31 | 案例解析：唤醒沉睡用户（下）

Jun 21, 2019

31 | 案例解析：唤醒沉睡用户（下）-极客时间



下载APP





关闭

讲堂部落提薪训练营云原生训练营架构实战营企业版极客商城兑换中心 App下载浏览器插件

渠道合作

推荐作者

31 | 案例解析：唤醒沉睡用户（下）

2019-06-21 刘津来自北京

《从0开始做增长》

课程介绍



讲述：刘津

时长08:53大小8.12M



你好，我是刘津。
今天我们接上一讲内容，继续介绍唤醒沉睡用户的案例。
上一讲中，我们提出了三大假设：找到“对的人”、在“对的时间”、用“正确的方式”唤醒用户。并且明确了“对的人”，也就是高潜用户及分类。今天我们继续分析对的方式以及对的时间。
找到对的方式：最佳唤醒方式如何找到最佳唤醒方式呢？还记得用户增长地图里根据洞察提出机会的方式吗？这里也是类似的。
我们之前把用户分成了三类，分别是注册未激活用户、激活未申请用户、申请未完成用户。这三类也刚好代表了三个重要的用户旅程节点。
围绕这三个旅程节点，我们可以结合数据分析及用户访谈，试图洞察出用户沉睡的原因，并提出唤醒方式。
比如对于注册未激活用户，他们在 H5 营销落地页面上注册了以后，发现还要下载 App，可能就望而却步了。因为一些用户手机设备一般，对流量敏感，不想额外耗费太多流量。对于这样的用户，可以推荐用户关注微信公众号，在公众号上也可以实现借款或引导下载 App。
而对于激活未申请用户，他们虽然下载了 App，但却没有进一步的行为，是因为一些用户没找到合适的借款产品或觉得费率太高。针对这些用户，可以提供更详细的解释说明并尝试发放还款抵用金，或推荐用户一些优惠活动等。
最后是申请未完成用户，他们已经填写了部分信息，但没有走完全部借款流程，很可能是在借款的过程中受到了阻碍，或不符合当前产品的申请条件。如果这个时候有客服提供帮助，就很可能促成转化。当然如果能针对用户常见的问题适当改进界面说明及体验，也会有一定成果。
所以，最佳的唤醒方式，就是针对不同类的人群，提供最适合的方式。
找到对的时间：最佳唤醒时间找到对的人和对的方式后，如何找到对的唤醒时间呢？其实这相当于对“时间”这个大变量维度做小变量分解，所以我们还是遵循分解从大到小的原则。
首先以年和周为单位，看需求旺盛期。因为借款是有旺季和淡季之分的，每年 12 月到春节前是贷款旺季。另外，工作日比节假日贷款需求更高。这些结论一方面可以通过数据统计得出，另一方面也可以根据常识得出。
接下来以天为单位，看转化窗口期。也就是看用户有实际行为后的第几天最有可能被唤醒。
我们分析历史数据并做成图表，看用户最后使用产品的第一天、第二天……到第 N 天的自然转化情况（图片仅做示意，非真实数据）。找到曲线中的“转折点”，也就是没有按照自然规律直线下降的时间节点，尽量把握住这个时间节点唤醒用户。
当然，这里不能盲目地观察数据，还要多和内部同事交流，看某一天转化提升真的是因为自然转化，还是其他团队的同学做了什么事情导致的。
最后，是以小时为单位看借款活跃期。通过数据可以看到，从上午十点到晚九点之前是活跃时间。
这样我们就大致了解了唤醒时间这个“大变量”下面的“小变量”。
通过分解层层细分变量前面我们已经大致梳理了三大假设，即对的人、对的事、对的时间，以及对应的分解思路。
然而这些只是最基本的，我们还需要在此基础上分解或平行发散更多必要的内容，直到完全可以落地执行。
比如，“提供刺激”表面上已经是在三级假设的基础上做的分解了，但很明显它还可以再进一步分解。因为“提供刺激”这个思路又能衍生出很多种方式，可以提供实际的优惠、也可以用通知的方式鼓励用户回来等等。
再比如“对的人”这里，除了前面分析的用户类型外，还可以再考虑用户来源、用户属性等等，建议越多越好。因为变量越多，做实验就越有可能找到效果好的。100 个选择总比 10 个选择更好。当然在后面实际测试时，我们还是会从中做筛选。
这里我也忍不住想补充上一讲说的那个问题：一级、二级、三级只是个不断向下分解的思路，它们的位置不是绝对的。如果一个三级项目够复杂，那可能不仅用到一级、二级的思路，还能再向下做很多级分解。当你面临一个问题不知道该如何下手时，就可以按照这个思路不断分解到最小颗粒度，直到解决问题为止。
正交试验大幅提升实验效率现在我们要进行到实验环节了，但是有个很大的问题，就是这么多的变量组合，这要实验多少次才能穷尽啊？
这和前面的优化流程或者界面的实验难度，可完全不是一个量级的。我们最终的目的是从所有种可能中找出一种最佳组合。
这里为你介绍正交试验的思路，它可以大幅减少实验次数。正交试验设计也叫 DOE（Design of Experiment），它是由罗纳德·费雪（Sir Ronald Aylmer Fisher）在 20 世纪初提出的，最早用于工业设计，后来由日本统计学家田口玄一发扬光大。
如图，假设现在有 3 个维度，每个维度下有 3 个细分变量，那我们一共需要实验 3×3×3=27 次。但是统计学家发现，其实并不需要进行完所有的实验才能找到效果最好的组合，只要选择其中有代表性的变量组合进行实验就够了。因为通过过往的统计经验，不具代表性的变量组合效果并不好，可以直接忽略。
图中绿色的节点就是有代表性的点，它们的特征是均匀分散、齐整可比。在网上可以找到正交表，通过正交表就能够查到具有代表性的点，如果不明白可以询问公司里的数据分析人员。通过正交试验，原来需要测试 27 次，现在只要测 9 次就可以了。这大大提升了实验效率。
最终，我们仅做了 9 次实验，就从若干变量组合中找到了一组最佳变量组合。使用这组变量组合唤醒用户，唤醒率比之前提升 1 倍，唤醒成本比之前降低 59%，试验次数比之前减少了 89%。
当然，如果有条件的话，也可以用机器学习的方式分析最佳变量组合。
精益闭环思路唤醒沉睡用户在项目一开始的时候，我就问项目成员，我们是否可以用精益闭环的思路来做这个项目。当时我心里其实也没有底，毕竟我们之前从来没接触过正式的运营以及数据分析工作，也没有用精益闭环的思路处理过这么复杂的问题。但大家最终还是愿意抱着试一试的心态去探索，没想到成功地帮助我们解决了问题，并取得了用户数量快速增长的效果。
这充分说明了精益闭环的通用性，它可以解决各种职能的问题；也说明了正确的思路不亚于传统的专业、技能、经验。
也许在不远的将来，不会再有这么多职能的区分，大家都能够用类似的思想去做事情。职能变得不再重要，因为技术和数据越来越受到重视，它们可以替代大量的简单重复性工作。剩下的是能够提出策略的人以及少量的执行者。
思考题继续总结这个案例，看你是否能通过它深入理解精益闭环的思路，并应用到自己现在的工作中？
欢迎把你的思考和疑问通过留言分享出来，与我和其他同学一起讨论。如果你觉得有所收获，也欢迎把文章分享给你的朋友。

分享给需要的人，Ta购买本课程，你将得18元

生成海报并分享

赞 3

提建议

30 | 案例解析：唤醒沉睡用户（上）

32 | 没有分解，就无缘增长

 写留言

精选留言(4)

坤
2019-06-21
特别认同对将来职能部门的预判。您对阿里巴巴ONE商业大会上提出来的”商业操作系统“怎么看？特别在辅助增长的方式上有何关联？谢谢
作者回复: 增长本身就是一件自上而下的事情，商业操作系统也好，以增长为导向的组织结构也罢，都是为了提升效率提升价值而存在，所以这就是最高维度的增长，而不是辅助增长。
3
Kalman
2020-07-20
老师，请教一下：文中“我们仅做了9次实验”，实验的具体操作步骤是怎样的呢？谢谢🙏
3
李沛欣
2019-07-09
也许在未来，增长是所有职能都要具备的工作职责，运用合适的数据和技术辅助决策，在给定北极星指标下共同朝着组织良性发展而努力。
1
程序员小跃
2019-06-21
通过这四个案例，感觉有那么点增长的意思在了
共 1 条评论

