电商行业充斥着大大小小的促销活动，各大APP也常常上演补贴大战，在开疆辟土阶段，砸钱让利招揽用户的法子自然最为好使，但当形成一定规模之后，疯狂补贴的模式是否仍然高效？个性化的运营策略是否有必要？活动的真实效果到底如何？

为顺应用户增长、运营和效率提升的需求，结合个人之前的实践方法，在此以电商行业的促销为例构建策略如下：

确定主要目标用户

首先，可以通过用户生命周期概览，确定当前阶段应重点运营的用户，作为主要目标用户。

目前行业通用的用户生命周期模型把用户分为五个阶段，即“新手阶段”、“成长阶段”、“沉默阶段”、“流失阶段”和“忠诚用户”。

说到增长，前期拉新当然很重要，但是增长的终极目标还是希望忠诚用户或者超级用户越多越好，那么就需要针对各个阶段的用户进行刺激和引导，提高留存率，增强用户粘性，将他们转变为忠诚用户。

通过用户概览，可以了解当前的用户数量分布，例如以下图的展示形式，我们除了可以了解到各阶段用户的数量和环比之外，还可以看到每个阶段的用户转化比例，如果成长阶段的用户数量下降，可能是因为有很多成长用户转变为了成熟用户，那么针对成长用户的策略说明是卓有成效的，接下来我们应该着力于引导新手转化为成长用户，或尝试更多拉新工作，扩大底层用户量级。

除此以外，如果将沉默或流失用户的定义进行细化，可以发现每个阶段都存在用户的直接流失或沉默，因此在具体策略上需要区别对待。

通过用户概览，我们可以确定当前阶段应重点运营的用户，接下来，自当进一步研究该类用户的偏好，从而针对性采用增长策略。

识别用户关注的特征

通过上一步，我们确定了主要运营对象，如“成长用户”，那么接下来，需要了解该阶段用户的关注因素，从而确定我们应该采用什么样的商品促销或是补贴。

对电商行业而言，促销最终都是落到商品上，因此我们可以通过研究用户的浏览行为，来识别用户最关注的商品特征。

1. 用户跳转比率

首先，我们按照时间段将用户最近的浏览行为切分为不同的切片，如session或者每30分钟的浏览行为作为一个切片，然后统计每一个时间段切片下用户浏览各个商品的次数。

接着，我们可以计算出每两个时间段之间，各个商品的跳转比率，例如，用户只有两个时间段下的行为数据，在时间段1下，用户浏览A商品8次，浏览B商品12次，而在时间段2下，用户浏览B商品6次，浏览C商品4次。

那么，可计算跳转比率（Transfer_Ratio）如下：

为了简化，此处只统计了一个用户两个时间段下的跳转行为，因此跳转比率正好是在时间段2下各商品的pv占比。我们拓展到全部成长用户所有时间段下的跳转行为，就能得到对于所有成长用户而言，任意两个商品之间的跳转比率。

之所以这里按照时间段进行切分，是因为用户的浏览行为存在很大不确定性，可能受到广告、资源位等多种因素的影响。但我们认为，在某一段时间内的总pv数能反映出用户的关注度，就好比是把每个时间段都看成了一个“订单”，用户第一单买了8个A商品和12个B商品，第二单买了6个B商品和4个C商品，我们通过分析用户两单的差异，来判断用户对于各个商品偏好程度的改变，而综合所有用户的所有“订单”得到的跳转比率，可以用来识别各个商品之间的替代概率。

2. 影响跳转的关键特征

有了跳转比率后，我们可以了解到商品之间的替代关系，那么商品之间为什么会存在这样的替代关系呢？用户为什么会从一个商品跳到另一个商品？这些商品存在什么样的特征呢？

为此，我们构建了一套完整的算法模型，由于涉及到机器学习的相关内容，较为复杂，这里重点只分享核心原理。

首先，我们将商品拆解为各种属性特征，如果商品在某个特征上相同，则记为1，不同则记为0，构建特征异同-跳转比率表如下：

接着，以特征异同为自变量，以跳转比率为因变量，基于机器学习算法，可以拟合出预测模型，即最终可以通过一组商品的特征异同，来预测出跳转比率。

最后，基于控制变量的思想，我们要看某一个特征的重要性，那么，可以在其他特征异同值不变的情况下，将该特征取相反的值，来看跳转比率的变化情况。

例如：我们要看颜色的重要性，那么其他特征异同值不变，只改变颜色的值可得：AB（1，0，1)，代入预测模型，发现跳转比率由原来的18%升为了50%，对于其他商品组也有相似的结果，因此说明颜色在用户浏览跳转过程中起到了关键的作用。

以此类推，最终可以得到各个特征的重要性排序：性能、颜色、大小。

验证浏览购买一致性

仅仅识别出影响成长阶段用户跳转的特征还不够，最后的目的还是要刺激用户产生购买行为，那么用户的浏览行为与购买行为之间是否存在着必然的联系呢？

为此，我们需要验证用户浏览时最关注的特征与所购商品特征的一致性，以防一些关注度很高的特征只能博人眼球，却不代表用户真实偏好，无法促成购买转化。

根据上一步的方法可得每个用户在任意两个商品之间的跳转pv（transfer_pv），那么，按照属性进行汇总计算，可以得到同一特征下，任意两个特征值之间的跳转pv。

如对于颜色这一特征而言，可分别计算得出 红色->蓝色 、白色->蓝色 和 蓝色->红色、蓝色->白色 的跳转pv，将跳转至蓝色的跳转pv和从蓝色跳转出的pv作差可得蓝色的净跳转pv。

为验证一致性，我们取已购用户所购商品特征来对比观察：

根据数据所示，最终购买某一颜色商品的用户，浏览相应颜色商品的净跳转pv也明显最高，说明颜色特征的浏览和购买行为之间存在着较高的一致性，因此可以通过相应浏览行为来作为判断用户购买考虑的标准之一。

同理，如果浏览净跳转pv最高的特征与所购商品特征明显不一致，那么说明该特征的浏览行为不能作为判断用户购买考虑的标准，应当从模型中剔除。

匹配用户和商品促销

根据成长阶段用户的关注特征排序，建立相应商品促销与用户的匹配策略：

• 首先通过每个用户各个特征的净跳转率，识别用户对具体特征值的关注程度，如用户1最关注的特征值分别为（高性能、蓝色、大尺寸）；
• 收集各类商品促销，确定具体的促销商品、促销形式、促销力度等；
• 建立用户与商品促销的匹配机制，为用户匹配尽可能符合其需求的商品促销。对于重要度最高的特征，如果没有用户关注的特征值对应的商品促销，流程直接终止。除此以外，按特征的重要度排序依次匹配。具体规则如下：

• 编撰相应促销利益点文案，嵌入为用户所匹配的商品信息，通过短信或者push精准触达，刺激用户点击转化。该匹配机制不仅适用于单品促销，对于满减促销而言，也可以在促销的商品池中匹配最符合用户需求的商品，在触达信息中做展示。

此外，这里的方法同样适用于内容app，通过用户对各类内容的浏览，可以了解用户最关注的是哪些内容标签。那么后续可以针对用户最可能感兴趣的付费专题进行推送触达，同时匹配一定的红包折扣，以达到用户增长和转变的目的。

建立评估体系

增长策略不同于广告的逻辑，并非拿钱换流量，而是用尽可能少的费用带来巨大的用户提升。

而促销或补贴的的效果评估可分为两个部分，即触达点击效果和促销/补贴效果。

为用户匹配符合其需求的商品促销，并在触达消息中展示商品信息，目的是为了提起用户的兴趣，提高点击率。而影响最终下单率的因素，除了商品匹配的准确性以外，还有促销策略的高效性，为此，还需建立起一套促销的综合评估体系，以衡量每次促销活动的效果。

我们沿用行业惯用的AB测试来建立评估体系，具体方案和指标如下：

首先，筛选出成长阶段的全部用户，并随机抽取一部分用户作为测试组，在不做任何干预的情况下，暗中观察用户的转化情况。

• 对于实验组的用户，我们通过定向促销加短信触达的形式进行干预，然后静静等待用户转化。
• 对于对照组而言，用户都是自然转化，而实验组的用户是在干预下产生的转化。在实验组中，一部分用户确实是被促销吸引，从而下单购买，但还有一部分用户即使没有促销也很有可能自然转化。

因此，我们以对照组的转化率作为没有促销情况下的自然转化率，那么，可以得到以下与用户相关的指标：

• 用户基线=干预总人数*自然转化率；
• 用户提升=干预总人数*（干预转化率-自然转化率）；
• 用户提升率=用户提升/用户基线。

同理，从经营分析的层面，我们可以评估实际的销售效果：

• GMV基线=用户基线*自然转化客单价；
• GMV提升=用户提升*干预转化客单价+用户基线*(干预转化客单价-自然转化客单价)。

注：GMV提升一方面体现在拉来本不会下单的用户所产生的GMV，另一方面，可能会提升/降低本来就会下单的用户的客单价（满减促销可能会提升客单价），因此要计算这两部分的GMV提升。

• 成本=每单优惠金额*下单用户量+每条短信资费*干预总人数

最终，我们可得到评估经营效果的两个综合指标：

1. GMV提升率=GMV提升/GMV基线；
2. ROI=GMV提升/总成本。

以上指标罗列的目的是便于理解指标的拆解计算过程。但对于不同角色而言，最终只需要关注与其相关的结果指标。

• 对于运营或者营销而言，他们的考核目标可能聚焦于月活跃用户数，所以，他们会更关心用户提升率，通过多次活动的横向比较，可以识别活动效果的好坏，从而再逐步挖掘根因。
• 对于负责销售的同事而言，需要考量的因素会相对复杂一些，但他们也可以直接通过GMV提升率和ROI这两个指标来评估活动的综合效果，GMV提升率反映的是相比于不做促销带来的GMV提升比例，而ROI反映的是每花一块钱所换来的GMV。

• 制定促销优化策略

通过每一次的促销，可以沉淀相应的指标数据，当数据足够多的时候，便可以基于各类促销策略的历史效果来指导下一次的促销优化。

但由于AB测试存在较多不确定性因素，比如实验结果会严重受到样本数量的影响，因此，在使用AB测试的效果评估数据进行策略优化时，需先判定每次促销AB测试结果的差异显著性。

AB测试归根结底是用两组样本的转化率差异来估计总体的差异，而AB测试属于伯努利试验，根据中心极限定理，其随机抽样分布服从正态分布，因此可采用均值差的Z检验来判断两个组的转化率差异是否显著，具体公式如下：

最终，我们选取Z检验结果显著的实验数据，按照GMV提升率和ROI构建效果评估矩阵如下：

其中，GMV提升率反应的是活动对于GMV的提升效果，如果当前的目标是不惜一切代价冲GMV的话，那么应该选择GMV提升率高的促销方案。

而如果需要权衡考量利润的话，那么还应该把ROI纳入分析，选取GMV净提升率较高，同时ROI也较为可观的促销方案。

对于GMV提升率和ROI都较低的方案应该适当舍弃，因为机会成本较高，需避免资源的浪费。

通过层层下钻分析的方式，最终可以分析出什么样的促销形式、促销力度效果最优，从而指导运营和销售人员进行策略优化，提升促销效率。

综上，我们搭建起了一整套从用户分析到促销优化的智能策略，以期提升相应工作人员的CRM技术管理水平，从而花最少的钱带来最大限度的用户增长。

#专栏作家#

Mr.墨叽，公众号：墨叽说数据产品，人人都是产品经理专栏作家。电商行业资深产品经理，擅长策略构建，数据分析。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议