EasiestCarRental是一款针对美国用户的租车平台,这篇文章,作者为它搭建一套完整的用户运营体系,这是它的第三部分,用户分级和分群运营。
用户分级运营:
用户核心成长路径指示了用户成长、成熟情况,而用户分级则是对用户的综合价值进行划分。要注意的是:用户的成熟程度与综合价值不一定等同。
比如说:有个用户虽然只在平台购买过一次,但因为对平台服务很满意,于是主动为平台贡献评论、填写调研问卷、分享传播,并购买了付费会员。这个用户虽然只处于用户生命周期中的成长期初期,但已经具备很高的价值。
又如:有个用户在平台购买4次,但都只在获得了大额度折扣券才购买,也不为平台贡献内容和传播,是典型的“羊毛党”,对平台的价值很低。
因此,基于用户综合价值对用户进行分级,可以让运营人员区分出高价值用户,根据二八原则来把精力和资源投入到高价值的用户中,产生更大产出。
对C端用户分级的主要方法是会员体系,另外,也需要对B端的车行进行分级。
会员体系是提高用户留存、促进用户购买、引导用户成长的常用手段。
会员体系的设计重点:一是会员等级的升降规则,二是会员权益的设计和成本核算。
会员等级升降的依据是经验值的获取和扣减,经验值的获取依据是用户成长路径的关键动作。
由于租车需求的特殊性,用户租车的租期长短仅与旅行计划有关,与用户对平台的信任感关系不大。所以,为避免长租期用户会员等级增长太快,短租期用户太慢,我们对通过租车获得的经验值进行折算。
确定好经验值的获取规则后,我们设计出会员体系的等级:
旅游产品的会员体系均存在用户感知度低的问题,归根结底是因为会员权益的吸引力不足。会员权益主要分为两类:一类是优惠,另一类是特权。因为平台总是在不断进行促销,优惠对于用户来说并不是很吸引,而且过多的优惠会损伤利润率,所以特权才是应该考虑的会员权益。
参照车行(如AVIS、Hertz)的会员特权,我们发现:同样的特权,租车平台提供的成本远比车行高。比如说:增加额外驾驶人对于车行来说成本接近零,而租车平台却需要为用户垫付费用。
因此,为了在避免大幅增加运营成本的情况下为会员提供尽量多的权益,我们增加了付费会员等级。
操作如下:
增加付费会员的意义:
在新增了付费会员等级后,整体会员体系如下:
在确定每项特权的优惠额时,我们可以模拟用户使用场景,计算用户生命周期价值(LTV),并通过LTV>CAC+COC来确定COC。假设我们计算出用户每次使用特权,平台平均支出不能超过30美元。
我们可以设计如下特权:
租车平台连接用户和车辆提供商(车行)。对于车行,也需要进行分级运营。对车行的分级标准可以是销售额、门店数、佣金比例等。
限于篇幅,这里就不展开了。
通过用户分级,我们能划分出综合价值不同的用户,但在同一级中,可能存在不同用户属性的用户,需要用不同的运营手段去运营。在用户分级的基础上再横向划分用户,就成了用户分群,这样分群的典型方法是RFM模型。
还有一种用户分群方法是:把具有相同或相似属性的用户划分到同一群组,并对不同群组的用户施加不同的运营手段,这种分群方法是标签化的用户分群运营。
RFM模型是用户分群的常用模型。标准RFM模型如下:
对于租车平台,Recency和Frequency都是很有价值的指标,但Monetary的定义需要做出一些调整。因为用户消费金额主要取决于租期,而租期完全取决于用户旅游计划,不能很好地反映出用户对平台的信任度和价值贡献。
对于EasiestCarRental来说,能反映出用户对平台价值贡献的指标有:累计购买次数、累计消费金额、是否注册用户、会员等级、平台满意度(通过客诉记录来判断)、推荐好友数。
我们给上述指标赋予权重,计算出一个加权的值,作为Monetary的值。
确定了RFM各自代表的意义,我们现在对RFM各个维度进行划分。
对于Recency的划分,有两种方法。假设复购周期为3个月(90天):
第一种方法是根据用户复购周期来划分。可以简单地把每个复购周期作为一个区间,则:
第二种方法是根据用户复购比例来划分。用户在经历一个复购周期后,部分用户会自然产生购买需求,在不施加刺激的情况下自动产生复购行为;部分用户需要施加刺激才回来购买;部分用户即使施加强刺激也不回来了,这些用户属于流失用户。
对于未购买天数为3个月(90天)到9个月(270天)的用户,在其上次购买后90天到180天(即购买后1个到2个复购周期)内,在不施加任何刺激的情况下,进行再次购买的人数比例。
对于未购买天数为150天到360天的用户,在我们对其发放8%折扣优惠券的当天到90天内,再次购买的比例:
对于未购买天数为240天到360天的用户,在我们对其发送20%折扣优惠券后的当天到90天内,再次购买的比例:
从上述数据中可以看出,在90≤R≤150时,自然唤回比例较高,在150<R时,唤回比例大幅降低。类似地,发放小额和大额优惠券后,在240<R和300<R时,唤回比例显著降低。这是用户流失的几个关键节点。
因此,R的区间可以划分为:
因为租车属于低频需求,复购周期为3个月,所以我们考察1年内用户的购买次数。
正常情况下,我们选取全体用户的平均购买次数和购买最多的前20%用户的最低购买次数作为划分点。但我们发现这两个数值分别为1.4和2.2,都不是整数。所以,我们改为选取整数数值作为划分点。
于是,F的区间划分为:
根据上述分析,我们通过加权的方式计算M值:
M=a×累计购买次数+b×累计消费金额+c×是否注册用户+d×会员等级+e×平台满意度+f×推荐好友数
计算前,需要把各项(如累计购买次数、累计消费金额等)进行归一化,换算为介于0到100之间的数值。然后合理设置权重,并对M值进行划分:
因为M值是通过多个指标加权计算出来的,所以它可以直接用来做用户综合价值分层。
而当平台某段时间有特定运营需求时,比如:希望刺激更多用户进行分享传播,平台需要找到分享传播动机较强的用户。相应地,我们可以把M值公式中的a、b、e、f值调大,计算出衡量用户分享传播动机的M’值,再进行分层。
把具有相同或相似属性的用户划分成同一群组,对不同群组的用户施加不同的运营策略,能提高运营效率。标签化用户分群的第一步是,确定划分用户的维度(即标签)。常见的维度包括用户基本属性、访问行为、购买行为等。
确定维度后,根据具体场景对维度进行组合,确定不同的用户群组,设计运营策略和运营操作,并进行日常监控跟踪。
举例如下:
本文由威海软件开发公司半岛科技转载整理2018.06.28