- 用戶中臺簡介
- 用戶中臺運營解決方案
一、用戶中臺簡介
1
為什麼建設用戶中臺
用戶中臺的建設背景如下：
- 用戶紅利消失，獲客難度增加，獲客成本攀升。並且隨著用戶的可選擇性增加，用戶留存難度也增大。
- 企業與用戶的交互終端日益多樣化，比如新聞 APP 端、IPTV 大屏端、商城 APP 端等，使獲取不同業務線的數據進行進行統一計算、分析、運營成為可能。
- 隨著數據產業的發，大家對用戶數據越來越重視，用戶數據資產成為企業增長的新方向。
目前面臨的問題：
- 用戶畫像刻畫不完整：用戶數據採集維度不夠，多端數據未打通。
- 不同業務線相互獨立，數據資產割裂：數據煙囪、數據孤島導致的數據資產分散等問題，不能發揮數據的價值。
- 數據服務對於業務支持不足：導致“用戶服務響應不及時、運營成本高、數據需求響應慢”。
2
什麼是用戶中臺
上圖可以形象地說明什麼是用戶中臺。通過開源 SDK 將各業務線不同終端的用戶屬性數據和用戶行為數據全部採集後匯聚到統一用戶池中，進行數據分析、用戶打通，洞察用戶在平臺上不同業務線的整體特徵，即全平臺的用戶畫像，再針對性的去做數據應用。
數據應用就是基於數據去做洞察、決策、觸達和反饋，如：
第一，全平臺的用戶數據洞察，可以按照不同的維度把用戶進行分層，例如按用戶價值、按用戶全生命週期等。
第二，私域流量運營。基於用戶畫像，可以對私域流量，去做一些交叉運營，相互引流。比如說把 IPTV 的用戶引流到商城的 APP 端。
第三，基於所有的用戶去做會員運營。引流新用戶，同時進一步分析引流過來的用戶的數量和質量。
第四，運營決策看板。在不同階段，比如在新用戶、成熟用戶、流失階段分別去做不同的運營。
最後，把所有的數據運用反饋到平臺端。用戶在我們的運營活動後又會產生一些新的動作和用戶行為數據，再通過 SDK 把新的用戶數據再採集過來並納到用戶池裡，進一步完善用戶畫像完成閉環。基於這個閉環，用戶畫像會越來越清晰，運營活動也會做得越來越精細。
3
用戶中臺可以解決什麼問題
第一，沉澱用戶數據。
SDK 可以採集所有端的用戶數據，並統一儲存到用戶池裡並與業務數據打通、關聯。然後通過統一的規範和標準，我們可以從全局的角度去識別和認知用戶數據，最終形成一個以用戶為中心的數據資產池，完成數據的資產沉澱。
第二，認知用戶。
基於用戶的數據沉澱，我們就可以去分析數據、洞察用戶。針對所有業務線中，有共性特徵的用戶構建群體畫像，發現潛在目標用戶群共性特徵。比如，找出流失用戶的群體特徵，對有潛在流失風險的用戶做召回運營。我們還可以基於用戶行為及業務數據，精準構建用戶靜態與動態畫像，做到真正瞭解每一個用戶。
第三，私域流量精細化運營。
認知用戶後，可以做不同業務線間交叉營銷，相互引流。舉例而言，一個在大屏端的用戶一直在購買影視會員，分析該用戶的觀影的記錄後發現：基本上每天中午用戶都會觀看少兒動畫片。由此判斷，該用戶的家裡可能有兒童。這個時候就可以給用戶發放一些用於購買兒童產品的優惠券來把該用戶引流到電商平臺。
也可以基於營銷觸點，圍繞用戶生命週期、用戶價值等維度進行自動化、精準的營銷觸達，構建敏捷運營閉環。
還可以根據用戶畫像、行為歷史數據進行千人多面的個性化推薦。分析用戶的瀏覽歷史，用戶是喜歡看動作片，還是喜歡看愛情片？基於用戶的瀏覽歷史，分析用戶的偏好，然後給用戶做個性化的推薦，這些是用戶中臺可以解決的問題。
二、用戶中臺運營解決方案
基本上，用戶運營的終極目標都是用戶活躍提升和 GMV 增長，而建設用戶中臺的目的就是實現這兩個終極目標。
要實現用戶活躍提升和 GMV 增長，就需要去尋找實現的路徑。比如基於用戶數據構建用戶畫像，在全平臺做交叉引流，提升不同端的用戶活躍數量。也可以搭建用戶全生命週期的運營計劃。如在新用戶的階段，可以給新用戶提供大禮包；成熟階段，可以給用戶推薦平臺新上線的功能。這些都是去提升用戶活躍或者是實現 GMV 增長的一些路徑。
那麼上述實現路徑有什麼支撐能力呢？
第一，瞭解用戶。我們要知道用戶在平臺上做了哪些動作，有哪些歷史瀏覽軌跡，形成一個從業務流程到用戶畫像的全方位感知。通過用戶數據洞悉業務的真相，給用戶一個最真實的運營方式。
第二，有效的運營決策。在通過漏斗分析、歸因分析、留存分析、分佈分析構建出用戶畫像後，就需要去設置運營策略。比如說運營位的個性化配置，定位下鑽到一些業務的關鍵問題，從而規劃出可以解決這些問題的方式方法。
第三，對用戶做觸達。對用戶的觸達可以是全量觸達，也可以是精準觸達。比如說針對 618 或者端午節來做活動，那麼這個活動是針對少兒的？還是老年人的？還是針對過去 7 天做了某些瀏覽歷史的用戶的？我們可以精準抓取這些用戶，形成有效的精準觸達運營動作。
最後，分析運營決策的效果。比如，我們發出了一個滿減優惠券的活動。那麼有多少人看到了這個活動？有多少人點擊了活動的頁面？有多少人用了這個優惠券？最後有多少人用優惠券去訂購了這個產品？上述問題都可以通過漏斗分析，根據每一步的轉化情況，得到一個有效的反饋。
這是對用戶中臺從業務目標到實現路徑再到支撐能力的一個總述。下面分別對如何提升用戶活躍和 GMV 做詳細解答：
1
用戶活躍提升解決方案
（1）私域流量精準運營，“精益”獲客
將全平臺的用戶數據彙集到用戶池後，可能會發現有些用戶不僅是單一交互端的用戶，可能是多端的用戶。例如下圖中的用戶 A，他不僅是電視大屏端的用戶，也是商場 APP、新聞 APP、公眾號的用戶。並且通過他的歷史觀影記錄，發現用戶 A 家中可能有小孩，這個時候就可以通過微信公眾號給他推薦一些商城裡兒童玩具或者其它兒童用品，也可以給他發送代金券或者滿減券，通過這些方式就可以把用戶 A 引流到商城 APP 上來，實現交叉引流。
這一步的關鍵是構建用戶畫像。如何把全平臺的用戶按不同的維度去做用戶畫像，這個就需要去分析不同業務線的用戶特徵。可以按照下圖中的三個用戶標籤去劃分全平臺的用戶特徵，最後基於不同的維度，就可以去做相應的引流和交叉運營。
最後，還需要去分析交叉引流的效果如何。比如我們對有孩子的用戶發送玩具優惠券後，要知道引流的效果如何？如果效果不好的話，又該如何去做優化？
我們可以從下述 5 個方面去分析引流的效果：
- 分析不同渠道、不同引流方式的新增用戶數。比如說，可以分析每一天，不同平臺端的引流數量，對比引流的效果。
- 分析不同渠道的新用戶留存情況。比如，從大屏端共引流 398 人,可以分析在第 0 天、第 1 天、第 2 天、第 3 天等的留存情況，從引流用戶的留存數量上分析引流的效果。
- 分析用戶活躍的分佈。例如，新的運營活動後，商城的小程序共從其它平臺引流了 100 個用戶，但只有 15 個用戶是活躍的，那引流的效果其實也不太理想。
- 分析平均使用時長。每一個渠道引流的用戶每一天的平均時長是多少，這個方式也可以分析引流過來的用戶的質量。
- 渠道對比分析。可以從數量和質量上面對比不同渠道引流的用戶，那麼就可以知道哪些引流方式是比較好，哪些可能還存在著優化空間。
最後就可以形成一個閉環，優化引流策略。
（2）不浪費一滴流量
新增用戶來到平臺，需要定位轉化和流失人群，診斷新用戶體驗，分析出流失用戶的群體特徵和用戶流失的節點，並且需要探索價值激活，讓新用戶快速體驗到產品的核心價值進而實現留存。總而言之，不浪費一滴流量，就是最大程度促使新用戶留存。
第一步，分析新增用戶。
需要定位出新增用戶中哪些是轉化用戶，哪些是流失用戶。然後分別做運營活動：
- 轉化用戶：將轉化的人價值最大化
- 流失用戶：將流失的人洞察和召回
第二步，洞察激活人群畫像。
- 針對轉化人群，比如說找到從電視大屏端到商城 APP 端引流過程中，快速實現商品購買的用戶，將人群畫像的特徵提取出來後，就可以指導私域流量的運營，可以把更多具備快速轉化特徵的用戶引流過來。
- 同樣針對流失人群，如，從大屏端引流到商城 APP 端的用戶，可能沒有註冊就離開了。洞察流失人群，就可以進一步探尋流失原因。
第三步，持續觀察與優化。
- 持續觀察已轉化的用戶，分析其轉化流程，比如轉化的時間、購買的頻率、購買的金額等。可能一個用戶購買的單價是比較高的，但是購買頻率比較低，那麼就需要通過一些運營的手段把用戶引導成高頻率高價值的客戶。
- 對於流失的用戶，需要定位用戶流失的環節，指導產品的優化。比如說，用戶是在大屏端觀看節目後流失的，那流失原因可能是節目與用戶偏好不符。
第四步，價值點激活探索。
- 對於轉化人群，我們需要優化新手引導，快速呈現產品的核心價值。
- 對於流失群體，需要找到原因，在關鍵節點挽回流失人群。
（3）持續培育用戶忠誠度
用戶留存下來後，我們可以在用戶生命週期的各個環節去做不同的運營方案，增強用戶對平臺的黏性。
新用戶時期：提醒用戶去完善信息、領取積分、兌換獎品；在第 5 天的時候，給他發放一個新人大禮包，促進用戶活躍度。
成熟用戶時期：第 7 天的時候給用戶推薦產品的一些核心功能。根據用戶的瀏覽歷史去對用戶做一些偏好內容的推薦。
將要流失的用戶：比如，用戶已經未登錄 7 天了，可以發送簽到提醒給用戶或者發一些用戶關注的內容提醒；用戶 15 天未登錄了，可以發一些商品的優惠券，或者發一些熱點新聞喚醒用戶；用戶 30 天未登錄了，發送一些獎勵對用戶做召回。
同時，也可以分析 7 天未登錄、15 天未登錄、30 天未登錄後召回成功的用戶，在哪一個時間段更容易實現用戶召回，在第幾天做召回、用什麼樣的活動做召回的概率是最大的。
其次，也可以通過微信公眾號去實現用戶忠誠度的培育。
微信公眾號可以實現用戶的拉新和裂變。例如，用戶將平臺二維碼分享給朋友，只要用戶的朋友成功註冊，那兩位用戶都可以獲得平臺獎勵。
服務號可以實現消息的提醒。用戶的積分變動，或者是用戶歷史瀏覽內容有了更新，就可以通過服務號給用戶發送一個消息提醒，增加與用戶之間的互動，從而提高用戶的粘性。
再次，智能的個性化推薦也可以培育用戶的忠誠度。在實現全平臺的用戶數據採集和構建用戶畫像後，就可以基於用戶偏好或者商品熱度給用戶做個性化推薦，如果信息不足還可以根據用戶設備去做推薦。比如說在猜你喜歡或者是熱門推薦的位置根據用戶的瀏覽歷史去實現智能推薦。
最後，還要分析智能推薦的效果。我們可以多維度分析，例如不同設備、不同地區等；也可以按不同的指標分析，比如說人均點擊量、加入購物車成交的數量、CTR 的指標等。分析後的數據反饋到用戶中臺中，又可以指導用戶智能推薦模型的優化。
案例：新用戶註冊流程洞察與優化，助力提升註冊轉化率
新用戶的註冊流程：輸入手機號、姓名、密碼，然後再確認密碼，然後再輸入圖形驗證碼，最後輸入手機短信驗證碼完成註冊。
第一步，洞察用戶數據。
分析註冊漏斗後發現整體的轉化率在 0.1% 左右 ，用戶沒能完成註冊體驗到產品就流失了，遠不如預期。細分維度查看後發現主要是在兩個環節存在問題：
- 第一個問題：獲取驗證碼環節出了問題，很多用戶接收不到驗證碼
- 第二個問題：很多用戶在輸入姓名時間流失了
第二步，基於問題做出相應的決策或行動：
- 針對第一個問題，需要對註冊時過程中的驗證碼進行優化，確保可以正常發送、正常接收
- 針對第二個問題，可以將姓名的輸入設為選填，簡化註冊的流程
第三步，優化提升。
在診斷問題並優化註冊流程後，還需通過漏斗分析優化後的註冊轉化率的情況，用數據去證明決策行動是可行的、有效的。如果說優化之後的轉化率還是很低，那麼說明這個決策是不合理的、是不正確的。就需要再回到第一步去看每一步的漏斗的轉化情況，去定位出現問題的環節，然後再採取措施，分析優化策略的效果。
2
GMV 增長解決方案
（1）如何讓更多的用戶去付費
在新用戶付費階段，存在兩個問題：
- 用戶流量大、活躍高，但是沒有變現能力
- 付費率提升不上去，找不到問題點，不知道如何讓更多的新用戶去付費
可以通過對用戶行為分析，找到讓新用戶付費的合適的商業變現點，同時優化流程與匹配效率。讓付費用戶享受舒適的權益體驗，從此付費轉化成自然。比如，原本的購買流程：產品的列表頁—>產品的詳情頁—>點擊購買—>產品的購買頁。現在是否可以改為：產品的列表頁直接到購買頁。如果優化後的流程效果良好，就可以降低新用戶在平臺上的轉化時間，達到讓更多的人付費的目標：
- 用戶標籤畫像：用戶分層洞察、不同階段用戶的偏好、付費能力。
- 事件分析：洞察用戶在平臺上做了什麼、不同類型的用戶的偏好是什麼，多維度下鑽定位問題
- 留存分析：檢驗每個功能的留存能力。比如說在用戶觀看了直播之後，還有多少用戶會繼續看直播
- 分佈分析：洞察用戶使用深度，比如說每天用戶使用 APP 的次數
- 漏斗分析：定位付費流程中各環節轉化率，分析用戶使用體驗是否使用順利、哪個環節需要優化
- 路徑分析：購買失敗的用戶對其他什麼功能更感興趣、挖掘更多付費點
- 智能推薦，優化匹配效率：針對不同用戶的不同喜好，實現千人多面，比你的用戶更懂其所需
（2）如何讓用戶付更多的錢
新用戶已經是會員了，那麼如何讓用戶付更多的錢呢？這裡有三個難題：
- 平均客單價難提升
- 用戶消費頻次難刺激
- 交叉消費難實現
那麼基於上述問題的解決方案是：
- 智能運營：針對用戶的不同階段、不同營銷時機，精準觸達、促進轉化
- 用戶標籤畫像：洞察用戶喜好，陪伴用戶週期成長
- 規則推薦：根據用戶行為及標籤畫像，設置推薦規則，為用戶提供更匹配的商品展示
- 智能推薦：針對不同用戶的行為數據，結合大數據算法推薦，實現千人多面，比你的用戶更懂其所需
讓更多的用戶付更多的錢，需要打造用戶差異型運營，在關鍵時機，促成用戶向更高的付費方向轉化。
比如我們根據核心用戶畫像對現有用戶分層，分為低消費低頻用戶、高消費低頻用戶、高消費高頻用戶，以及低消費高頻用戶。我們的最終讓所有用戶都轉變成高消費高頻用戶。
首先，我們需要對核心用戶做用戶畫像的洞察，瞭解低消費低頻用戶的人群特徵，如，用戶對新產品的需求。其次，分析用戶的行為路徑，找到促進用戶轉化的關鍵節點。再次，基於用戶行為路徑，打造個性化運營活動並分析活動效果。最後，對效果實時反饋、調優，形成一個閉環，使用戶都轉化到高消費高頻用戶上面去。
最後總結一下， GMV 增長的三個關鍵點：
第一點，提升客單價 / 付費頻次。洞察用戶行為，打造個性化運營活動，在關鍵時刻促進轉化。比如說只要用戶有加入購物車但是沒有支付的行為，就可以給用戶發放一個滿減的優惠券，促使用戶完成支付。
第二點，打造用戶付費點。分群洞察用戶特徵，找到當前用戶群體對於產品價值的核心訴求，基於此去設計付費點或不同的付費模式。
第三點，優化付費流程 / 商品的匹配度。首先定位流程阻塞點，優化付費轉化率，針對轉化率比較低的步驟去做分析和優化。其次，針對用戶行為去做更匹配的智能推薦，提高用戶付費概率。比如說對用戶喜歡看的商品或者喜歡看的影片去做推薦，做到懂用戶所需。
作者：朱德康 神策數據融合媒體行業高級解決方案顧問
