電商行業充斥著大大小小的促銷活動，各大APP也常常上演補貼大戰，在開疆闢土階段，砸錢讓利招攬用戶的法子自然最為好使，但當形成一定規模之後，瘋狂補貼的模式是否仍然高效？個性化的運營策略是否有必要？活動的真實效果到底如何？
為順應用戶增長、運營和效率提升的需求，結合個人之前的實踐方法，在此以電商行業的促銷為例構建策略如下：
首先，可以通過用戶生命周期概覽，確定當前階段應重點運營的用戶，作為主要目標用戶。
目前行業通用的用戶生命周期模型把用戶分為五個階段，即「新手階段」、「成長階段」、「沉默階段」、「流失階段」和「忠誠用戶」。
說到增長，前期拉新當然很重要，但是增長的終極目標還是希望忠誠用戶或者超級用戶越多越好，那麼就需要針對各個階段的用戶進行刺激和引導，提高留存率，增強用戶粘性，將他們轉變為忠誠用戶。
通過用戶概覽，可以了解當前的用戶數量分布，例如以下圖的展示形式，我們除了可以了解到各階段用戶的數量和環比之外，還可以看到每個階段的用戶轉化比例，如果成長階段的用戶數量下降，可能是因為有很多成長用戶轉變為了成熟用戶，那麼針對成長用戶的策略說明是卓有成效的，接下來我們應該著力於引導新手轉化為成長用戶，或嘗試更多拉新工作，擴大底層用戶量級。
除此以外，如果將沉默或流失用戶的定義進行細化，可以發現每個階段都存在用戶的直接流失或沉默，因此在具體策略上需要區別對待。
通過用戶概覽，我們可以確定當前階段應重點運營的用戶，接下來，自當進一步研究該類用戶的偏好，從而針對性採用增長策略。
通過上一步，我們確定了主要運營對象，如「成長用戶」，那麼接下來，需要了解該階段用戶的關注因素，從而確定我們應該採用什麼樣的商品促銷或是補貼。
對電商行業而言，促銷最終都是落到商品上，因此我們可以通過研究用戶的瀏覽行為，來識別用戶最關注的商品特徵。
首先，我們按照時間段將用戶最近的瀏覽行為切分為不同的切片，如session或者每30分鐘的瀏覽行為作為一個切片，然後統計每一個時間段切片下用戶瀏覽各個商品的次數。
接著，我們可以計算出每兩個時間段之間，各個商品的跳轉比率，例如，用戶只有兩個時間段下的行為數據，在時間段1下，用戶瀏覽A商品8次，瀏覽B商品12次，而在時間段2下，用戶瀏覽B商品6次，瀏覽C商品4次。
那麼，可計算跳轉比率（Transfer_Ratio）如下：
為了簡化，此處只統計了一個用戶兩個時間段下的跳轉行為，因此跳轉比率正好是在時間段2下各商品的pv佔比。我們拓展到全部成長用戶所有時間段下的跳轉行為，就能得到對於所有成長用戶而言，任意兩個商品之間的跳轉比率。
之所以這裡按照時間段進行切分，是因為用戶的瀏覽行為存在很大不確定性，可能受到廣告、資源位等多種因素的影響。但我們認為，在某一段時間內的總pv數能反映出用戶的關注度，就好比是把每個時間段都看成了一個「訂單」，用戶第一單買了8個A商品和12個B商品，第二單買了6個B商品和4個C商品，我們通過分析用戶兩單的差異，來判斷用戶對於各個商品偏好程度的改變，而綜合所有用戶的所有「訂單」得到的跳轉比率，可以用來識別各個商品之間的替代概率。
有了跳轉比率後，我們可以了解到商品之間的替代關係，那麼商品之間為什麼會存在這樣的替代關係呢？用戶為什麼會從一個商品跳到另一個商品？這些商品存在什麼樣的特徵呢？
為此，我們構建了一套完整的算法模型，由於涉及到機器學習的相關內容，較為複雜，這裡重點只分享核心原理。
首先，我們將商品拆解為各種屬性特徵，如果商品在某個特徵上相同，則記為1，不同則記為0，構建特徵異同-跳轉比率表如下：
接著，以特徵異同為自變量，以跳轉比率為因變量，基於機器學習算法，可以擬合出預測模型，即最終可以通過一組商品的特徵異同，來預測出跳轉比率。
最後，基於控制變量的思想，我們要看某一個特徵的重要性，那麼，可以在其他特徵異同值不變的情況下，將該特徵取相反的值，來看跳轉比率的變化情況。
例如：我們要看顏色的重要性，那麼其他特徵異同值不變，只改變顏色的值可得：AB（1，0，1)，代入預測模型，發現跳轉比率由原來的18%升為了50%，對於其他商品組也有相似的結果，因此說明顏色在用戶瀏覽跳轉過程中起到了關鍵的作用。
以此類推，最終可以得到各個特徵的重要性排序：性能、顏色、大小。
僅僅識別出影響成長階段用戶跳轉的特徵還不夠，最後的目的還是要刺激用戶產生購買行為，那麼用戶的瀏覽行為與購買行為之間是否存在著必然的聯繫呢？
為此，我們需要驗證用戶瀏覽時最關注的特徵與所購商品特徵的一致性，以防一些關注度很高的特徵只能博人眼球，卻不代表用戶真實偏好，無法促成購買轉化。
根據上一步的方法可得每個用戶在任意兩個商品之間的跳轉pv（transfer_pv），那麼，按照屬性進行匯總計算，可以得到同一特徵下，任意兩個特徵值之間的跳轉pv。
如對於顏色這一特徵而言，可分別計算得出 紅色->藍色 、白色->藍色 和 藍色->紅色、藍色->白色 的跳轉pv，將跳轉至藍色的跳轉pv和從藍色跳轉出的pv作差可得藍色的淨跳轉pv。
為驗證一致性，我們取已購用戶所購商品特徵來對比觀察：
根據數據所示，最終購買某一顏色商品的用戶，瀏覽相應顏色商品的淨跳轉pv也明顯最高，說明顏色特徵的瀏覽和購買行為之間存在著較高的一致性，因此可以通過相應瀏覽行為來作為判斷用戶購買考慮的標準之一。
同理，如果瀏覽淨跳轉pv最高的特徵與所購商品特徵明顯不一致，那麼說明該特徵的瀏覽行為不能作為判斷用戶購買考慮的標準，應當從模型中剔除。
根據成長階段用戶的關注特徵排序，建立相應商品促銷與用戶的匹配策略：
此外，這裡的方法同樣適用於內容app，通過用戶對各類內容的瀏覽，可以了解用戶最關注的是哪些內容標籤。那麼後續可以針對用戶最可能感興趣的付費專題進行推送觸達，同時匹配一定的紅包折扣，以達到用戶增長和轉變的目的。
增長策略不同於廣告的邏輯，並非拿錢換流量，而是用儘可能少的費用帶來巨大的用戶提升。
而促銷或補貼的的效果評估可分為兩個部分，即觸達點擊效果和促銷/補貼效果。
為用戶匹配符合其需求的商品促銷，並在觸達消息中展示商品信息，目的是為了提起用戶的興趣，提高點擊率。而影響最終下單率的因素，除了商品匹配的準確性以外，還有促銷策略的高效性，為此，還需建立起一套促銷的綜合評估體系，以衡量每次促銷活動的效果。
我們沿用行業慣用的AB測試來建立評估體系，具體方案和指標如下：
首先，篩選出成長階段的全部用戶，並隨機抽取一部分用戶作為測試組，在不做任何幹預的情況下，暗中觀察用戶的轉化情況。
因此，我們以對照組的轉化率作為沒有促銷情況下的自然轉化率，那麼，可以得到以下與用戶相關的指標：
同理，從經營分析的層面，我們可以評估實際的銷售效果：
註：GMV提升一方面體現在拉來本不會下單的用戶所產生的GMV，另一方面，可能會提升/降低本來就會下單的用戶的客單價（滿減促銷可能會提升客單價），因此要計算這兩部分的GMV提升。
最終，我們可得到評估經營效果的兩個綜合指標：
以上指標羅列的目的是便於理解指標的拆解計算過程。但對於不同角色而言，最終只需要關注與其相關的結果指標。
通過每一次的促銷，可以沉澱相應的指標數據，當數據足夠多的時候，便可以基於各類促銷策略的歷史效果來指導下一次的促銷優化。
但由於AB測試存在較多不確定性因素，比如實驗結果會嚴重受到樣本數量的影響，因此，在使用AB測試的效果評估數據進行策略優化時，需先判定每次促銷AB測試結果的差異顯著性。
AB測試歸根結底是用兩組樣本的轉化率差異來估計總體的差異，而AB測試屬於伯努利試驗，根據中心極限定理，其隨機抽樣分布服從正態分布，因此可採用均值差的Z檢驗來判斷兩個組的轉化率差異是否顯著，具體公式如下：
最終，我們選取Z檢驗結果顯著的實驗數據，按照GMV提升率和ROI構建效果評估矩陣如下：
其中，GMV提升率反應的是活動對於GMV的提升效果，如果當前的目標是不惜一切代價衝GMV的話，那麼應該選擇GMV提升率高的促銷方案。
而如果需要權衡考量利潤的話，那麼還應該把ROI納入分析，選取GMV淨提升率較高，同時ROI也較為可觀的促銷方案。
對於GMV提升率和ROI都較低的方案應該適當捨棄，因為機會成本較高，需避免資源的浪費。
通過層層下鑽分析的方式，最終可以分析出什麼樣的促銷形式、促銷力度效果最優，從而指導運營和銷售人員進行策略優化，提升促銷效率。
綜上，我們搭建起了一整套從用戶分析到促銷優化的智能策略，以期提升相應工作人員的CRM技術管理水平，從而花最少的錢帶來最大限度的用戶增長。
Mr.墨嘰，公眾號：墨嘰說數據產品，人人都是產品經理專欄作家。電商行業資深產品經理，擅長策略構建，數據分析。
本文原創發布於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議