データ操作: ビッグデータによってユーザーの支払い意欲はどのように高まるのでしょうか?

製品が開発の一定の段階に達すると、商品化は避けられない問題となります。お金を儲けずに投資家と感情を語るというのは、ちょっと無謀です。

しかし、商業化というテーマは広すぎるため、今日はまずビッグデータの機能を活用して顧客の支払いを促進する方法について議論したいと思います。以下は、このプロジェクトに関するいくつかの考えです。

1. はじめに

1. 背景: 顧客を獲得した後、有料ユーザーへの転換に課題がありました。ここでは、そのような状況下で私たちが行った試みや考えをいくつか紹介します。

2. 適用対象: ユーザーを変換するための製品戦略の使用方法についても考えている場合は、eコマース製品に関するこのトピックについて一緒に話し合うことができます。

3. コンテンツ フレームワーク: 予備調査、問題の露出、解決策のアイデアの 3 つの部分に分かれています。

2. 初期の探査

ユーザーをコンバージョンさせるために、私たちは初期段階でアルゴリズムの同僚といくつかの試みを行いました。主な手順は、ターゲット グループを見つける - アクティビティを設計する - ユーザーにアプローチしてコンバージョンを促進する、というものでした。以下は実際のプロセスの一部を再現したものです。

1. ターゲットオーディエンスを見つける

ビジネス経験に基づいて、データベースからコンバージョンの可能性が最も高い相関性の高い顧客のリストを収集し、ホワイトリスト顧客タグを作成します。たとえば、年齢、性別、地域などの顧客の基本的な社会的属性に基づくもの、カード保有の有無、ポイント保有の有無などの顧客の取引特性に基づくものなどです。

1. デザイン活動

これらの顧客が好む可能性のある人気商品を選択し、それに応じた特別イベントを企画したり、季節のイベントを見つけたりして、コンテンツをパッケージ化します。

1. 顧客との接点を見つける

アプリプッシュ、SMS、WeChatサフィックスなどのチャネルを通じて顧客にアプローチする

1. データを分析する

リーチ可能なグループのリストを収集し、過去3日間の取引行動の変化を追跡し、コンバージョンファネルを分析します。

3. 露出の問題

一見すると、上記の全体的な考え方には問題はないように思えますが、実際には多くの問題があり、それは主に次の 3 つの点に反映されています。

1. 群衆は正確ではない

① 脳による分析への恐怖：ビジネス経験を通じて発見された一次元的な群衆は、ユーザーの取引意図を効果的に判断することができない。

②集団が分散して重複しており、行動集団を区別できないため、効果的な管理・運営が不可能である。

1. 持続可能かつ効果的な変換エンジンの欠如

問題は主に2つの側面にある。持続不可能性と効果測定の難しさである。

（１）持続可能性

① 対象母集団を見つけるためのデータ収集が遅すぎる：推測によって対象母集団を見つける場合、ユーザーをスクリーニングするたびに、ビッグデータ チームが一度データを収集する必要があります。一方で、クラウドリストは一度限りのものであり、再利用性が低い。他方、アルゴリズムの学生の研究モデルは十分に活用されていない。

② 長いアクティビティ設計サイクル：群衆を見つけ、アクティビティを計画し、ページを設計し、アクティビティを開始する。このサイクルは長すぎて、適時性が低く、満たすのが困難です。

③ 手動によるアウトリーチには時間がかかります。イベントごとに 1 回限りのアウトリーチを実施するのはオペレーターにとって非常に困難であり、時間を割くことができません。

（２）効果を測定できない

① 各コンタクトの活動はゲリラ戦のように分散しており、戦略が有効であるかどうかを継続的に観察することは不可能である。

② 実験的思考の欠如：全体的なコンバージョンモニタリング指標の形成に失敗し、リーチ活動のためのコントロールグループが設定されていませんでした。

1. データ分析の難しさ

各アクティビティ分析にはデータ収集が必要であり、分析の適時性は保証されません。各レベルのデータは異なるシステムに属しており、基礎となるデータ テーブルをリンクすることはできません。

4. 解決策

これまで明らかにされた一連の試みと問題は、私たちが次のアイデアを決定するための良い基盤を提供します。この記事の主題に戻りましょう。ビッグデータの力を活用して、ユーザーが簡単に有料顧客になれるようにするにはどうすればよいでしょうか。

ここでの中心的な考え方は、最も簡単にコンバージョンできる顧客を見つけるのに費やす時間を短縮し、顧客と接触するための最も適切なオファーを得ることです。

オファーとは何ですか?ここで、私たちの定義の範囲には、機能的な製品の優位性（つまり、製品の仮想価値）と利益分配型の売れ筋活動（割引、新規顧客向けギフト パッケージ、売れ筋製品）が含まれることを説明しておきます。

では、具体的な運用アイデアは何でしょうか?段階的に分解して見てみましょう。

1. 自分の強みを見つける

多くの場合、製品（プラットフォーム）自体の利点が単独でパッケージ化されていますが、市場/ユーザーからのフィードバックに基づいて、これは本当にそうでしょうか？新規顧客があなたのプラットフォームを選んだのはなぜですか?

この問題を理解するために、私たちは次の 2 つのことを行いました。

① 過去 1 年間の新規ユーザーの最初のコンバージョンの注文データを取得します。データからユーザーのコンバージョンの背後にある決定ロジックを分析します。結果は非常に明白です。X% のユーザーが A を選択し、X% のユーザーが B を選択しました...具体的なデータについては詳しく説明しません。

② ユーザー調査: プラットフォームに対するユーザーの認識と、プラットフォームで初めて購入する動機は何ですか?

膨大な履歴データとユーザー調査に基づいて、当社のプラットフォームのどの側面がユーザーにとって魅力的であるかを把握できます。

1. 人口階層化

ユーザー変換プロジェクトは、アルゴリズム、ビジネス、運用、製品を含むチームワークです。前述のように、ユーザーを分割できない場合、チームは混乱し、目標が失われます。こうすると、ユーザーを適切に管理できなくなります。ここでは、プラットフォームに対するユーザーの認識とユーザーの好みの4象限階層化を採用しています。

高い傾向: プラットフォーム製品に対する傾向が高い人々。これは傾向モデルを通じてスクリーニングできます。

高認知度: 認知度は、ユーザーとプラットフォーム間の接続の近さに応じて分類されます。たとえば、製品購入のブレークポイント顧客は、プラットフォームについてより詳しい人々です。登録したばかりの新規ユーザーは認知度が非常に低いため、まず認知教育を受ける必要があります。

群衆のセグメンテーションは最初のステップに過ぎません。2 番目のステップは、各グループのユーザー数を調べることです。まず、ブレークポイント顧客、アプリアクティブ顧客、アプリ登録ユーザー、WeChat フォロワーなど、ユーザー認知に基づいて分割し、次に各レイヤーのコンバージョン目標を設定し、各アクションチームがタスクを要求します。

1. アルゴリズムモデルのサポート

アルゴリズムのビジネス要件は、実際には、ビジネス目標を設定することです。たとえば、クラス A 製品を購入する可能性が最も高いユーザー (注: ここでのクラス A 製品は、自社製品の利点と組み合わせて設定する必要があります) を設定し、次にアルゴリズム担当者がビジネス目標に従ってモデル化します。これには、問題のモデリング (指標評価、サンプル選択、相互検証)、機能エンジニアリング、モデル選択、モデル融合、そして最後にモデル検証が含まれます。

もちろん、上記は完全なモデリング プロセスです。実際のアプリケーションでは、常に小さなステップから始めます。まず、比較的単純な IV 値の推定を使用して、相関の強い顧客ディメンションを見つけ出し、それをビジネス側に試用させます。

1. 詳細なシナリオに基づく自動操作

この部分が最も重要だと私は思います。ユーザー変換のプロセスは、特定のトリガー シナリオで、習慣的な行動ルートを通じて、目的のコンテンツを取得するというものである必要があります。ここでは、高頻度シナリオマイニング、自動戦略サポート、戦略実行の 3 つの部分に分けられます。

（１）人口階層化に基づく高頻度シナリオの発見

① ユーザーの行動の好みを理解する。オンライン行動: アクティブユーザーは定期的にチャンネルや機能を閲覧したり、アプリで特定のコンテンツを検索したりします。オフライン行動: ポンドに基づいて、ユーザーが出現する都市を把握します。

② このユーザーグループの取引の好みを理解する: 行動の好みを把握した後、次のステップは、ユーザーの取引の好み、好きなもの、好きなものを理解することです。

（２）自動化されたビジネス戦略

手動でプッシュを設定すると、時間と労力がかかり、顧客のコンバージョン ニーズにまったく対応できません。したがって、次のような新規顧客変換の主要なシナリオとルートに基づいて、いくつかの自動化戦略を設定できます。

① 顧客ブレークポイント自動回収戦略：閲覧・コメント・フォロー・未使用クーポンなどを行った顧客を自動的に収集し、回収対象とすることができます。例えば、顧客が過去3日間に特定の商品を閲覧した場合、その顧客に特典ポイントを付与してからリーチすることができます。

② 主要シナリオ向けのフルリンク待ち伏せ戦略：タスク完了前、完了中、完了後にコンバージョンコンテンツでユーザーを待ち伏せします。もちろん、傾向の高い顧客グループにリーチすることを優先し、過度に邪魔しないようにします。

③その他、顧客オフライン設定T+x日接触戦略、顧客サイレント設定利益分配戦略などがあります。

（３）戦略実行

実験設定の比較ディメンションは、チャネル、顧客グループ、オファーです。ここで強調しておきたいのは、戦略全体の目標を明確に定義し、コントロールグループを設定する必要があるということです。そうしないと、その後のデータが説得力を持ちにくくなり、戦略を固め続けるべきかどうか判断できなくなります。

5. データ分析

この部分では、各ノードのデータを連結し、各実験に基づいた視覚的な分析と比較を実現することに重点が置かれます。これはプラットフォーム自体のデータ管理が標準化されているかどうかによって決まります。データ収集が標準化されていない場合、分析に不利になるケースが多くなります。ここでは詳しくは書きませんが、よろしくお願いします〜

プロセス全体を通じて、ビッグデータは企業が自社の優位性を特定し、傾向の高い顧客グループを見つけるためのモデルを構築するのに役立ち、実験的なデータ分析をより強力にサポートして、ビジネス運営をより洗練されたものにしました。ユーザーのコンバージョンに関しても、より厳格かつ体系的になっています。

上記はあくまでも想像ですが、参考になれば幸いです。

思考マップの全文を添付します。

出典:のび太がカバンを運ぶ (dxbqxngo)