當(dāng)用戶導(dǎo)入出現(xiàn)異常，找不到原因時(shí)，你都是怎么解決的?本文以某生鮮超市為例，解析如何解決老客留存率也低于正常新店基準(zhǔn)值，幫助店鋪提升用戶的生命周期，希望對你有所啟發(fā)。

運(yùn)營背景：在過去一段時(shí)期內(nèi)某生鮮超市一家新店有100萬導(dǎo)入期用戶，僅有15%用戶進(jìn)入成長期，老客留存率也低于正常新店基準(zhǔn)值，如何幫助這家店提升用戶生命周期?

解決這個(gè)問題，在用戶策略上我們會分拆幾步：

1、 洞察用戶從導(dǎo)入期到成長期的典型用戶路徑和特征是什么，去找發(fā)力點(diǎn)做優(yōu)化

2、 去搭建補(bǔ)貼激勵(lì)體系及觸達(dá)體系

3、 去搭建防流失管理體系

一、基于最優(yōu)路徑做用戶的1轉(zhuǎn)N單策略

首先就是洞察已經(jīng)進(jìn)入成長期用戶的典型路徑和特征，這里先說一下成長期的定義，我們定義用戶成長期的標(biāo)志是用戶在多長時(shí)間內(nèi)達(dá)到多少單會進(jìn)入一個(gè)穩(wěn)定的復(fù)購周期，我們通過洞察發(fā)現(xiàn)35天內(nèi)下完3單的用戶流失率明顯降低，這是我們定義成長期的一個(gè)北極星指標(biāo)。

做用戶路徑洞察的目的是什么呢?

第一個(gè)目的是分析用戶從導(dǎo)入期到成長期到底是路徑1更優(yōu)還是路徑2更優(yōu)。

第二個(gè)是基于最優(yōu)路徑去做運(yùn)營策略的布局。

比如這家生鮮超市APP，用戶完成1-3單轉(zhuǎn)化有幾條強(qiáng)路徑。

路徑1：優(yōu)惠券列表-去使用-可用券商品區(qū)下單

路徑2：首頁搜索轉(zhuǎn)化

路徑3：首頁活動(dòng)專區(qū)

導(dǎo)入期優(yōu)惠券路徑用戶完成三單的占比便達(dá)到了60%，說明一個(gè)新用戶持續(xù)留存在APP的最優(yōu)路徑就是新人禮包的補(bǔ)貼策略，我們在券包策略方面做了一系列調(diào)整，比如我們上過一個(gè)新人任務(wù)進(jìn)度提醒產(chǎn)品，用戶每下一單，會在任意頁面最頂端通欄顯示下一單的優(yōu)惠以及完成3單后的驚喜禮包，這便是一個(gè)非常簡單的激勵(lì)體系，這個(gè)產(chǎn)品，新客1轉(zhuǎn)N漏斗提升效果挺明顯，轉(zhuǎn)2單及以上用戶比例由40%提升到67%。

圍繞“首單+每單購后即時(shí)激勵(lì)”模式打造，提前鎖定新用戶認(rèn)知，引導(dǎo)用戶完成0-3單轉(zhuǎn)化。

二、補(bǔ)貼和激勵(lì)

補(bǔ)貼策略制定：

第一建立商品促銷與用戶的匹配策略。

第二建立用戶補(bǔ)貼的評估體系。

第一個(gè)，商品促銷用戶匹配在觸達(dá)體系中最為關(guān)鍵，比如今天是草莓活動(dòng)，明天是蘋果活動(dòng)，運(yùn)營每次推這種活動(dòng)的時(shí)候最頭大的問題就是push和短信該推給哪些用戶，要不無差別覆蓋，用戶每次被打擾一次，要不就是基于用戶點(diǎn)擊數(shù)據(jù)做簡單分層，但發(fā)現(xiàn)并不精準(zhǔn)。

解決這個(gè)問題的核心就是用偏好時(shí)序模型，偏好預(yù)測是推薦場景下的一個(gè)重要任務(wù)，原理是給定用戶先前購買的商品序列，以及商品交互行的時(shí)間衰減，利用模型對用戶的下一筆購物行為進(jìn)行預(yù)測。

偏好時(shí)序模型運(yùn)營可以通過SPSS分析得到：

假如這個(gè)是用戶訂單底表數(shù)據(jù)，我們通過數(shù)據(jù)來建立一個(gè)分析模型：

目標(biāo)是通過這個(gè)訂單底表數(shù)據(jù)建立一個(gè)挖掘模型，挖掘用戶的購買序列習(xí)慣，并預(yù)測用戶下一個(gè)購買節(jié)點(diǎn)會購買什么?

我們通過SPSS搭建一個(gè)時(shí)序分析流，由數(shù)據(jù)模型幫我們進(jìn)行預(yù)測。

這個(gè)數(shù)據(jù)流輸出結(jié)果是：

用戶時(shí)序分析結(jié)果翻譯一下：

如果用戶在購買了蘋果和雞蛋后，下一次購買蘋果的置信度是100%(由于實(shí)驗(yàn)數(shù)據(jù)過擬合，所以是100%的概率，真實(shí)訂單數(shù)據(jù)的話，置信度越高，表明用戶在購買完蘋果雞蛋后，下一單很高概率購買蘋果)

第二個(gè)如何建立用戶的觸達(dá)及活動(dòng)補(bǔ)貼評估體系?

評價(jià)指標(biāo)有兩個(gè)，GMV提升率和ROI，比如成長期用戶運(yùn)營我們是這么AB測試的，把成長期用戶篩出來分為實(shí)驗(yàn)組以及隨機(jī)抽取部分用戶作為對照組，比如實(shí)驗(yàn)組是100萬人，對照組是10萬人，實(shí)驗(yàn)組發(fā)20減5的補(bǔ)貼券并通過定向短信通知形式進(jìn)行干預(yù)轉(zhuǎn)化，對照組不干涉自然轉(zhuǎn)化。得到干預(yù)組的轉(zhuǎn)化率是10%，對照組是6%。

如果強(qiáng)行說干預(yù)策略有效也并不一定有說服力，因?yàn)榘l(fā)券必然會導(dǎo)致轉(zhuǎn)化提升，所以我們要看GMV提升率和ROI的增益是否達(dá)到預(yù)期。

簡單來講就是這100萬人在干預(yù)前和干預(yù)后的增益率對比

GMV提升率=GMV提升部分/GMV基線，比如我們這個(gè)案例中GMV基線如果不干涉自然轉(zhuǎn)化下單是6萬人，按照20元客單來計(jì)算，GMV是120萬。干涉后按照15客單計(jì)算，GMV是150萬，增益GMV是30萬，GMV提升率25%。

然后計(jì)算成本部分 券成本是50萬，短信成本以1毛來計(jì)算，10萬元，總計(jì)成本是60萬，發(fā)現(xiàn)ROI=0.5 發(fā)現(xiàn)20減5并沒達(dá)到預(yù)期，對吧，然后相同思路再去測45減10券，把用戶客單去拔高，直到ROI遠(yuǎn)遠(yuǎn)高出1，才證明這部分用戶補(bǔ)貼有效。

最終我們可以把ROI和GMV提升率構(gòu)成一個(gè)矩陣，把所有補(bǔ)貼折扣、券放入矩陣中，去看ROI和GMV提升率最大的氣泡分布在哪里。這就是基于歷史沉淀打法和策略。

三、用戶流失預(yù)警管理項(xiàng)目

假如月均滾動(dòng)流失率是在10%左右，預(yù)警項(xiàng)目前，每周會固定把符合流失定義的用戶篩選出來，假如1000萬MAU，每周的召回覆蓋人數(shù)大約就是100萬，短信點(diǎn)擊率是0.4%左右，訂單轉(zhuǎn)化率5%，每次最多召回200人，可想召回效率有多低。

預(yù)警模型可以將月均滾動(dòng)流失率降到6%左右，提前干預(yù)轉(zhuǎn)化率提升到10%。我來講下具體是怎么做到的。

第一部分是模型的搭建

第二部分是用戶分層的預(yù)警

第三部分是召回策略

模型搭建涉及流失時(shí)間窗口定義、流失特征定義、算法建模三部分。

流失時(shí)間定義方法就是按照流失回歸率的拐點(diǎn)來定，具體不講了。

流失特征定義對于模型設(shè)計(jì)來說是核心，特征構(gòu)建我們會從具體流失場景挖掘建模指標(biāo)，比如某些用戶流失原因是因?yàn)榕渌头��?wù)體驗(yàn)差，并且投訴后沒有很好解決，這個(gè)場景下可以衍生幾個(gè)指標(biāo)用于預(yù)測用戶流失，比如派送次數(shù)、投訴次數(shù)、投訴解決比例，可以分析和流失之間的關(guān)聯(lián)關(guān)系，同理，因?yàn)閮?yōu)惠少、商品種類少等等場景都可以用指標(biāo)來描述。

算法部分就是一個(gè)二分類預(yù)測建模問題，可以用到的算法邏輯回歸、決策樹等，評價(jià)算法指標(biāo)像AUC值、精準(zhǔn)率、召回率等，建模過程中基于這些數(shù)據(jù)進(jìn)行樣本特征的篩選。

召回策略方面，因?yàn)轭A(yù)警的用戶并沒有真正流失，這就有充分的時(shí)間去洞察用戶歷史偏好度，去做針對性的召回策略，但這里實(shí)施時(shí)候會遇到2個(gè)問題：

第一個(gè)就是所有的用戶數(shù)據(jù)一同灌入模型，得出預(yù)測結(jié)果。但這樣做往往會遇到一個(gè)問題，就是預(yù)測出來的流失用戶，更偏向于低活，而高活用戶預(yù)測流失召回卻基本為0。所以為了避免這樣的問題，可以將不同活躍度用戶分別搭建模型。

第二個(gè)就是模型準(zhǔn)確率和召回率很難同時(shí)達(dá)到雙高水平，這個(gè)時(shí)候可以根據(jù)預(yù)警目標(biāo)來進(jìn)行參數(shù)調(diào)優(yōu)，高成本的召回策略(消費(fèi)券發(fā)放)更關(guān)注流失預(yù)警的準(zhǔn)確率;高覆蓋的召回策略(端內(nèi)Push)更關(guān)注流失預(yù)警的召回率。

以上是我實(shí)戰(zhàn)分享，用戶運(yùn)營離不開洞察和模型的搭建，洞察如用戶行為路徑、用戶時(shí)序習(xí)慣分析和預(yù)測，模型更不用說了，搭建時(shí)序預(yù)測模型和用戶流失預(yù)警模型，除了算法工程師建模之外，運(yùn)營可以使用SPSS分析軟件搭建用戶模型，只需了解SPSS使用方法即可，這樣可以基于結(jié)論迅速假設(shè)-執(zhí)行-驗(yàn)證，而效率卻遠(yuǎn)遠(yuǎn)高于算法工程師所謂的大數(shù)據(jù)挖掘，即使大數(shù)據(jù)挖掘的再精細(xì)也是一個(gè)漫長的過程，所謂效率決定一切!

來源：人人都是產(chǎn)品經(jīng)理

以上是關(guān)于用戶增長師的相關(guān)信息，以供大家查看了解。想要了解更多用戶增長師信息，第一時(shí)間了解用戶增長師相關(guān)資訊，敬請關(guān)注唯學(xué)網(wǎng)用戶增長師欄目，如有任何疑問也可在線留言，小編會為您在第一時(shí)間解答!