Thực hành vận hành người dùng: Chia sẻ trường hợp vận hành người dùng siêu thị mới

Khi quá trình nhập người dùng không thành công và bạn không tìm ra nguyên nhân, bạn sẽ giải quyết như thế nào? Bài viết này lấy một siêu thị thực phẩm tươi sống làm ví dụ để phân tích cách giải quyết vấn đề tỷ lệ giữ chân khách hàng cũ thấp hơn mức chuẩn thông thường của cửa hàng mới và giúp cửa hàng cải thiện vòng đời người dùng. Tôi hy vọng nó sẽ truyền cảm hứng cho bạn.

Bối cảnh hoạt động : Trong thời gian qua, một cửa hàng mới của siêu thị thực phẩm tươi sống có 1 triệu người dùng mới, chỉ có 15% người dùng bước vào giai đoạn tăng trưởng và tỷ lệ giữ chân khách hàng cũ cũng thấp hơn so với chuẩn mực thông thường của một cửa hàng mới. Làm thế nào để giúp cửa hàng này cải thiện vòng đời người dùng?

Để giải quyết vấn đề này, chúng tôi sẽ chia chiến lược của người dùng thành nhiều bước :

1. Tìm hiểu sâu hơn về các đặc điểm và đường dẫn người dùng điển hình từ giai đoạn giới thiệu đến giai đoạn phát triển và tìm trọng tâm để tối ưu hóa

2. Xây dựng hệ thống khuyến khích trợ cấp và hệ thống tiếp cận

3. Xây dựng hệ thống quản lý chống thất thoát

1. Phát triển chiến lược một-nhiều dựa trên đường dẫn tối ưu

Điều đầu tiên là phải hiểu được lộ trình và đặc điểm điển hình của người dùng đã bước vào giai đoạn tăng trưởng. Sau đây là định nghĩa về giai đoạn tăng trưởng. Chúng tôi định nghĩa giai đoạn tăng trưởng của người dùng là thời gian người dùng đặt một số lượng đơn hàng nhất định trước khi bước vào chu kỳ mua lại ổn định. Thông qua thông tin chi tiết, chúng tôi thấy rằng tỷ lệ hủy đơn hàng của những người dùng đặt ba đơn hàng trong vòng 35 ngày đã giảm đáng kể. Đây là chỉ báo Ngôi sao Phương Bắc cho định nghĩa của chúng tôi về giai đoạn tăng trưởng.

Mục đích của việc phân tích đường dẫn người dùng là gì?

Mục đích đầu tiên là phân tích xem Đường dẫn 1 hay Đường dẫn 2 tốt hơn cho người dùng từ giai đoạn giới thiệu đến giai đoạn phát triển.

Thứ hai là xây dựng chiến lược hoạt động dựa trên con đường tối ưu.

Ví dụ, trong ứng dụng siêu thị thực phẩm tươi sống này, có một số đường dẫn mạnh mẽ để người dùng hoàn thành 1-3 chuyển đổi.

1. Đường dẫn 1: Danh sách phiếu giảm giá - Vào mục sử dụng - Đặt hàng tại mục sản phẩm có phiếu giảm giá
2. Đường dẫn 2: Chuyển đổi tìm kiếm trang chủ
3. Đường dẫn 3: Khu vực hoạt động trang chủ

Trong thời gian triển khai, 60% người dùng đã hoàn tất ba đơn hàng thông qua đường dẫn phiếu giảm giá đã đạt được mức tăng 60%, cho thấy con đường tốt nhất để người dùng mới tiếp tục sử dụng APP là chiến lược trợ cấp cho gói quà tặng dành cho người dùng mới. Chúng tôi đã thực hiện một loạt điều chỉnh cho chiến lược gói phiếu giảm giá. Ví dụ, chúng tôi đã ra mắt sản phẩm nhắc nhở tiến độ nhiệm vụ mới cho người dùng. Mỗi khi người dùng đặt hàng, mức giảm giá cho đơn hàng tiếp theo và gói quà tặng bất ngờ sau khi hoàn tất 3 đơn hàng sẽ được hiển thị ở đầu bất kỳ trang nào. Đây là một hệ thống khuyến khích rất đơn giản. Sản phẩm này có tác dụng đáng kể trong việc cải thiện kênh khách hàng mới từ 1 lên N. Tỷ lệ người dùng chuyển đổi 2 đơn hàng trở lên đã tăng từ 40% lên 67%.

Được xây dựng xung quanh mô hình "đơn hàng đầu tiên + ưu đãi tức thời sau mỗi đơn hàng", phương pháp này giúp người dùng nhận thức trước và hướng dẫn họ hoàn thành 0-3 lần chuyển đổi đơn hàng.

2. Trợ cấp và khuyến khích

Xây dựng chiến lược trợ cấp:

Đầu tiên, hãy thiết lập chiến lược kết hợp chương trình khuyến mãi sản phẩm với người dùng.

Thứ hai, thiết lập hệ thống đánh giá trợ cấp cho người sử dụng.

Đầu tiên, việc kết nối người dùng để quảng bá sản phẩm là quan trọng nhất trong hệ thống tiếp cận. Ví dụ, hôm nay là sự kiện dâu tây, ngày mai là sự kiện táo. Mỗi khi nhà điều hành tung ra một sự kiện như vậy, điều đau đầu nhất là phải đẩy và gửi tin nhắn văn bản đến người dùng nào. Hoặc là phạm vi phủ sóng không phân biệt và người dùng luôn bị làm phiền, hoặc chỉ phân tầng đơn giản dựa trên dữ liệu nhấp chuột của người dùng, điều này không chính xác.

Chìa khóa để giải quyết vấn đề này là sử dụng mô hình chuỗi thời gian ưu tiên. Dự đoán sở thích là một nhiệm vụ quan trọng trong các tình huống đề xuất. Nguyên tắc là sử dụng mô hình để dự đoán hành vi mua sắm tiếp theo của người dùng dựa trên trình tự các mặt hàng mà người dùng đã mua trước đó và sự suy giảm theo thời gian của các đường tương tác với mặt hàng.

Hoạt động mô hình chuỗi thời gian được ưu tiên có thể thu được thông qua phân tích SPSS:

Nếu đây là dữ liệu bảng đơn hàng của người dùng, chúng tôi sẽ sử dụng dữ liệu này để xây dựng mô hình phân tích:

Mục tiêu là xây dựng một mô hình khai thác thông qua dữ liệu bảng cơ sở đơn hàng này, khai thác thói quen mua hàng của người dùng và dự đoán những gì người dùng sẽ mua tại nút mua hàng tiếp theo ?

Chúng tôi sử dụng SPSS để xây dựng luồng phân tích chuỗi thời gian và mô hình dữ liệu giúp chúng tôi đưa ra dự đoán.

Đầu ra của luồng dữ liệu này là:

Bản dịch kết quả phân tích thời gian của người dùng :

Nếu người dùng đã mua táo và trứng, độ tin cậy rằng lần tiếp theo họ sẽ mua táo là 100% (do dữ liệu thực nghiệm quá khớp, xác suất là 100%. Đối với dữ liệu đơn hàng thực tế, độ tin cậy càng cao, xác suất người dùng sẽ mua táo trong đơn hàng tiếp theo sau khi mua táo và trứng càng cao)

Thứ hai, làm thế nào để thiết lập hệ thống đánh giá phạm vi tiếp cận người dùng và trợ cấp hoạt động?

Có hai chỉ số đánh giá, tỷ lệ cải thiện GMV và ROI. Ví dụ, đối với các hoạt động của người dùng ở giai đoạn tăng trưởng, chúng tôi tiến hành thử nghiệm AB theo cách này: chúng tôi sàng lọc những người dùng ở giai đoạn tăng trưởng và chia họ thành nhóm thử nghiệm và chọn ngẫu nhiên một số người dùng làm nhóm đối chứng. Ví dụ, nhóm thử nghiệm có 1 triệu người và nhóm đối chứng có 100.000 người. Nhóm thử nghiệm nhận được 20 nhân dân tệ cho phiếu giảm giá 5 nhân dân tệ và can thiệp vào chuyển đổi thông qua thông báo SMS có mục tiêu, trong khi nhóm đối chứng không can thiệp vào chuyển đổi tự nhiên. Tỷ lệ chuyển đổi là 10% ở nhóm can thiệp và 6% ở nhóm đối chứng.

Không nhất thiết phải nói rằng chiến lược can thiệp có hiệu quả, vì việc phát hành phiếu giảm giá chắc chắn sẽ dẫn đến tăng tỷ lệ chuyển đổi, do đó chúng ta phải xem liệu tỷ lệ tăng GMV và mức tăng ROI có đáp ứng được kỳ vọng hay không.

Nói một cách đơn giản, đó là sự so sánh tốc độ tăng trưởng của 1 triệu người này trước và sau khi can thiệp.

Tỷ lệ cải thiện GMV = Phần cải thiện GMV/GMV cơ sở. Ví dụ, trong trường hợp của chúng tôi, nếu đường cơ sở GMV không ảnh hưởng đến các đơn hàng chuyển đổi tự nhiên thì giá trị này là 60.000. Tính toán dựa trên đơn hàng của khách hàng trị giá 20 nhân dân tệ, GMV là 1,2 triệu. Sau khi can thiệp, dựa trên 15 đơn hàng của khách hàng, GMV là 1,5 triệu, GMV tăng là 300.000 và tỷ lệ tăng GMV là 25%.

Sau đó chúng tôi tính toán chi phí cho các phiếu giảm giá là 500.000 nhân dân tệ. Chi phí tin nhắn SMS được tính là 0,1 nhân dân tệ, 100.000 nhân dân tệ và tổng chi phí là 600.000 nhân dân tệ. Chúng tôi thấy rằng ROI = 0,5. Chúng ta thấy rằng 20 trừ 5 không đạt kỳ vọng, đúng không? Sau đó, chúng tôi sử dụng ý tưởng tương tự để thử nghiệm phiếu giảm giá 45 trừ 10 và tăng khối lượng đơn hàng của người dùng cho đến khi ROI cao hơn 1 rất nhiều, điều này chứng tỏ rằng trợ cấp cho nhóm người dùng này là có hiệu quả.

Cuối cùng, chúng ta có thể tạo ra một ma trận về tỷ lệ cải thiện ROI và GMV, đưa tất cả các khoản trợ cấp, chiết khấu và phiếu giảm giá vào ma trận và xem các bong bóng có tỷ lệ cải thiện ROI và GMV lớn nhất được phân bổ ở đâu. Đây là phong cách chơi và chiến lược dựa trên sự tích lũy lịch sử.

3. Dự án quản lý cảnh báo mất người dùng

Nếu tỷ lệ hủy dịch vụ hàng tháng vào khoảng 10%, trước khi dự án cảnh báo sớm được triển khai, những người dùng đáp ứng định nghĩa về tỷ lệ hủy dịch vụ sẽ được sàng lọc hàng tuần. Nếu có 10 triệu MAU, phạm vi thu hồi hàng tuần sẽ là khoảng 1 triệu người. Tỷ lệ nhấp chuột vào tin nhắn SMS là khoảng 0,4% và tỷ lệ chuyển đổi đơn hàng là 5%. Mỗi lần chỉ có thể triệu hồi tối đa 200 người. Bạn có thể tưởng tượng được hiệu quả thu hồi thấp đến mức nào.

Mô hình cảnh báo sớm có thể giảm tỷ lệ hủy dịch vụ trung bình hàng tháng xuống khoảng 6% và tăng tỷ lệ chuyển đổi can thiệp sớm lên 10%. Để tôi giải thích cách tôi đã làm.

1. Phần đầu tiên là xây dựng mô hình
2. Phần thứ hai là cảnh báo sớm về sự phân tầng người dùng
3. Phần thứ ba là chiến lược thu hồi

Xây dựng mô hình bao gồm ba phần: xác định cửa sổ thời gian hủy, xác định tính năng hủy và mô hình hóa thuật toán.

Phương pháp xác định thời gian hủy bỏ dựa trên điểm uốn của tỷ lệ hồi quy hủy bỏ. Tôi sẽ không đi vào chi tiết.

Định nghĩa về các tính năng churn là cốt lõi của thiết kế mô hình. Khi xây dựng các tính năng, chúng tôi sẽ khai thác các chỉ số mô hình từ các tình huống mất khách hàng cụ thể. Ví dụ, lý do khiến một số người dùng ngừng sử dụng dịch vụ là do trải nghiệm dịch vụ giao hàng kém và khiếu nại không được giải quyết tốt. Trong trường hợp này, có thể rút ra một số chỉ số để dự đoán tỷ lệ mất người dùng, chẳng hạn như số lượng đơn hàng, số lượng khiếu nại và tỷ lệ giải quyết khiếu nại. Mối tương quan giữa chúng có thể được phân tích. Tương tự như vậy, các kịch bản có ít chiết khấu, ít loại sản phẩm, v.v. có thể được mô tả bằng các chỉ số.

Phần thuật toán là bài toán mô hình dự đoán phân loại nhị phân. Các thuật toán có thể sử dụng bao gồm hồi quy logistic, cây quyết định, v.v. Các chỉ số đánh giá thuật toán bao gồm giá trị AUC, tỷ lệ chính xác, tỷ lệ thu hồi, v.v. Các tính năng mẫu được sàng lọc dựa trên các dữ liệu này trong quá trình lập mô hình.

Về chiến lược thu hồi, vì người dùng được cảnh báo chưa thực sự rời bỏ nên có nhiều thời gian để tìm hiểu sâu hơn về sở thích trước đây của người dùng và phát triển các chiến lược thu hồi có mục tiêu. Tuy nhiên, có hai vấn đề khi thực hiện chiến lược này:

Đầu tiên là đưa tất cả dữ liệu người dùng vào mô hình để có được kết quả dự đoán. Tuy nhiên, làm như vậy thường dẫn đến một vấn đề, đó là, những người dùng dự đoán sẽ rời bỏ có xu hướng hoạt động thấp, trong khi tỷ lệ nhớ lại những người dùng có hoạt động cao dự đoán sẽ rời bỏ về cơ bản là 0. Do đó, để tránh những vấn đề như vậy, có thể xây dựng các mô hình riêng cho những người dùng có mức độ hoạt động khác nhau.

Thứ hai là rất khó để đạt được mức độ chính xác và tỷ lệ thu hồi cao của mô hình cùng một lúc. Lúc này, các thông số có thể được tối ưu hóa theo mục tiêu cảnh báo. Chiến lược thu hồi chi phí cao (phát hành phiếu mua hàng cho người tiêu dùng) chú trọng hơn đến tính chính xác của cảnh báo mất khách hàng; chiến lược thu hồi phạm vi bao phủ cao (in-terminal Push) chú ý nhiều hơn đến tỷ lệ thu hồi cảnh báo mất khách hàng.

Trên đây là chia sẻ thực tế của tôi. Hoạt động của người dùng không thể tách rời khỏi việc xây dựng thông tin chi tiết và mô hình. Thông tin chi tiết bao gồm đường dẫn hành vi của người dùng, phân tích thói quen theo chuỗi thời gian của người dùng và dự đoán, chưa kể đến các mô hình. Để xây dựng các mô hình dự đoán chuỗi thời gian và mô hình cảnh báo mất người dùng, ngoài việc lập mô hình bằng các kỹ sư thuật toán, hoạt động có thể sử dụng phần mềm phân tích SPSS để xây dựng mô hình người dùng. Bạn chỉ cần hiểu cách sử dụng SPSS. Theo cách này, bạn có thể nhanh chóng đưa ra giả thuyết, thực hiện và xác minh dựa trên các kết luận, và hiệu quả cao hơn nhiều so với cái gọi là khai thác dữ liệu lớn của các kỹ sư thuật toán. Ngay cả khi khai thác dữ liệu lớn phức tạp hơn thì đây vẫn là một quá trình dài. Cái gọi là hiệu quả quyết định tất cả!

Tác giả: Zhao Wenbiao, tài khoản công khai: User Operation Observation (ID: yunyingguancha), một học viên cao cấp trong lĩnh vực hoạt động của người dùng và tiếp thị lưu lượng truy cập miền riêng, tập trung vào việc chia sẻ các bài viết thực tế và hiểu biết độc đáo về hoạt động của người dùng theo kịch bản và tiếp thị cộng đồng.