前言：任何一家電商平臺都可能會出現上面那一幕，日活在某一特定時期迅速下降，前提是運營手法沒變，推廣渠道沒變，產品架構沒變……可是數據和用戶變了，而且是一塌糊塗。究其原因，是老用戶流失了。原因何在？與其亂變，不如用數據的方式來改變這一切！在老闆劈頭蓋臉的怒懟之後，還是先要冷靜下來思考。數據的下滑，是因為老客戶的流失，那麼挽回老客戶要比拉新更節省時間和成本，而且從質量上講，客戶更精準。方向定了，那就行動起來吧！
玩命想辦法：觸達的工具
電商網站上百萬的註冊客戶，生命週期中留下了很多行為信息和數據，比如，手機號、姓名、收穫地址等信息，其實觸達他們並不難，最簡單、高效的方式就是發-短-信。
傳遞的信息，三種方式：
一、 產品促銷優惠，如：美國進口車釐子1000克，30元順豐包郵
二、贈送優惠券，如：假日來臨，送你68元網站代金券，點擊鏈接領取！
三、產品派送，如：親，太久不來，送你價值5斤贛南臍橙，快來領取！
第一種方法成本較低也很方便，一條短信費用在1分錢左右，但是轉化率很低，不適合客戶的召回。第二、三種方法的客戶接受率還可以，但作為非自營平臺，優惠券意味著很高補貼成本。對於購買需求不明確的老客戶，優惠券既不是剛需，吸引力也很有限。所以，“爆款產品免費派送”不僅能爭取更低的採購的成本，也更容易讓用戶接受。
好吧！那就用短信通知這些流失的老客戶，來領取免費的爆款產品。
告訴客戶去哪、如何領取？
我一直不建議讓客戶直接去APP，用戶幾個月沒來，卸載APP的概率已經很大了，所以，為了那點可憐的活動轉化，我還有一個方法！
首先，在電商活動策劃中，“免費領商品”並不是一個百試不爽的好方法，因為做的人太多了，大家都在用拼團、分享朋友圈、幫助好友砍價等社交玩法，通過裂變拉新來緩衝活動的採買成本。而社交裂變最好的平臺，其實就是小程序。微信小程序是微信生態圈中功能齊全，便於分享的代表。也能作為承接老客戶迴歸的一個臨時數據站點，下面來分享一下基本方式。
我給大家舉一個例子
1、【親愛的某某】你太久不來，我們很想你，現送你價值66元的贛南臍橙，總共5斤！關注服務號輸入口令【我回來了】立刻領取，數量有限噢！
2、老客戶輸入口令以後，自動回覆彈出承載活動的小程序頁面。
3、小程序頁面顯示：只需要將此頁面轉發至三個不同的群裡，即可免費拿到價值66元的贛南臍橙
4、分享鏈接完成，可0元開團，需要再邀請兩位朋友20元參團（成本價），即可拿到臍橙
5、主動裂變發生，分享三次獲得0元參團，從而裂變成新的主態。
大家要注意，做活動的有兩個目的，一是讓用戶得到網站的優惠信息，二是要讓後臺部門拿到活動的數據，來分析客戶流失的最終原因。
這麼簡單的玩法，我就不再解釋了啊！關鍵在後面！
要開始今天的重點了
活動
活動方式和策劃都已經很清晰了，下面開始介紹一下，如何利用活動數據去評估活動帶來的效益。
數據
我們從四個維度來去評估活動的效果：
一、響應數據；二、裂變數據；三、價值追蹤；四、成本評估
這四個維度可以做成任何活動策劃最後的指標表，沒有一個固定的分析套路，因人而異。因為涉及了平臺的數據，所以我修改了一部分，同行請勿較真！
響應數據
做運營的同學們應該都知道“漏斗”吧，其實就是“響應數據”。
比如，我們在騰訊新聞端投放了一則廣告，一個小時內，10000人點擊了廣告，1800人點擊後註冊了會員，100人註冊後又下載了APP，最後只有30人在APP上消費了產品。不難看出，從10000到30，貌似一個最後的購買轉化，其實就是一個漏斗。漏斗效應直接說明了活動的成效，並將成效分解到各個運營環節，為結果提供了數據依據。
大致分析一下：
“輸入口令人數”比較少，可能是因為短信文案不夠誘惑，選品也沒讓客戶動心；
“分享鏈接人數”的數據還可以，說明用戶輸入CODE後，用戶順利的進入到了開團的環節，說明線上活動交互做的也不錯；
從漏斗顯示的數據上看，整個活動的數據信息都在一層層傳遞。但是為什麼會出現這樣的層級流失，我們還是進入到案例裡去分析：
影響到活動數據的第一層轉化，就是輸入“領取口令”。推測可能與文案、選品、發送時間等有關係。選品為例，盲選肯定是不行的，主要還是通過一個基礎的用戶畫像和標籤來進行，以下圖為例。
24歲以下用戶領免費的臍橙，充電器對於25~29和30~39歲用戶更實用；40歲以上的用戶則更喜歡領蘋果。
其實影響活動效果不僅是“選品”這一個變量，而是“年齡分層”和“選品”兩個變量的交叉。縱觀整個活動，影響某一環節結果的變量很多，而且還相互制約。比如，影響“輸入免費領取口令”的因素，與其說是單個因素的變量，還不如說是“選品和年齡”、“年齡和文案”這樣的變量組合。更深入一些的話，年齡、選品、文案、發送時間……等所有相關因素的最優組合。
小結一下：
漏斗的“枝幹”，就是為了尋求各個變量的最優化組合。活動過程中，變量組合後會產生指數級增長，三五個變量就可能組合出上百種情況，一一測試是不切實際的。所以，變量最優化一定要建立在業務判斷的基礎上，比如該例，從業務經驗出發，不同年齡的用戶商品需求應該不一樣，所以我們做了“年齡”與“選品”的變量測試；同樣，我們認為“選品”和“短信發送時間”並無明確關聯，所以就把“短信發送時間”作為單獨測試的變量。無論是猜想的驗證，還是洞見的挖掘，數據都一定只是業務的工具，而非業務本身。