优惠敏感度模型为提升补贴效率以及精细化运营带来了很大的贡献。

互联网给我们老百姓带来的最直接的福利要从补贴开始说起，从滴滴快的烧钱大战，美团饿了么的外卖红包，共享单车充返活动，以及两家支付大头的鼓励金，补贴的硝烟似乎从未停止。正如刘强东做客《对话》时表示，烧钱一定要烧出核心竞争力。补贴不仅仅是发发优惠券那么简单的事，补贴是一门纯技术活。

告别了快速占领市场时粗犷的烧钱方式，进入成熟期互联网公司大都开始了精细化运营，如何把补贴用在最需要的用户身上，如何在降低补贴的同时带来更多用户和订单量的提升，毕竟商业变现是每个公司必须面对的问题，实现盈利就要降低成本和提高收入。今天，将让我们一起来探讨下高频产品外卖行业的高效补贴方式。

首先，我们需要明确的是，补贴能带来新用户和订单量，培养用户消费习惯，因为人们总是会被“免费”、“优惠”这类的商家策略所吸引，那么，在预算有限的情况下，最见效的是转化那部分消费意愿受补贴影响最大的人，即优惠敏感人群，如何找到这部分用户，可以通过从以下三点方式着手：

一、筛选优惠敏感度的指标

优惠敏感用户，一般认为是下单意愿强弱受优惠和价格高低影响大的用户，而运营要做的就是根据用户的消费水平，历史补贴情况，及主动寻找优惠行为等分析来确定如何通过补贴提高用户下单率。

1、历史补贴情况和用户消费水平可根据现存数据，通过定义计算公式和划定时间范畴完成

2、主动获取优惠维度筛选，比如有以下几个行为：

• 分享渠道领取优惠券
• 参加商家满减凑单活动
• 具有拆单行为的用户
• 高频点折扣菜
• 从banner活动落地页获得优惠

综合考虑用户的历史订单补贴率、历史单均价以及主动获取优惠行为，初步确定这些指标后，即可以制定初版探索方案验证这些指标是否能带来提升，然后再进入数据分析挖掘阶段寻找最佳阈值。

二、确定优惠敏感度方案

1）初版探索方案

方案目的：验证主动获取优惠的几项指标是否能带来增量

方案详情：筛选N天内订单数大于M单且末购时间小于X天的活跃用户，将有以上5项指标用户订单占总订单比值按区间统计，根据用户数分布决定某一个值为高敏用户划分线。

例如，用户使用分享红包的订单占用户总订单比例，结果是60%以上的用户占比低于10%，则将这项定义为使用分享红包券的订单占比10%以上用户认定为高敏用户；

同比，85%以上用户的拆单行为在2单以内，则认定用户拆单2次及以上，当然拆单的动作可根据实际业务情况定义，如外卖中，用户两单均来自同一个商户，且前后两单间隔在60秒到600秒之间，均使用满减且满减金额>=5元

按照以上方式筛选用户作为实验组后，同时将补贴率大于Y用户作为对照组，通过AB测试分别推送优惠券查看两组转化率是否有提升。以此得出最合理的优惠敏感指标以及各指标影响用户下单意愿的强弱排序。

方案结果：通过测试验证各行为对用户下单转化是否有提升以及提升多少，由此可以说明此次定义的各指标为优惠敏感用户特征参考值是优于直接按补贴率不区分主被动选取用户更精准。

2）实际开发方案

步骤一：分析初版探索方案中使用券下单、未用券下单、未下单用户的人数占比，客单价分布，历史优惠渠道情况、近期订单量与末购时间等，以此分析用户下单时的行为特征以及对优惠方式和优惠门槛的预期值。

步骤二：分析历史补贴率、客单价、主动获取优惠的几个行为等指标对实验组与对照组的增长率差异值，找到与增长率最相关的影响因素，确定各指标是否均有正相关关系，以及根据具体增长率和增长率斜率表现找到阈值点，并完成确认各部分队优惠敏感度的的权重大小。

步骤三：根据以上分析以及初版测试用户数据进行逻辑回归训练，由此得出优惠敏感度值，即可应用于整个大盘用户。

三、优惠敏感度的策略应用

优惠敏感度生成用户标签，可广泛应用于各种发券红包等补贴工具中，形成对不同敏感度标签的用户补贴或不补贴，补贴不同门槛和金额的满减券，是发券还是做产品逻辑上的特权差异等多种运营方式。对优惠敏感的用户补贴，最高效的利用了补贴预算，同时带来了增长，而对于优惠不敏感用户，红包对下元意愿刺激比较小，则可通过提供高品质服务和菜品供给等方式维系这部分用户。总之，优惠敏感度模型为提升补贴效率以及精细化运营带来了很大的贡献。

本文由 @浅夏秋晴 原创发布于人人都是产品经理。未经许可，禁止转载。