极客时间已完结课程限时免费阅读

31 | 案例解析:唤醒沉睡用户(下)

31 | 案例解析:唤醒沉睡用户(下)-极客时间

31 | 案例解析:唤醒沉睡用户(下)

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
生成海报并分享

赞 3

提建议

上一篇
30 | 案例解析:唤醒沉睡用户(上)
下一篇
32 | 没有分解,就无缘增长
unpreview
 写留言

精选留言(4)

  • 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