产品发展到一定阶段，商业化是不可回避的问题。跟投资者只谈情怀不挣钱，多少有点耍流氓。

    不过商业化这个命题太大，所以今天我们先来探讨下，如何借助大数据能力，促进客户付费，以下是项目上的一些思考。

    一、前言

    1. 前置背景：产品获客之后，在转化为付费用户上遇到了挑战，在这种的情况下，我们所做的一些尝试和思考；

    2. 适用对象：如果你也在思考，如何利用一些产品策略上转化用户，可以一起探讨下，偏电商类产品；

    3. 内容框架：分为三个部分，前期探索、暴露问题、解决思路。

    二、前期探索

    为了转化用户，我们在前期和算法同学，做了一些尝试，步骤主要为：找到目标人群—-设计活动—-触达用户促进其转化，以下还原了部分实操的过程。

    1. 找目标人群

    根据业务经验，到数据库中采集最可能转化的高关联维度客户名单，创建白名单客户标签。比如：基于客户社会基本属性的，年龄、性别、地域等维度；基于客户交易特征的，是否持卡、是否有积分等

    2. 设计活动

    选出这类客户可能喜欢的爆款，设计对应的专题活动或者找到时令活动，进行内容包装

    3. 找客户触点

    进行客户触达，包括了app push、短信、微信后缀等渠道

    4. 分析数据

    采集触达人群名单，再追踪该批人群在最近3天内的交易行为变化，分析出转化漏斗

    三、暴露问题

    咋一看，上面整体思路看起来问题不大，但在实操过程中，其实问题重重，主要体现为如下三点：

    1. 人群找不准确

    ① 怕脑袋式，以业务经验找到的单一维度人群，其实无法有效判断用户交易意向

    ② 人群划分散乱，重叠性高，各行动小组无法区分，这其实就意味着无法有效管理、经营

    2. 缺乏持续有效的转化引擎

    问题主要出在两个方面：不可持续和有效性难以衡量

    （1）持续性

    ① 采集数据找目标人群太慢：拍脑袋式找目标人群，每次筛选用户，都需要大数据的同学采集一次。一方面人群名单是一次性，复用性低，另一方面，未能真正发挥算法同学专研模型

    ② 设计活动周期长：找到人群，策划活动，设计页面，活动上线，这样的周期太长，时效性低，难以满足

    ③ 手动触达耗费时间：一次性活动触达，每次活动对于运营的同学挑战非常大，根本腾不出时间

    （2）无法衡量有效性

    ① 每次触达的活动散乱，类似游击战，无法持续观察该策略是否有效

    ② 缺乏实验性思维：未能形成整体的转化监控指标，触达活动没有留出对照组。

    3. 数据分析困难

    每个活动分析都需要采集数据，分析时效性无法保证；各层级数据分属于不同系统，底层数据表未能进行关联。

    四、解决思路

    前面做的一系列尝试和暴露的问题，为我们接下来确定思路提供很好的基础。我们回到本文主题，我们是怎么借助大数据的能力，让用户更容易成为我们的付费客户的？

    在这里核心思路是：用更少时间找最易转化的客户拿最适合的offer触动客户。

    offer是什么？在这里解释下，我们定义的范围是包括了：功能性的产品优势（即为产品的虚拟价值）和让利型的爆款活动（折扣、新户礼包、爆款商品）。

    那具体的操作思路是如何呢？且看一步步分解。

    1. 找出自身优势

    很多时候，一个产品（平台）的自身优势都是自己包装出去的，但在市场/用户端的反馈，是否真实如此？新户为什么选择了你的平台？

    为了了解这个问题，我们做了两个事情：

    ① 拉去过去一年，新户首次转化的订单数据：从数据中分析用户转化背后决策逻辑，得到的结果是比较明显的，X%用户是为了A，X%用户是为了B….具体的数据，我就不展开出来了。

    ② 调研用户：对平台的认知和第一次在平台上购买的动机是啥？

    基于历史海量数据和用户调研，我们可以发现自身平台对用户的吸引力哪些方面

    2. 人群分层

    用户转化项目是一个teamwork，包括了：算法、商务、运营、产品。前面所说，如果无法划分用户，团队就会比较混乱，缺乏目标。这样我们就无法很好经营用户。这里面我们采取了四象限分层，用户对平台认知和用户偏好

    高倾向：对平台产品有较高倾向度的人群，这个可以通过倾向模型进行筛选

    高认知：认知是以这个用户与平台的联系密切程度进行划分的，比如说产品购买断点客户，就是对平台了解比较多的人群。对于刚注册的新户，那认知就非常低，需要先做认知教育。

    人群划分仅是第一步，第二步就是要找出每种分群的用户体量，可以先从用户认知上进行划分，比如说：断点客户、app活跃客户、app注册用户、微信关注用户等，然后再设定各分层的转化目标，每个行动小组认领任务。

    3. 算法模型支撑

    业务对于算法上面的要求，其实为：设定一个业务目标，比如说：最有可能购买A类产品的用户（注：这里的A类产品一定是要结合自身产品的优势进行设定的），然后算法同学会根据该业务目标进行建模，包括：问题建模（指标评估、样本选择、交叉验证）、建特征工程、选择模型、模型融合，再到最后的模型验证。

    当然，上面是一个完整的建模过程，在实际应用中，都先是小步快跑。先用较为简单的IV值预估，找出强关联的客户维度，给到业务方进行试用。

    4. 深挖场景的自动化经营

    这部分，笔者认为是最为关键的一环了。用户转化的过程一定是：在一定的触发场景，通过习惯的行为路线，获取所内容。在这里会分为三个部分：高频场景挖掘、自动化策略支撑、策略执行。

    （1）根据人群分层找高频场景

    ① 了解用户行为偏好。分为线上行为：活跃用户在app上定期浏览某一频道、某一个功能、搜某些内容；线下行为：基于lbs，了解用户出现城市

    ② 了解该批用户的交易偏好：知道的行为偏好，下一步要了解用户的交易偏好，什么才是他们喜欢的，需要投其所好。

    （2）自动化经营策略

    手工设定的push，耗时耗力，根本无法支撑客户转化的需求。因此，你可以结合新客户转化的重点场景、路线，设定一些自动化策略，比如如下：

    ① 客户断点自动化挽回策略：曾经浏览过/评论过/关注过/未使用券等等，都可以将该批客户自动化采集出来，并进行定向召回，比如：最近3天浏览过某一款产品，可以给客户一些利益点，然后进行触达。

    ② 重点场景全链路埋伏策略：在用户完成一个任务的前中后，进行转化内容埋伏，当然优先针对高倾向客群进行触达，切勿过度打扰。

    ③ 此外还有：客户离线设置T+x日触达策略、客户沉默设置让利策略等等

    （3）策略执行

    实验设置对比维度可以为：渠道、客群、offer。这里强调一点就是，一定要明确整个策略的目标，留出对照组，否则后面数据难有说服力和无法评判该策略是否该持续固化下来。

    5. 数据分析

    这一部分，重点是将各节点的数据打通，实现基于每一个实验的可视化分析、对照。这有赖于平台自身的数据管理是否规范了，如果数据采集没有规范，在很多情况下的分析还是很吃亏的。这里就不展开了，祝好~

    整个过程中，大数据辅助业务找出自身优势、建立模型找到高倾向客群以及在实验数据分析上给到了较大的支撑，业务经营更趋向精细化。在用户转化上，也更加严谨和具有章法。

    以上仅是一些阶段性的思考，希望对你有帮助~

    附全文思考脑图：