如何借助大數(shù)據(jù)能力使用戶樂意付費呢？本文筆者將結(jié)合實際項目經(jīng)驗，為大家解答這個問題。

產(chǎn)品發(fā)展到一定階段，商業(yè)化是不可回避的問題。跟投資者只談情懷不掙錢，多少有點耍流氓。

不過商業(yè)化這個命題太大，所以今天我們先來探討下，如何借助大數(shù)據(jù)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(chǎn)品獲客之后，在轉(zhuǎn)化為付費用戶上遇到了挑戰(zhàn)，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(chǎn)品策略上轉(zhuǎn)化用戶，可以一起探討下，偏電商類產(chǎn)品；

3. 內(nèi)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(zhuǎn)化用戶，我們在前期和算法同學(xué)，做了一些嘗試，步驟主要為：找到目標人群—-設(shè)計活動—-觸達用戶促進其轉(zhuǎn)化，以下還原了部分實操的過程。

1. 找目標人群

根據(jù)業(yè)務(wù)經(jīng)驗，到數(shù)據(jù)庫中采集最可能轉(zhuǎn)化的高關(guān)聯(lián)維度客戶名單，創(chuàng)建白名單客戶標簽。比如：基于客戶社會基本屬性的，年齡、性別、地域等維度；基于客戶交易特征的，是否持卡、是否有積分等

2. 設(shè)計活動

選出這類客戶可能喜歡的爆款，設(shè)計對應(yīng)的專題活動或者找到時令活動，進行內(nèi)容包裝

3. 找客戶觸點

進行客戶觸達，包括了app push、短信、微信后綴等渠道

4. 分析數(shù)據(jù)

采集觸達人群名單，再追蹤該批人群在最近3天內(nèi)的交易行為變化，分析出轉(zhuǎn)化漏斗

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(xiàn)為如下三點：

1. 人群找不準確

① 怕腦袋式，以業(yè)務(wù)經(jīng)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(qū)分，這其實就意味著無法有效管理、經(jīng)營

2. 缺乏持續(xù)有效的轉(zhuǎn)化引擎

問題主要出在兩個方面：不可持續(xù)和有效性難以衡量

（1）持續(xù)性

① 采集數(shù)據(jù)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(shù)據(jù)的同學(xué)采集一次。一方面人群名單是一次性，復(fù)用性低，另一方面，未能真正發(fā)揮算法同學(xué)專研模型

② 設(shè)計活動周期長：找到人群，策劃活動，設(shè)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，每次活動對于運營的同學(xué)挑戰(zhàn)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，類似游擊戰(zhàn)，無法持續(xù)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(zhuǎn)化監(jiān)控指標，觸達活動沒有留出對照組。

3. 數(shù)據(jù)分析困難

每個活動分析都需要采集數(shù)據(jù)，分析時效性無法保證；各層級數(shù)據(jù)分屬于不同系統(tǒng)，底層數(shù)據(jù)表未能進行關(guān)聯(lián)。

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(chǔ)。我們回到本文主題，我們是怎么借助大數(shù)據(jù)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(zhuǎn)化的客戶拿最適合的offer觸動客戶。

offer是什么？在這里解釋下，我們定義的范圍是包括了：功能性的產(chǎn)品優(yōu)勢（即為產(chǎn)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(yōu)勢

很多時候，一個產(chǎn)品（平臺）的自身優(yōu)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？新戶為什么選擇了你的平臺？

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(zhuǎn)化的訂單數(shù)據(jù)：從數(shù)據(jù)中分析用戶轉(zhuǎn)化背后決策邏輯，得到的結(jié)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(shù)據(jù)，我就不展開出來了。

② 調(diào)研用戶：對平臺的認知和第一次在平臺上購買的動機是啥？

基于歷史海量數(shù)據(jù)和用戶調(diào)研，我們可以發(fā)現(xiàn)自身平臺對用戶的吸引力哪些方面

2. 人群分層

用戶轉(zhuǎn)化項目是一個teamwork，包括了：算法、商務(wù)、運營、產(chǎn)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(jīng)營用戶。這里面我們采取了四象限分層，用戶對平臺認知和用戶偏好

高傾向：對平臺產(chǎn)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臺的聯(lián)系密切程度進行劃分的，比如說產(chǎn)品購買斷點客戶，就是對平臺了解比較多的人群。對于剛注冊的新戶，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注冊用戶、微信關(guān)注用戶等，然后再設(shè)定各分層的轉(zhuǎn)化目標，每個行動小組認領(lǐng)任務(wù)。

3. 算法模型支撐

業(yè)務(wù)對于算法上面的要求，其實為：設(shè)定一個業(yè)務(wù)目標，比如說：最有可能購買A類產(chǎn)品的用戶（注：這里的A類產(chǎn)品一定是要結(jié)合自身產(chǎn)品的優(yōu)勢進行設(shè)定的），然后算法同學(xué)會根據(jù)該業(yè)務(wù)目標進行建模，包括：問題建模（指標評估、樣本選擇、交叉驗證）、建特征工程、選擇模型、模型融合，再到最后的模型驗證。

當然，上面是一個完整的建模過程，在實際應(yīng)用中，都先是小步快跑。先用較為簡單的IV值預(yù)估，找出強關(guān)聯(lián)的客戶維度，給到業(yè)務(wù)方進行試用。

4. 深挖場景的自動化經(jīng)營

這部分，筆者認為是最為關(guān)鍵的一環(huán)了。用戶轉(zhuǎn)化的過程一定是：在一定的觸發(fā)場景，通過習(xí)慣的行為路線，獲取所內(nèi)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(zhí)行。

（1）根據(jù)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(nèi)容；線下行為：基于lbs，了解用戶出現(xiàn)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，什么才是他們喜歡的，需要投其所好。

（2）自動化經(jīng)營策略

手工設(shè)定的push，耗時耗力，根本無法支撐客戶轉(zhuǎn)化的需求。因此，你可以結(jié)合新客戶轉(zhuǎn)化的重點場景、路線，設(shè)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(jīng)瀏覽過/評論過/關(guān)注過/未使用券等等，都可以將該批客戶自動化采集出來，并進行定向召回，比如：最近3天瀏覽過某一款產(chǎn)品，可以給客戶一些利益點，然后進行觸達。

② 重點場景全鏈路埋伏策略：在用戶完成一個任務(wù)的前中后，進行轉(zhuǎn)化內(nèi)容埋伏，當然優(yōu)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(shè)置T+x日觸達策略、客戶沉默設(shè)置讓利策略等等

（3）策略執(zhí)行

實驗設(shè)置對比維度可以為：渠道、客群、offer。這里強調(diào)一點就是，一定要明確整個策略的目標，留出對照組，否則后面數(shù)據(jù)難有說服力和無法評判該策略是否該持續(xù)固化下來。

5.?數(shù)據(jù)分析

這一部分，重點是將各節(jié)點的數(shù)據(jù)打通，實現(xiàn)基于每一個實驗的可視化分析、對照。這有賴于平臺自身的數(shù)據(jù)管理是否規(guī)范了，如果數(shù)據(jù)采集沒有規(guī)范，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(shù)據(jù)輔助業(yè)務(wù)找出自身優(yōu)勢、建立模型找到高傾向客群以及在實驗數(shù)據(jù)分析上給到了較大的支撐，業(yè)務(wù)經(jīng)營更趨向精細化。在用戶轉(zhuǎn)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(yè)于華南理工大學(xué)，有運營和產(chǎn)品經(jīng)歷，現(xiàn)負責(zé)金融大數(shù)據(jù)產(chǎn)品：個性化推薦、意圖搜索，AI智能客服。個人微信公眾號：大雄背起行囊。

本文由@大雄 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議