Compartiendo casos de operación de usuarios de supermercados de alimentos frescosAntecedentes de la operación: en el período anterior, una nueva tienda de supermercado de alimentos frescos tenía 654,38 millones de usuarios en el período de introducción, y solo 654,38 05 usuarios ingresaron al período de crecimiento. La tasa de retención de clientes antiguos también es inferior al valor de referencia de una tienda nueva normal. ¿Cómo ayudar a esta tienda a mejorar el ciclo de vida del usuario? En respuesta a este problema, dividimos la estrategia del usuario en varios pasos: 1. Obtener información sobre las rutas y características típicas del usuario desde el período de introducción hasta el período de crecimiento, y encontrar el enfoque para la optimización; 2. Establecer un sistema de incentivos de subsidios; sistema de alcance; 3. Construya un sistema de gestión antipérdida y primero hablemos de la estrategia única 1 a N basada en la ruta óptima. El primero es conocer los caminos y características típicos de los usuarios que ingresan a la etapa de crecimiento. Aquí, hablemos de la definición de período de crecimiento. Definimos el período de crecimiento de usuarios como el tiempo que tardan los usuarios en alcanzar un ciclo de recompra estable. A través de información, descubrimos que la tasa de abandono de los usuarios que completaron tres pedidos en 35 días se redujo significativamente, lo cual es un indicador de la Estrella Polar para que podamos definir el período de crecimiento. ¿Cuál es el propósito de obtener información sobre la ruta del usuario? El primer propósito es analizar si la ruta 1 o la ruta 2 es mejor desde el período de introducción hasta el período de crecimiento. El segundo es trazar la estrategia operativa basada en el camino óptimo, como esta aplicación de supermercado de alimentos frescos. Hay varias rutas sólidas para que los usuarios completen conversiones individuales 1-3: Lista de cupones: ir al área de productos de cupones disponibles para usar Ruta de pedido dos: Búsqueda de inicio Ruta de conversión tres: Página de inicio Área de actividad Período de introducción Ruta del cupón, los usuarios completan tres La proporción de pedidos ha llegado a 60, lo que indica que la mejor manera para que los nuevos usuarios permanezcan en la APLICACIÓN es la nueva estrategia de subsidio de paquetes de regalo. Hemos realizado una serie de ajustes a nuestra estrategia de paquete de cupones. Por ejemplo, utilizamos un producto de recordatorio del progreso de la tarea para los recién llegados. Cada vez que un usuario realiza un pedido, el banner en la parte superior de cualquier página mostrará el descuento para el siguiente pedido y el paquete de regalo sorpresa después de completar tres pedidos. Este es un sistema de incentivos muy simple. Con este producto, el efecto de promoción del embudo 1 a N para nuevos clientes es bastante obvio y la proporción de usuarios que han transferido dos pedidos o más aumentará de 40 a 67. Centrándonos en el modelo de "primer pedido e incentivo inmediato después de cada compra", aseguramos el conocimiento de los nuevos usuarios por adelantado y los guiamos para que completen de 0 a 3 conversiones de pedidos. 2. Hablar sobre la formulación de subsidios y estrategias de subsidios de incentivos: primero, establecer una estrategia de emparejamiento entre la promoción del producto y los usuarios; segundo, establecer un sistema de evaluación de los subsidios a los usuarios. La primera coincidencia de usuarios de promoción de productos es la más crítica en el sistema de alcance, como las actividades de fresa hoy y las actividades de Apple mañana. El mayor problema cada vez que se impulsa este tipo de actividad es qué usuarios deben ser empujados con mensajes push y de texto, o molestará a los usuarios cada vez, o simplemente se estratificará según los datos de clics del usuario, pero se descubre que no es exacto. La solución principal a este problema es el uso de modelos de series de tiempo de preferencia. La predicción de preferencias es una tarea importante en los escenarios de recomendación. El principio es utilizar el modelo para predecir el próximo comportamiento de compra del usuario dada la secuencia de productos que el usuario compró anteriormente y la caída temporal de la línea de interacción del producto. El funcionamiento del modelo de series de tiempo de preferencia se puede obtener mediante el análisis de SPSS: si estos son los datos de la tabla inferior de los pedidos de los usuarios, construiremos un modelo de análisis a través de los datos: el objetivo es construir un modelo de minería a través de estos datos de la tabla inferior. extraiga los hábitos de orden de compra del usuario y prediga el usuario ¿Qué comprará en el próximo punto de compra? Construimos un flujo de análisis de series temporales a través de SPSS y el modelo de datos nos ayuda a predecir. El resultado de salida de este flujo de datos es: El resultado del análisis de series de tiempo del usuario se traduce como: Si el usuario compra manzanas y huevos, la confianza para comprar manzanas la próxima vez es 100 (debido a que los datos experimentales están sobreajustados, por lo que es una probabilidad de 100). Si hay una mayor credibilidad de los datos del pedido, significa que después de que el usuario compra manzanas y huevos, en segundo lugar, con respecto a cómo establecer un sistema de evaluación para las visitas de los usuarios y los subsidios de actividades, hay dos indicadores de evaluación, a saber, la promoción de GMV. tasa y ROI a medida que los usuarios crecen, hacemos pruebas AB. Seleccionamos a los usuarios en crecimiento y los dividimos en grupos experimentales, y seleccionamos aleatoriamente algunos usuarios como grupo de control. Por ejemplo, hay 10,000 usuarios en el grupo experimental y. 10.000 usuarios en el grupo de control envían 20,5 cupones de subsidio, enviados a través de mensajes de texto dirigidos, la tasa de conversión del grupo de intervención fue de 10 y la tasa de conversión del grupo de control fue de 6.

Si insiste en que la estrategia de intervención es efectiva, puede que no sea convincente, porque la emisión de cupones inevitablemente promoverá la conversión, por lo que depende de si la tasa de promoción de GMV y el retorno de la inversión cumplen con las expectativas. En pocas palabras, la comparación entre la tasa de adquisición de 6,5438 millones de personas y la tasa de mejora de GMV antes y después de la intervención = parte de mejora de GMV/línea de base de GMV. Por ejemplo, en nuestro caso, si la línea base de GMV no interfiere con la conversión natural, entonces el pedido es de 60.000 personas. Según el pedido de pasajeros de 20 yuanes, el GMV es de 6,543802 millones. Tras la intervención, según la lista de pasajeros de 15, el GMV es de 15.000, el GMV de ganancia es de 300.000 y la tasa de promoción de GMV es de 25. Luego calcule el costo. La tarifa del cupón es de 500.000 yuanes y la tarifa del mensaje de texto es de 654,38 0 centavos. El coste total es de 600.000. Encontramos que el ROI es 0,5, encontramos que 20 menos 5 no es lo que esperábamos, ¿verdad? Luego usamos el mismo método para probar 45 menos 65, 438 0 cupones, y aumentaremos la lista de clientes hasta que el ROI sea mucho mayor que 654,38 0. Finalmente, se puede formar una matriz de tasas de promoción de ROI y GMV, y todos los subsidios, descuentos y cupones se pueden colocar en esta matriz para ver dónde se distribuyen las burbujas con las mayores tasas de promoción de ROI y GMV. Esto se basa en la acumulación histórica de juego y estrategia. En tercer lugar, hablemos del proyecto de gestión de alerta temprana para la pérdida de usuarios. Si la tasa de abandono mensual es de alrededor de 10, los usuarios que cumplan con la definición de tasa de abandono serán excluidos cada semana antes del proyecto de alerta temprana. Si el número de MAU es 100.000, el número de personas retiradas por semana es de aproximadamente 100.000, la tasa de clics de SMS es de aproximadamente 0,4, la tasa de conversión de pedidos es 5 y se puede retirar un máximo de 200 personas cada vez. El modelo de alerta temprana puede reducir la tasa de pérdida móvil mensual a aproximadamente 6 y aumentar la tasa de conversión de intervención temprana a 10. Déjame decirte exactamente cómo. La primera parte es la construcción del modelo, la segunda parte es la alerta temprana jerárquica del usuario y la tercera parte es la construcción del modelo de estrategia de recuperación, que consta de tres partes: definición de la ventana de tiempo de pérdida, definición de la característica de pérdida y modelado de algoritmos. El método de definición del tiempo de pérdida se determina en función del punto de inflexión de la tasa de regresión de pérdidas. Además, la definición de las características de pérdida es el núcleo del diseño del modelo. Extraeremos indicadores de modelado de escenarios de pérdidas específicos para construir características. Por ejemplo, algunos usuarios se pierden debido a una mala experiencia en el servicio de entrega. Y después de que las quejas no se resuelven bien, se pueden derivar varios indicadores para predecir la deserción de usuarios en este escenario, como el número de entregas, la cantidad de quejas y la proporción de resolución de quejas, y se puede analizar la relación entre la deserción y la deserción. Nuevamente, debido a la menor variedad de cotizaciones y materias primas, se pueden utilizar indicadores para describir estos escenarios. La parte del algoritmo es un problema de modelado de predicción de dos clases, que se puede utilizar para evaluar indicadores del algoritmo como el valor AUC, la precisión, la tasa de recuperación, etc., y seleccionar características de muestra basadas en estos datos durante el proceso de modelado. En cuanto a la estrategia de recuperación, dado que la advertencia a los usuarios realmente no se ha perdido, hay tiempo suficiente para conocer las preferencias históricas de los usuarios y elaborar una estrategia de recuperación específica. Pero hay dos problemas al implementarlo aquí: el primero es que todos los datos del usuario fluyen juntos hacia el modelo para obtener resultados de predicción. Pero esto a menudo encuentra un problema, es decir, los usuarios de abandono previstos tienden a tener poca actividad, mientras que la tasa de recuperación de abandono prevista de los usuarios muy activos es básicamente cero. Por lo tanto, para evitar este problema, los usuarios con diferentes niveles de actividad se pueden modelar por separado. La segunda es que es difícil que la precisión y la recuperación del modelo alcancen niveles doblemente altos al mismo tiempo. En este momento, los parámetros se pueden optimizar de acuerdo con el objetivo de alerta temprana. La estrategia de retiro de alto costo (emisión de cupones para consumidores) presta más atención a la precisión de las advertencias de pérdida; a la tasa de recuperación de avisos de pérdida. Lo anterior es lo que compartí en el combate real. Las operaciones del usuario son inseparables de la información y el modelado. Se pueden generar conocimientos como la ruta del comportamiento del usuario, el análisis y la predicción de los hábitos de las series temporales del usuario, sin mencionar los modelos, así como los modelos de predicción de series temporales y los modelos de alerta temprana de abandono de usuarios. Además del modelado realizado por ingenieros de algoritmos, los usuarios también pueden utilizar el software de análisis SPSS para crear modelos de usuario. Siempre que sepan cómo utilizar SPSS, pueden realizar rápidamente hipótesis, ejecutar y verificar en función de las conclusiones, pero la eficiencia es mucho mayor que. La llamada minería de big data por parte de los ingenieros de algoritmos, incluso si es grande, la minería de datos es repetitiva. Realice el curso de análisis de SPSS y escanee el código QR para ingresar a la Academia de operaciones de usuario: columnista Zhao Wenbiao, cuenta oficial de WeChat: Observación de operaciones de usuario (ID: Yunyingguancha), todos son columnistas de gerente de producto.