如何借助大数据能力使用户乐意付费呢？

商业化是产品发展到一定阶段不可避免的问题。和投资者只谈感情不赚钱，多少有点耍流氓。然而，商业化的命题太大了，所以今天我们将讨论如何利用大数据能力促进客户支付。以下是对项目的一些思考。1、前言1。前景：产品获得客户后，我们在转化为付费用户方面遇到了挑战。在这种情况下，我们做了一些尝试和思考；2.适用对象：如果你也在思考如何使用一些产品策略来转化用户，你可以一起讨论部分电子商务产品；3.内容框架：分为三个部分：早期探索、暴露问题和解决问题。2、为了转化用户，我们在早期阶段与算法专业的学生进行了一些尝试。主要步骤是找到目标群体-设计活动-接触用户以促进其转化。以下是恢复一些实际操作的过程。1.根据业务经验，找到目标群体，收集数据库中最可能转换的高相关维度客户名单，并创建白名单客户标签。例如：基于客户社会的基本属性、年龄、性别、区域等维度；根据客户的交易特点，是否持卡，是否有积分等2。设计活动选择这些客户可能喜欢的热门风格，设计相应的特殊活动或找到季节性活动，内容包装3。找到客户联系，包括应用程序ush、4.分析数据收集到达人群名单，如短信、微信后缀等。然后跟踪这群人在过去三天的交易行为变化，分析转换漏斗3。如何看待暴露的问题？以上总体思路似乎不是什么大问题，但在实际操作过程中，问题很多，主要体现在以下三点：1。人群找不准确①害怕头脑，根据业务经验找到的单一维度的人无法有效判断用户的交易意向②人群分散，重叠性高，各行动组无法区分，这实际上意味着无法有效地管理和操作。2.缺乏可持续有效的转换引擎主要有两个方面：不可持续性和有效性难以衡量（1）可持续性①收集数据寻找目标群体太慢：拍脑袋寻找目标群体，每次筛选用户，都需要大数据学生收集一次。一方面，人群名单是一次性的，重用性低。另一方面，算法专业研究模型没有真正发挥作用。②设计活动周期长:找人，策划活动，设计页面，活动上线。这个周期太长，时效性低，很难满足③手动触摸需要时间：一次性活动触摸，每次活动对学生的操作挑战很大，不能腾出时间（2）不能衡量有效性①每次活动分散，与游击战类似，无法持续观察该策略是否有效②缺乏实验性思维：未能形成整体转换监控指标，接触活动未留出对照组。3.数据分析困难。每项活动分析都需要收集数据，无法保证分析的及时性；各级数据分为不同系统，底层数据表无法关联。3.数据分析困难。每项活动分析都需要收集数据，分析的及时性无法保证；各级数据分为不同系统，底层数据表无法连接。4、解决一系列尝试和暴露的问题，为我们下一步确定思路提供良好的基础。回到本文的主题，我们如何利用大数据的能力让用户更容易成为我们的付费客户？这里的核心思路是:用更少的时间找到最容易转化的客户，用最合适的offer触动客户。什么是offer？在这里，我们定义的范围包括:功能性产品优势(即产品的虚拟价值)和盈利性爆款活动(折扣、新户礼包、爆款产品)。具体的操作思路是什么？一步一步看分解。1.很多时候，一个产品(平台)的优势都是自己包装的，但是市场/用户端的反馈是真的吗？为什么新户选择你的平台？我们做了两件事来理解这个问题：①去年，新户首次转化的订单数据：从数据中分析用户转化背后的决策逻辑，结果较为明显，X%用户为A，X%用户是B....具体数据，我就不展开了。②研究用户:对平台的认知和第一次在平台上购买的动机是什么？基于大量的历史数据和用户研究，我们可以找到我们自己的平台对用户的吸引力。2.人群分层用户转换项目是一个teamwork，包括算法、业务、运营和产品。前面说过，如果不能划分用户，团队就会混乱，缺乏目标。这样，我们就不能很好地管理用户。在这方面，我们采用了四象限分层，用户对平台认知和用户偏好的高倾向：对平台产品的高倾向，可以通过倾向模型筛选高认知：认知是根据用户与平台的密切关系，如产品购买断点客户，是对平台了解更多的人。对于刚注册的新户，认知度很低，需要先做认知教育。人群划分只是第一步，第二步是找出每个组的用户数量，可以从用户认知中划分，如：断点客户、应用活跃客户、应用注册用户、微信关注用户等，然后设定各层次的转型目标，每个行动小组索赔任务。3.算法模型支持业务对算法的要求，实际上是：设定业务目标，如：最有可能购买A类产品用户（注：A类产品必须结合自身产品的优势），然后算法学生将根据业务目标进行建模，包括：问题建模（指标评估、样品选择、交叉验证）、构建特色工程，选择模型，集成模型，然后进行最终的模型验证。当然，以上是一个完整的建模过程，在实际应用中，首先是小步快跑。首先用相对简单的IV值估算，找出强相关的客户维度，给业务方试用。4.作者认为深挖场景的自动化管理是最关键的环节。用户转换的过程必须是：在某些触发场景中，通过习惯性的行为路线，获取内容。它将分为三个部分：高频场景挖掘、自动化战略支持和战略实施。(1)根据人群分层找高频场景①了解用户的行为偏好。分为在线行为：活跃用户定期浏览应用程序上的频道、功能和搜索内容；离线行为：基于lbs了解城市用户②了解用户的交易偏好：了解行为偏好，下一步是了解用户的交易偏好，他们喜欢什么，需要做他们喜欢的事情。(2)手工设置的push自动化经营策略耗时费力，根本无法支撑客户转型的需求。因此，您可以结合新客户转型的关键场景和路线，设置一些自动化策略，如下：①客户断点自动化恢复策略:浏览/评论/关注/未使用优惠券等。，可以自动收集这批客户并进行定向召回。比如最近三天浏览了一个产品，可以给客户一些利益点，然后触摸。②关键场景全链接伏击策略：在用户完成任务前后，转换内容伏击，当然，优先接触高趋势客户群体，不要过度打扰。③此外：客户离线设置T x日接触策略、客户沉默设置盈利策略等。(3)战略实施实验设置的对比维度可以是:渠道、客户群、offer。这里强调的是，我们必须明确整个策略的目标，并留出对照组，否则以下数据很难令人信服，也无法判断策略是否应该继续固化。5. 在数据分析的这一部分，重点是打开每个节点的数据，实现基于每个实验的可视化分析和比较。这取决于平台本身的数据管理是否标准化。如果数据收集不标准化，在很多情况下，分析仍然非常糟糕。这里就不展开了。祝你好~在整个过程中，大数据辅助业务在实验数据分析中找到了自己的优势，建立了模型，找到了高趋势客户群，给予了更大的支持，业务运营趋于精细化。在用户转型方面，它也更加严格和有规律。以上只是一些阶段性的思考，希望对大家有所帮助~附全文思考脑图: