补贴政策如何落到实地，才能真正促进用户增长？

为了满足用户增长、运营和效率提高的需求，结合以往的个人实践方法，以电子商务行业推广为例，构建策略如下：首先，通过用户生命周期概述，确定当前阶段应*的用户作为主要目标用户。用户生命周期模型分为五个阶段，即“新手阶段”、“成长阶段”、“沉默阶段”、“流失阶段”和“忠诚用户”。说到增长，早期创新当然很重要，但增长的最终目标是忠实用户或超级用户越多越好。因此，有必要刺激和指导各阶段的用户，提高保留率，增强用户粘性，并将其转化为忠实用户。通过用户概述，我们可以了解当前的用户数量分布，如下图中的显示形式。除了了解每个阶段的用户数量和环比外，我们还可以看到每个阶段的用户转换比例。如果增长阶段的用户数量下降，可能是因为许多增长用户已经转变为成熟用户，那么增长用户的策略描述是非常有效的。接下来，我们应该专注于引导新手转变为增长用户，或者尝试更多的新工作，扩大底层用户的数量。此外，如果细化沉默或失去用户的定义，可以发现每个阶段都有用户的直接失去或沉默，因此需要区别对待具体策略。此外，如果细化沉默或失去用户的定义，可以发现每个阶段都有用户的直接失去或沉默，因此具体策略需要区别对待。通过用户概述，我们可以确定现阶段应该*的用户。接下来，我们应该进一步研究这些用户的偏好，从而采取有针对性的增长策略。通过最后一步，我们确定了主要的运营对象，如“增长用户”。接下来，我们需要了解现阶段用户的*因素，以确定我们应该使用什么样的商品促销或补贴。对于电子商务行业来说，促销最终会落在商品上，所以我们可以通过研究用户的浏览行为来识别用户最关心的商品特征。1.用户跳转率首先，我们根据时间段将用户最近的浏览行为分为不同的切片，如session或每30分钟的浏览行为，然后统计用户在每个时间段浏览每个产品的次数。然后，我们可以计算每两个时间段之间每个商品的跳转率。例如，用户在两个时间段内只有行为数据。在时间段1下，用户浏览A产品8次，浏览B产品12次，在时间段2下，用户浏览B产品6次，浏览C产品4次。然后，可以计算跳转比率（Transfer_Ratio）以下:为了简化，这里只统计了一个用户在两个时间段内的跳转行为，所以跳转率正好是每个商品在两个时间段内的pv比。当我们将跳转行为扩展到所有成长用户的所有时间段时，我们可以获得任何两种商品之间的跳转率。按时间段划分的原因是用户的浏览行为存在很大的不确定性，可能会受到广告、资源位等多种因素的影响。但我们认为，在一段时间内，总pv数量可以反映用户的注意力，就像每个时间段作为“订单”，用户购买8A商品和12B商品，第二个购买6B商品和4C商品，我们通过分析用户的差异，判断用户对每个商品偏好的变化，综合所有用户的所有“订单”跳转率，可用于识别各种商品之间的替代概率。2.跳转率后，我们可以了解商品之间的替代关系，那么为什么商品之间会有这样的替代关系呢？2.影响跳转的关键特征是，在跳转率之后，我们可以了解商品之间的替代关系，那么为什么商品之间会有这样的替代关系呢？为什么用户从一种商品跳到另一种商品？这些商品的特点是什么？为此，我们建立了一套完整的算法模型，由于机器学习的相关内容比较复杂，这里只*核心原理。首先，我们将商品分解为各种属性特征。如果商品在某一特征上相同，则记录为1，不同则记录为0。构建特征异同-跳转率表如下：然后，以特征异同为自变量，以跳转率为变量。基于机器学习算法，可以拟合预测模型，即跳转率最终可以通过一组商品的特征异同来预测。最后，基于控制变量的想法，我们应该看到一个特征的重要性。然后，当其他特征的异同值保持不变时，我们可以将该特征取相反的值，以查看跳转率的变化。比如我们要看颜色的重要性，所以其他特征的异同值是不变的，只改变颜色的值是可以得到的:AB(1、0、1)代入预测模型，发现跳转率从原来的18%上升到50%，其他商品组也有类似的结果，说明颜色在用户浏览跳转过程中起着关键作用。以此类推，最终可以得到各种特征的重要性排序：性能、颜色、大小。验证浏览购买的一致性，仅仅识别用户在增长阶段跳跃的特征是不够的。最终目的是刺激用户产生购买行为。用户的浏览行为和购买行为之间是否存在不可避免的联系？因此，我们需要验证用户浏览时最*的特征与购买商品特征的一致性，以防止一些高度*的特征只能吸引人们的注意，但这并不意味着用户的真实偏好，也不能促进购买的转变。根据上一步，每个用户可以在任何两种商品之间跳转pv（transfer_pv），然后，根据属性进行汇总计算，可以得到任何两个特征值之间的跳转pv。对于颜色的特征，可以单独计算红色->蓝色、白色->蓝色和蓝色->红色、蓝色->白色跳转pv，将跳转到蓝色跳转pv，从蓝色跳转pv可以得到蓝色净跳转pv。为了验证一致性，我们采取用户购买商品特征进行比较观察：根据数据，用户最终购买颜色商品，浏览相应颜色商品净跳转pv也明显最高，表明颜色特征浏览和购买行为之间的高一致性，因此可以通过相应的浏览行为作为用户购买考虑的标准之一。同样，如果浏览净跳转pv的最高特征与购买商品的特征明显不一致，则表明该特征的浏览行为不能作为判断用户购买的标准，应从模型中删除。匹配用户和商品推广根据用户*特征的增长阶段，建立相应的商品推广和用户匹配策略：首先通过每个用户每个特征的净跳转率，识别具体特征值，如用户1最*特征值（高性能、蓝色、大尺寸）；收集各种商品促销，确定具体的促销商品、促销形式、促销力度等，建立用户与商品促销的匹配机制，尽可能满足用户需求的商品推广。对于最重要的特征，如果没有与用户*的特征值相对应的商品推广，流程将直接终止。对于最重要的特征，如果没有与用户*的特征值相对应的商品推广，流程将直接终止。此外，根据特征的重要性进行排序。具体规则如下：编制相应的促销利益点副本，嵌入用户匹配的商品信息，通过短信或push精确触摸，刺激用户点击转换。该匹配机制不仅适用于单一产品的促销，也适用于满减促销。它还可以匹配最符合用户需求的商品，并在接触信息中显示。此外，这里的方法也适用于内容应用程序。通过浏览各种内容，您可以了解用户最关心的内容标签。然后，您可以推送和触摸用户最有可能感兴趣的付费主题，并匹配一定的红包折扣，以实现用户增长和转型的目的。与广告的逻辑不同，建立评价体系的增长策略不是用钱换流量，而是用尽可能少的成本带来巨大的用户提升。促销或补贴的效果评估可分为点击效果和促销/补贴效果两部分。为了提高用户的兴趣，提高点击率，匹配满足用户需求的商品推广，并在接触信息中显示商品信息。除了商品匹配的准确性外，影响最终订单率的因素还具有促销策略的效率。因此，有必要建立一个综合的促销评价体系，以衡量每个促销活动的效果。我们使用行业中常用的AB测试来建立评估系统。具体方案和指标如下：首先，筛选增长阶段的所有用户，随机选择部分用户作为测试组，秘密观察用户的转换，无需任何干预。对于实验组的用户，我们通过定向推广和短信接触进行干预，然后静静地等待用户转换。对于对照组，用户是自然转换，实验组的用户是干预下产生的转换。在实验组中，有些用户确实被促销所吸引，从而下单购买，但有些用户即使没有促销也很可能自然转型。因此，我们将对照组的转化率作为无促销的自然转化率，可以获得以下与用户相关的指标：用户基线=干预总数*自然转化率；用户增加=干预总数*（干预转化率-自然转化率）；用户提升率=用户提升/用户基线。同样，从业务分析的角度来看，我们可以评估实际的销售效果：GMV基线=用户基线*自然转换客户单价；GMV推广=用户推广*干预转换客户单价 用户基线*(干预转化客单价-自然转化客单价)。注：一方面，GMV改进反映在用户不会下订单的GMV上。另一方面，它可能会提高/降低已经下订单的用户的客户单价（完全减少促销可能会提高客户单价）。因此，有必要计算这两部分的GMV改进。成本=每个优惠金额*订单用户数量 最后，我们可以得到两个综合指标来评估业务效果：GMV提升率=GMV提升/GMV基线；ROI=GMV增加/总成本。上述指标列出的目的是便于理解指标的拆卸计算过程。但对于不同的角色，最终只需要*相关的结果指标。对于运营或营销来说，他们的评估目标可能集中在每月活跃用户的数量上。因此，他们会更加*用户的提高率。通过多次活动的横向比较，可以识别活动效果的质量，逐步挖掘原因。对于负责销售的同事来说，需要考虑的因素会比较复杂，但也可以通过GMV提升率和ROI直接评价活动的综合效果。GMV提升率反映了GMV提升率与不做促销相比，ROI反映了GMV每一美元换来的GMV。通过每次促销，制定促销优化策略可以沉淀相应的指标数据。当数据足够时，下一次促销优化可以根据各种促销策略的历史效果进行指导。然而，由于AB测试存在许多不确定因素，如样本数量会严重影响实验结果。因此，在利用AB测试的效果评估数据进行战略优化时，首先要确定每次推广AB测试结果的差异。归根结底，AB测试使用两组样本的转化率差来估计整体差异，而AB测试属于伯努利测试。根据中心极限定理，随机抽样分布服从正态分布。因此，可以使用平均值差的Z测试来判断两组的转化率差异是否显著。具体公式如下：最后，根据GMV提升率和ROI构建效果评估矩阵，我们选择Z测试结果显著的实验数据如下：，GMV提升率反映了活动对GMV的提升效果。如果目前的目标是不惜一切代价冲向GMV，则应选择GMV提升率高的促销方案。如果需要权衡利润，还应该将ROI纳入分析，选择GMV净提升率高、ROI可观的促销方案。如果需要权衡和考虑利润，还应将ROI纳入分析，选择GMV净提升率高、ROI可观的促销方案。由于机会成本高，应适当放弃GMV提升率低、ROI低的方案，避免资源浪费。通过层层钻井分析，最终可以分析什么样的促销形式和最佳的促销效果，从而指导运营商和销售人员优化战略，提高促销效率。综上所述，为了提高相应员工的CRM技术管理水平，从用户分析到促销优化，我们建立了一套完整的智能策略，从而花费最少的钱，最大限度地增加用户。