万字干货：精细化用户增长案例
运营经验搬运工
01、低频高客单长决策下的优惠券玩法
交易类产品主要在三个维度去考量，交易频次、客单价大小、决策路径长短。零售类（京东、阿里电商、跨境电商等）基本都是高频、小客单（大家电等特殊品类暂不考虑在内）、快速决策。
然而零售电商已饱和，低频高客长决策交易类服务大批量的由线下往线上转移，怎么关单、怎么低成本关单是运营人员和电销人员最头疼的事情。
以这三个因素为维度可以划分如下几种：
废话少说，直接进入重点，今天讲下除了零售以外其它几种类型营销中优惠券的用法。
一、优惠券就是价格歧视和消费者剩余的结合
价格歧视：价格P1对应销量Q1，依次类推，卖的多挣得多，所以对不同的市场不同的，用户要进行价格歧视，优惠券抵消一部分价格完成对不同人群的价格歧视。
消费者剩余：如图定价为5黑色部分为消费者剩余，有剩余怎么能行，必须榨干，所以要把价格订到最高，然后通过优惠券价格歧视的方法榨干消费者剩余，实现利润的最大化。
白高粱是学计算机和金融学专业的，虽然都还给了老师，但是基本概念还是有印象的。看不懂的小伙伴，请自行购买微观经济学好好学习，学不好怎么做运营，给多少预算都是亏。
二、用户营销策略
上图把所有的类型产品都集中到一起写出的策略，大体的思路是这样，运用的小伙伴遇到具体问题在具体的拆解；
课程服务类、会员服务类客单价是固定不变的且品类较少，优惠券优惠额度并不是很灵活，多设计一些优惠力度慢慢调试以最小的成本投入产生最大销售收入；
消费贷、P2P类的产品客单价浮动比较大，P2P要比消费贷客单价更加灵活，所以设置优惠券力度时可以根据用户聚类的价格敏感度进行设置；
优惠券只是一个概念，有可以用打折、减免、抵扣等办法。利用促销活动（活动规则+激励规则）对同一类别用户进行ABtest方式测试出ROI最高的优惠方式，然后把所有分类都测试完毕，每个族群都达到最优ROI完美实现价格歧视。
三、具体案例
优惠券核心四要素是成本谁出，给谁发，发多少，什么时候发。这四个要素在不同的产品中有不同的组合，这就形成了很多种分类分层的讨论可行性。
案例一
以P2P交易类为代表：成本由平台公司出，发给已交易用户，快到期时候发，发多少？?
即将到期的时候有两个选择续费和提升客单价，今天以提升客单价为例子，介绍一种发券方法。
首先分析数据，拉出即将到期的付费用户交易客单价有哪些特性（忽略大量数据分析）
如图，横轴为客单价，纵轴为人数。我们可以看出客单价5000左右区间集中地人数最多，这样的聚集区域有三处既5000元、10000元、20000元。
那么依托这三个维度，对大部分用户进行一下策略尝试（暂时忽略小众长尾用户）
上图策略中可以做ABtest，例如5000原档可以分AB两部分用户给与优惠券和加息券，以此类推。优惠券额度高低也可以做测试，两个维度形成以下四种测试方案。
上图方案中的用户对价格和数字的敏感可以根据以往的营销活动及优惠券使用类型和频次进行判断，这会根据用户属性标签和行为标签综合给用户归类定义。
制定好测试方案或者活动方案了，那么上线之后就是分析活动数据了，很简单的一到数学题而已，如图：
ABCD四个方案各有千秋（数据纯属虚构，并不能反映具体问题，只提供思路使用），依据手里的预算，在数据基础上完成不同时期不同任务的要求：
营销成本=投资额度*利率 — 投资额度*收益率 — 人员成本（P2P）
营销成本=（1-坏账率）*（1+利率）*人数*客单价— 本金— 人员成本（消费贷）
案例二
教育行业算是比较大众的行业了，由于关单方式基本由电销去电话沟通，所以很难由运营人员制定制定比较统一的策略，反馈的回来的数据（电销人员记录）很难真是反映用户需求，线上交易少之又少，所以定期做一些促销活动，由电销人员去搞定。关键客单价基本固定，就几种课包。
教育的续费率参差不齐，课耗也参差不齐，在教育部新规的限定下，必定会淘汰一批课耗低续费率低的企业，因为营销费用太高了。而且一般的企业也就有几万至几十万的付费用户，几十万付费用户的估值已经很高了，但是相对于传统互联网几万的付费用户太少了，数据量太少了。
总体的红包策略就是依据 营销成本=客单价 —（营销成本+电销提成+人员成本+师资费用）录播课与真人课的区别在于成本一次性支付。包装活动的形式给出下单让利，事后可以按照地区和用户画像提炼出最合适的让利价格。
案例三
会员服务（腾讯视频、优酷视频），账号服务（同花顺、豆丁、网盘），订阅服务（喜马拉雅、得到），保险服务（平安健康险、场景保险）都是低频、低客单、短决策流的代表。这几种产品客单价固定、服务类型少。
会员服务和账号服务是虚拟服务，提供1个账号和提供100000个账号锁增加的成本基本为零，此处忽略企业盈利模式的探讨：营销成本=（0，会员价] — 人员成本，后续拼付费率也也许会更好。
订阅服务如果是KOL产出的内容里面就涉及到了提成，营销成本=客单价 — KOL分成—人员成本，区别于教育类的录播课的原因在于课程是自己的老师生产还是第三方KOL生产，自己老师只需要支付工资而外部老师需要每单都有提成。
四、总结
优惠券的概念在这几种产品中的作用其实远远没有淘宝、京东这种多品类、多客单价这么大，零售类更灵活场景更多，结合第三方玩法 会更多更多。
优惠券在传统营销当中占据很重要的地位，然而这么多年过去了用户对优惠券的热情不减同时也对其产生免疫，因为优惠券满天飞么。
新的破局点我觉得会在内容营销（各种自媒体），场景营销（各种感情）让用户感同身受，调动感情，让冲动消费更多一下，买一些并不是真的这么需要的商品，不然商品经济社会怎么发展？
搜索电商进入推荐电商，由主动变被动，没有需求创造需求。
02、教育行业转介绍裂变活动，分类分层降成本
多数项目的转介绍销售额占比都在40%以上，这个数字很恐怖，是绝对值得增长人员死磕的重点。废话少说，直接进入重点，今天讲转介绍裂变成本控制的一个优化方案。
一、项目背景
新接手一个项目，转介绍项目ROI一直很差只有5左右，和竞品相差很多，这是不能接受的。
1. 转介绍活动规则
一个月有两次转介绍活动，间隔日期为每个月15号；
把专享海报转发到朋友圈或者微信群，并截图上传，由工作客服审核；
审核通过即可获得赠课，用户出席获得赠课，用户购买双方都可获得赠课。
2. 转介绍奖励规则
转发海报获得1节赠课 最高成本=用户数X2（每月两次转发）；
用户出席获得1节赠课 最高成本=出席数X2（赠课1节，试听1节）；
用户购买转发者获得8节赠课，购买者获得4节促销赠课，1月内退费赠课全部取消（上课先消耗购买课程，最后消耗赠课）。
3. 转介绍活动推广
微信公众号对付费用户进行客服消息推送（此策略只针对付费用户）；
电销对自己付费客户群发微信消息，对新付费人员进行电话沟通通知转发；
短信推送，APP端push消息通知等。
二、分析问题
1. 成本居高不下原因
转发海报赠课成本太高？
拉来出席不应该赠课？
购买后双方赠课成本太高？
分析很多数据(省略大量数据分析)，我们发现了问题的核心：转发朋友圈成本太高。
数据如图：上：5月付费用户至今转介绍的成本；下：6月份付费用户至今转介绍成本
可以看到，5月份有6900转介绍活动而一个新用户list都没带来，而我们一个月就会白白付出13800课程的成本；
6月份付费用户一个月则达到了14400，如果一节课成本25元这个数据模型中浪费了71500元的课程成本。
这还只是一个月成本，本活动并没有时间和付费时间的限制，那一年下来赠课成本那是相当恐怖啊，所以必须解决。
三、解决方案
1. 可选解决方案
直接砍掉转发赠课；
区分用户赠课，多劳多得，设置活动截止时间。
2. 遇到的问题
直接砍掉势必会影响转介绍进量，对用户也是一种伤害。而且电销团队也不会同意，因为他们要推给用户这个活动，总不能用嘴忽悠吧。
区分赠课最可行，促进付费用户参与转介绍积极参与，同时节省成本。
3. 数据分析
分析下转介绍活动带来leads的情况：
我们看上面两幅图，付费用户在三个月后带来的裂变用户会降到谷底，并趋于平稳。在11月份都发生了一个向上的波峰（后经查证双十一做过大力的转介绍促销活动）
结论：用户付费后三个月朋友圈基本被榨干，但是如果加大激励力度会促进用户转介绍，并能带来一定的增量。
4. 最终解决方案
正负方向梯度激励规则，监测时间为5个月（如果用户量较大，可以测试ABtest）。
具体规则：
（1）正向激励
其中参数n为带来注册试听leads数量，y为连续参加活动且带来注册试听的leads次数。
（2）负向激励
其中参数n为带来注册试听leads数量，y为连续参加活动且带来注册试听的leads次数。
（3）落地
后台产品和技术开发，落地到后台CRM后台；
制作海报，写清规则，公布给用户。
（4）监测周期及数据
测试周期为4-5个月；
监测数据，成本降低多少ROI提升多少、梯度奖励是否提前压榨出用户11月份小波风的leads量；
CRM后台可更改奖励参数，测试不同梯度的奖励系数（需要强大的产品技术支持）；
测试一到两次之后，是否可以直接吧活动周期截止到4个月，后续不在涉及梯度奖励，放弃长尾，防止用户延后带来leads而提高奖励系数。
（5）风险
撸羊毛：有用户故意拿梯度奖励，把转介绍用户量后延，一次活动一个，最终拿到更高的系数加成 ；
解决办法：测试当中发现此问题，在第二次测试中加入限制条件，防止用户刷量（用户量级比较大，则可以在第一次测试的时候加入限制条件）。
四、总结
精细化运营：精细化运营，数据分析其实并不复杂，简单的数据就能看出很多的问题，上面这个小小的例子并没有很复杂的数据分析。
数据只是工具，关键是思考的方式以及PDCA的工作思路。
量级的问题：上面的例子其实用户量级比较小，教育行业有几十万付费用户已经很厉害了。如果遇到百万级、千万级交易量的产品，模型就要更复杂了。要把用户分更多层，分更多的类，而且还要做数据推演，做ABtest，周期很长，同时这也是一个运营最值钱的地方了。
这叫系统化的策略运营，比做个小活动，用个Excel表分析下数据要复杂的多，只有经历过大用量的洗礼，才会明白运营的价值在于几个人通过规则控制成百上千的用户。
积少成多：结构化思维+PDCA+ABtest在这个小例子中皆有体现，成百上千的案例+所有人具备这种思维的增长运营团队才最具有战斗力。
03、高频低客单快决策下的零售优惠券发放策略
优惠券谁不喜欢，能省钱啊，谁和钱有仇，省一分是一分。今天聊一下用户分层分群下的红包发放策略。
一、新用户
牵手礼，美好的邂逅怎能不俗气点，既然来了就领点优惠券吧。如下图京东优惠券为例：
（图片来自网络）
优惠券种类统计和分析如下图：
知识点：
第一次总是羞涩的，成本总是高的，总是谨慎的。所以使用率最高的小额破冰红包给出了15%的成本，随着客单价的提升优惠额度也是少了很多，当然这些红包可能会用在第2345次支付中。
服饰单品的优惠券优惠力度最多为21%，有可能是品类大促，也有可能是根据用户画像猜测用户喜好。
600减30和600减35猜测600是客单价中比较集中的一档，第一次达到这个客单价奖励比较高第二次达到后优惠会减少。
300减15和350减10猜测300是一个集中客单价区域第一次达到奖励会大一些，350-400之间是相当集中的，不费吹灰之力就能达到，随意没必要浪费太多营销费用。（没有太多数据确实很难猜测）。
400减12和450减25客单价提升了50成本却增加了一倍多，可能这个阶段的客单价是一个瓶颈，需要大力度促销提升。
实战中的数据分析
建立如下的漏斗分析模型：
策略优化思路：
1. 注册1170人，只有255人领取了优惠券，问题出在哪里，假设如下：
（1）产品BUG：新人红包礼窗口没有弹出，按照APP、小程序、机型、版本等分析数据，找出问题，解决掉BUG。
（2）产品逻辑：用户关闭红包窗口后是特定时间内没有重新弹出，分析用户主动关闭红包窗口的数据是否支持，若支持则优化2、3、4等多次弹出策略及频次。
2. 247人加入了购物车只有10人提交了订单，转化率很低：
（1）打铁趁热，必须快速让用户成交第一单，不然流失率很高。
（2）分析用户加入购物车商品是什么、有多少个、还浏览了那些品类。
（3）推送精准红包，促进用户支付。
（4）推送可供对比的商品，帮助用户对比，促进用户支付。
（5）push推送，提醒用户支付，设定时间限制。
（6）推送周边产品，制定拼单活动，提供优惠。
（7）提交订单又可以拆分出更细的漏斗，选择支付方式，填写地址，验证短信等，是否有产品问题？
以上策略及分析比较简单，只是提供一种思路，具体工作当中要分析大量的数据更复杂的数据，找出问题所在并解决掉。
新手礼可以依据渠道、兴趣选择、地区、性别、行为数据等通过数据制定模块化的前后台产品策略流程，建立起人工智能的数据中台，AI代替人工，运营小伙伴慌得一批，哈哈哈。不过这肯定是未来，一个人分析数据调参数 ，一个人策划具体的活动足够了。阿里的鲁班除了撸能做活动了怎么办？
二、激活用户
定义：某段时间内购买1-5次的用户。5次这个数依具体产品及实际情况变化而变化，就是用户处在不稳定留存状态下的那个阶段，只要在某段时间内达到了某一个魔法数字留存率会提高很多。
如图所示，这是支付小于5次一个用户的分布状态，分层分类制定发放策略。
清空购物车的优惠券，特定时间支付立减。
依托浏览数据的发放优惠券，品类、单品、满减等。
连续购买返现金优惠券
回归大礼包
爆款优惠券
三、忠诚用户
以RFM对用户进行分类，选取3673000条用户数据，统计出各指标的分布情况。
频次：分布图如下。频次主要集中在三个区间范围内，选取5-10次、11-16次、17-22次三个区间。
金额：分布图如下。金额主要集中在6000-1100、12000-1700、18000-25000三个区间。
间隔：分布图如下。11-18天、19-24天、25-30天。
因此，按照下图分类，把用户三个维度打出标签来。
则用户可以分为3*3*3=27种组合，如果划分5个档次就有5*5*5=125种组合，为了讲解方便，那么我们罗列一下2*2*2=8种组合的分布数列如下：
策略：
1类用户：产品的核心价值，给与特殊权利下的优待红包，比如核心用户专享超大金额，高级会员红包大礼物，总之就是一定要留住他们。
2类用户：频次有些低，那就给与连续购买奖励红包，发红包的频次提高，促使其交易频次提高。
……以此类推，然后在每一类用户当中可以依据用户属性数据和行为数据在进行细分，这样优惠券的发放会更精准更高效。
四、衰落用户
衰落用户是我自己的定义，因为里面常常包含两部分沉默用户+流失用户。俗话说的好，不在沉默中爆发就在沉默中灭亡，但是用户爆发的概率太小了，既然沉默了那再不采取办法最终还是会走向灭亡的。
1. 流失原因
（1）客户主动流失——客户主动地改变了当前的行为模式，比如浏览次数下降、交易下降等；
（2）客户被动流失 ——被产品伤害到了，比如流失前有过投诉、有过退货等。
2. 流失程度
（1）完全流失——用户发生关闭所有与企业服务相关帐户和交易等不可恢复或者很难恢复的行为；
（2）部分流失——用户例如在产品使用场景下用户使用频率突降了60%等等。
3. 流失去向
（1）外部——用户去了其它竞争对手；
（2）内部——用户还在只是降低了使用度，有可能是用户生活方式改变了也有可能是用户正在共用其他竞品。
可见，对于流失的理解可以是多方位的，需要结合具体的场景和需求。这里我们只简化考虑用户在某项业务主动部分流失的情况。
沉默和流失之间会有一个临界点，怎么分析出这个临界点？
我们锁定一批用户，观察其在后续业务使用方面的持续沉默天数，滚动考察用户持续沉默环比。我们发现，当用户在该业务持续沉默天数超过两周后，持续沉默环比高于X%且后续趋势平稳。因此我们发现了14这个数字，也就是14天很有可能是沉默与流失的临界点。
（来源于网络）
所以我们策略的临界点以及预警点就在14这个魔法数字上。流失用户的召回核心考虑的还是一个成本问题，如果召回的成本高于拉新了，那我们为什么不拉新呢？
按照用户生命周期贡献价值来分配召回用户成本：
召回成本=用户生命周期贡献价值-市场成本-运营成本
据行业数据统计，获取一个新用户的成本是维护老用户成本的5倍，换而言之，维护老用户的成本是新用户的1/5，这是成本下限。
根据流失用户的流失时长，一些流失时间比较长的用户，换种思路其实就等于新增用户，所以上限成本等于新增用户的获客成本。假设新增成本为20元一个则召回成本为4