Liệu sự tăng trưởng của người dùng có thực sự cần phải dựa trên dữ liệu không?

Trong kịch bản tăng trưởng người dùng, liệu dữ liệu có hợp lý không? Trong bài viết này, tác giả cố gắng thảo luận về vấn đề này và đưa ra một số giải thích về logic và khuôn khổ cơ bản của sự tăng trưởng người dùng dựa trên dữ liệu. Hãy cùng xem qua, có thể nó sẽ hữu ích với bạn.

Tăng trưởng phải được thúc đẩy bởi dữ liệu, nhưng dữ liệu quan trọng hơn là thiết lập rào cản trong lưu lượng tăng trưởng người dùng hoặc tìm kiếm thị trường ngách mới trong giai đoạn suy giảm trưởng thành để đạt được đường cong tăng trưởng thứ hai.

Nhìn chung, giai đoạn mở rộng của quá trình tăng trưởng người dùng khá khó khăn và bao gồm việc phải đốt tiền hoặc tìm ra điểm giá trị của danh tiếng sản phẩm. Logic của việc tăng trưởng người dùng là tìm ra sự gia tăng, trong khi hướng dữ liệu thiên về việc lọc lưu lượng truy cập. Về cơ bản, hai điều này trái ngược nhau. Dựa trên dữ liệu là về việc thực hiện các hoạt động kinh doanh hiện có. Từ lâu tôi đã nói rằng sức mạnh của dữ liệu chính là độ chính xác.

Vậy trong kịch bản tăng trưởng người dùng, liệu việc dựa trên dữ liệu có ý nghĩa gì không? Không hẳn vậy.

Trước hết, độ chính xác là logic đằng sau việc làm việc với các doanh nghiệp và sản phẩm vừa và nhỏ, vì các doanh nghiệp vừa và nhỏ tập trung nhiều hơn vào ROI (lợi nhuận ngắn hạn) của các sự kiện hiện tại, trong khi các doanh nghiệp lớn quan tâm nhiều hơn đến giá trị trung và dài hạn. Đây cũng là lý do tại sao quảng cáo hiệu suất (tiếp thị chính xác) được thực hiện cho các doanh nghiệp vừa và nhỏ. Nếu các doanh nghiệp lớn chỉ thực hiện tiếp thị chính xác, họ sẽ không thể chi hết toàn bộ ngân sách tiếp thị. Cốt lõi của một doanh nghiệp lớn là phân chia lưu lượng hợp lý và đưa nó vào hệ sinh thái để tối đa hóa việc sử dụng. Nói một cách đơn giản, hệ sinh thái là cái đuôi dài, là bộ lọc lưu lượng truy cập đa kênh.

Có một số điều chắc chắn về sự tăng trưởng của người dùng dựa trên dữ liệu:

Một là phân bổ kênh cho nguồn người dùng, đây cũng là logic trong suốt quá trình tiếp thị kỹ thuật số, tức là nơi số tiền tôi chi tiêu có hiệu quả và dữ liệu có thể được theo dõi và đo lường. Tuy nhiên, điều quan trọng hơn ở đây là logic phân bổ cho người dùng đến thông qua nhiều kênh tiếp xúc. Về bản chất, mục đích của nó là đo lường ROI và kênh nào có thể tăng đáng kể doanh số bán hàng.

Một lý thuyết khác là logic phân phối chính xác, hiện đã phát triển thành khái niệm oCPX (oCPCoCPAoCPS).

Ban đầu, do hạn chế của công nghệ dữ liệu, khi phân tích dữ liệu ngoại tuyến, các đặc điểm của thuật toán sẽ được phân tích thông qua các quần thể hạt giống ngoại tuyến, sau đó logic lựa chọn và khuếch đại người dùng tiềm năng sẽ được thực hiện thông qua các mô hình được củng cố. Ngày nay, dữ liệu thời gian thực đã trở nên hoàn thiện hơn và quá trình lặp lại đào tạo ngoại tuyến đã phát triển thành tối ưu hóa thuật toán thời gian thực, trở thành lặp lại thuật toán thời gian thực để đạt được độ chính xác và hiệu quả cao hơn.

Đây là cách trực tiếp nhất để cải thiện ROI, nhưng kết quả là ngày càng nhiều đại lý giao hàng chuyển từ tối ưu hóa giao hàng sang các nguồn lực kênh thuần túy.

1. Kịch bản phân phối kỹ thuật số

Có một số tình huống cốt lõi trong việc phân phối chính xác:

1. Mô hình dự đoán tỷ lệ nhấp chuột CTR;
2. Giống nhau của quần thể hạt giống;
3. Dự đoán sở thích của nhãn hành vi;
4. Chân dung người dùng;
5. Đám đông tụ tập;
6. oTối ưu hóa thời gian thực của nhóm dân số mục tiêu CPX;
7. Thuộc tính kênh

Bằng cách kết hợp các quy trình làm việc sắp xếp và kết hợp các phương pháp này, chúng ta có thể đạt được khả năng cung cấp chính xác các SOP trong các tình huống khác nhau. Tất nhiên, điều này đòi hỏi công nghệ dữ liệu tương đối mạnh.

Hãy lấy một kịch bản giao hàng kỹ thuật số làm ví dụ:

Bản chất của việc phân phối chính xác là giảm chi phí chuyển đổi và cải thiện ROI. Thu hút người dùng mới, kích hoạt người dùng cũ và thu hồi người dùng đã mất. Trong số này, ngoại trừ mục tiêu thu hút người dùng mới là chi phí đăng ký, mục tiêu còn lại là chi phí thanh toán.

Hãy lấy việc tối ưu hóa chi phí thu hút lượt đăng ký mới làm ví dụ. Chi phí thấp có nghĩa là đối tượng tiếp xúc sẽ rất phù hợp với người dùng mục tiêu. Những người có ý định mua hàng phải chính xác nhất và đặc điểm của người dùng có thể được sử dụng như một chiến lược nhắm mục tiêu dân số. Do đó, chúng tôi sẽ thực hiện giao hàng có mục tiêu đến những người có ý định mua hàng cao. Chúng ta chọn nhóm này như thế nào?

Kết hợp các công nghệ dữ liệu hiện có, việc lựa chọn quần thể có thể được thực hiện thông qua các phương pháp nêu trên. Điểm khác biệt so với các kịch bản khác trong kịch bản thu hút người dùng mới là không thể tiếp cận họ theo cách có mục tiêu thông qua các gói dân số mà chỉ có thể thông qua phân tích tính năng để tối ưu hóa việc lựa chọn mục tiêu người dùng ngoài miền. Vì đây là người dùng mới nên không có người dùng nào như vậy trong nhóm người dùng của bạn (tất nhiên, kịch bản khách hàng tiềm năng là một kịch bản khác và đặc biệt hơn, và đây cũng là một kịch bản cốt lõi trong tiếp thị kỹ thuật số. Những người dùng ẩn danh trong DMP trong những năm đầu chủ yếu thuộc về kịch bản này).

2. Giao hàng chính xác ở nước ngoài

Đầu tiên, người dùng giao dịch lịch sử có thể được sử dụng làm quần thể hạt giống để phân tích chân dung nhãn và khuếch đại quần thể (tương tự) bên ngoài miền. Đồng thời, các quần thể hạt giống có chuyển đổi thời gian thực có thể được kết nối với oCPX để tối ưu hóa các đặc điểm của quần thể mục tiêu động, giúp chúng ngày càng chính xác hơn. Hiện nay hầu hết các nền tảng giao thông tiên tiến đều hỗ trợ oCPX.

Tại đây, chân dung người dùng có thể được chia thành phân tích chân dung trong miền và ngoài miền, cũng như các miền phân phối ngoài miền khác nhau.

Do hệ thống dán nhãn hiện tại chủ yếu dựa trên nhãn dự đoán nên hệ thống dán nhãn và quy tắc của các nền tảng khác nhau cũng khác nhau và phải phù hợp với thuộc tính của nền tảng. Đối với chân dung trong miền, nó liên quan đến việc dự đoán nhãn của sở thích hành vi. Người dùng được dán nhãn sau khi đào tạo mô hình dựa trên đặc điểm hành vi của quần thể hạt giống.

Vậy vai trò của chân dung người dùng là gì? Trong những năm trước, chân dung người dùng thường được sử dụng để hướng dẫn các chiến lược mục tiêu trong quá trình phân phối, nhưng hiện nay, khi quá trình phân phối thông minh ngày càng hoàn thiện, chân dung thường được sử dụng để hướng dẫn việc tạo tài liệu và thu hút người dùng mới.

Mặc dù chân dung là đầu ra của nhãn, nhưng mục đích sử dụng của chân dung và nhãn rất khác nhau, điều này sẽ không được trình bày chi tiết ở đây. Để biết chi tiết, vui lòng xem bài viết trước của tôi: "Chân dung người dùng được sử dụng như thế nào cho dữ liệu"

Cho dù là quảng cáo hay lưu lượng truy cập tự nhiên, khi người dùng truy cập thông qua nhiều kênh, bạn cần biết cách đánh giá giá trị của từng kênh và đầu tư nguồn lực hạn chế vào các kênh có giá trị cao. Việc ghi nhận kênh là điều cần thiết. Ví dụ, năm nay Alimama đã ra mắt mô hình phân tích kênh MTA Uplift (Phân bổ đa điểm, phân bổ toàn bộ lộ trình tiêu dùng) nâng cấp.

Tôi sẽ không nói chi tiết về mô hình Alimama, bạn có thể tự kiểm tra. Tuy nhiên, một điều rất thú vị về mô hình này là “khả năng theo dõi và phân tích lịch sử” của nó. Nó làm tôi nhớ đến khả năng theo dõi và mô phỏng lưu lượng truy cập mà tôi đã sử dụng khi thực hiện kiểm soát rủi ro thông minh tại Alipay để xác minh hiệu quả của các chiến lược do máy học đề xuất. Về mặt phân bổ kênh phân phối, việc suy ra các chiến lược phân phối thông qua việc theo dõi hành vi và mô phỏng lưu lượng truy cập trong quá khứ thực sự là một sáng kiến.

Trên thực tế, sự khác biệt lớn nhất giữa phân phối ngoài miền và chuyển đổi trong miền nằm ở việc thuật toán được triển khai ở phía lưu lượng truy cập của bên thứ ba hay phía nhà quảng cáo bên thứ nhất. Ví dụ, mô hình dự đoán tỷ lệ nhấp chuột của người dùng CTR mà tôi sẽ sớm nói đến và các mô hình dự đoán tương tự.

3. Chuyển đổi đăng ký trong miền

Mô hình CTR thực chất dự đoán xác suất nhấp chuột của người dùng dựa trên hành vi lịch sử. Phương pháp này phổ biến trong nhiều tình huống xếp hạng tìm kiếm và đề xuất, do đó bất kỳ tình huống nào liên quan đến lượt hiển thị và nhấp chuột đều có thể xảy ra. Trong kịch bản phân phối, vì logic cơ bản của việc phân phối là giá hiển thị nhấp chuột CPC hoặc CPM , nên để giảm chi phí chuyển đổi, về cơ bản cần phải tăng mức hiển thị và xác suất nhấp chuột.

Đồng thời, còn có một khía cạnh cạnh tranh khác mà nền tảng này cần cân nhắc, đó là câu hỏi lưu lượng truy cập sẽ dành cho ai (nhà quảng cáo). Ngoài việc người trả giá cao nhất sẽ thắng cuộc, tất nhiên bất kỳ ai có khả năng được nhấp vào cao hơn sẽ bị lộ.

Điều tương tự cũng đúng đối với các chuyển đổi trong miền. Sự khác biệt duy nhất là kịch bản thu hút khách hàng mới là chuyển đổi khách hàng tiềm năng, trong khi những kịch bản khác là chuyển đổi người dùng hiện tại. Sự khác biệt duy nhất là phương pháp thu thập dữ liệu và kiểu dữ liệu dành cho khách hàng tiềm năng và người dùng hiện tại là khác nhau, vì người dùng hiện tại có lượng dữ liệu trong miền tích lũy lớn, trong khi dữ liệu trong miền dành cho người dùng tiềm năng lại rất thưa thớt.

Trên thực tế, cho dù là xác suất nhấp chuột CTR, chuyển đổi đăng ký hay chuyển đổi mua hàng, thì quá trình tối ưu hóa về cơ bản đều dựa trên các mục tiêu thuật toán khác nhau. Điều này liên quan đến một số khía cạnh cốt lõi, cụ thể là nhãn hành vi và chân dung người dùng.

Chân dung người dùng được sử dụng làm cơ sở để lựa chọn nhóm dân số mục tiêu và nhãn được sử dụng làm tính năng đào tạo. Tất nhiên, chân dung người dùng có thể được sử dụng làm cả mục tiêu và kết quả. Về bản chất, mô hình này là chân dung người dùng chính xác .

Những người dùng khác nhau sẽ luôn làm bạn ngạc nhiên, vì vậy các thao tác tinh chỉnh cần phải có thao tác nhóm người dùng và chân dung nhóm. Khi hiệu suất của người dùng không có đặc điểm kinh doanh rõ ràng, sẽ rất khó để xác định hiệu suất đó thông qua kinh nghiệm của chuyên gia. Lúc này, cần sử dụng thuật toán thông qua phân cụm đám đông để tìm ra một số khác biệt đặc trưng và hiệu suất đáng kể. Tôi sẽ không đi sâu vào chi tiết về mô hình cụm và thuật toán ở đây. Để biết thêm chi tiết, vui lòng tham khảo bài viết trước của tôi "Tư duy phân tích dữ liệu chuyên sâu".

Do đó, bản chất của dữ liệu hướng đích là cách áp dụng tốt hơn công nghệ dữ liệu vào các tình huống kinh doanh để giải quyết vấn đề và đạt được khả năng tự động hóa và trí tuệ thông qua dữ liệu. Vai trò của dữ liệu thiên về "sàng lọc". Sự thật có vẻ phức tạp nhưng thực ra lại đơn giản nhất.

Khi bạn đã hiểu được logic và khuôn khổ cơ bản, bạn sẽ hiểu được cách tăng trưởng người dùng dựa trên dữ liệu.