每一次的促銷，可以沉淀相應的指標數據，當數據足夠多的時候，便可以基于各類促銷策略的歷史效果來指導下一次的促銷優化。

但由于AB測試存在較多不確定性因素，比如實驗結果會嚴重受到樣本數量的影響，因此，在使用AB測試的效果評估數據進行策略優化時，需先判定每次促銷AB測試結果的差異顯著性。

AB測試歸根結底是用兩組樣本的轉化率差異來估計總體的差異，而AB測試屬于伯努利試驗，根據中心極限定理，其隨機抽樣分布服從正態分布，因此可采用均值差的Z檢驗來判斷兩個組的轉化率差異是否顯著，具體公式如下：

最終，我們選取Z檢驗結果顯著的實驗數據，按照GMV提升率和ROI構建效果評估矩陣如下：

其中，GMV提升率反應的是活動對于GMV的提升效果，如果當前的目標是不惜一切代價沖GMV的話，那么應該選擇GMV提升率高的促銷方案。

而如果需要權衡考量利潤的話，那么還應該把ROI納入分析，選取GMV凈提升率較高，同時ROI也較為可觀的促銷方案。

對于GMV提升率和ROI都較低的方案應該適當舍棄，因為機會成本較高，需避免資源的浪費。

通過層層下鉆分析的方式，最終可以分析出什么樣的促銷形式、促銷力度效果最優，從而指導運營和銷售人員進行策略優化，提升促銷效率。

綜上，我們搭建起了一整套從用戶分析到促銷優化的智能策略，以期提升相應工作人員的CRM技術管理水平，從而花最少的錢帶來最大限度的用戶增長。

作者：Mr.墨嘰，公眾號：墨嘰說數據產品