首页 > 其他分享 >唤醒沉默&召回流失用户实战

唤醒沉默&召回流失用户实战

时间:2024-06-21 17:29:34浏览次数:15  
标签:沉默 策略 用户 触达 流失 召回 唤醒


在移动互联网高速发展的今天,随着市场竞争的日益激烈,一些互联网公司的获客成本呈现出逐年上升的趋势,这意味着企业需要投入更多的资源来争夺有限的用户。

保守估计:工具类获客成本在1-5元;文娱类获客成本在5-50元;电商类获客成本在50-200元;金融类获客成本在100-500元。

举个例子

假设每天新增1000个用户,次日留存率40%来算,每天会有60%的用户,第二天就再也不打开我们的APP,最终成为了流失用户,平均每日损失几百到数万元不等。

虽然相比动辄几百万到几千万的融资,看起来损失很小。

- - 但遗憾的是

事情显然并没有那么简单

大部分产品的次日留存率,远远达不到40%。

这就意味着会有更多的用户流失掉!

并且对于很多产品来说,引导用户下载激活注册,仅仅是个开始,后面还需要继续引导其转化成为付费用户。

这里延展一个常用的AARRR模型

因为其爆炸性的增长方式通常又被称为海盗模型,其本质由获取、激活、留存、变现、推荐5个阶段组成,我打算放在我的公众号:PM大明同学」专门做一期内容。

如此一来,便会造成一款产品运营的时间越久,沉默和流失盘子越大。

那面对大面积的沉默和流失用户群,我们该如何应对?

我想听一下你们的答案,给大家三秒钟的时间,可以打在下方评论区我看一下。

3、2、1

Ok,这个问题听起来可能有些难度,但我们有没有比较好的解决方案呢?

答案是:有的

在用户生命周期模型中,沉默期介于成熟期和流失期之间,不断地通过运营手段触达并保持这部分用户活跃,是决定产品能否保持高留存的关键阶段。

精准的用户标签结合多形式、多样化的促活手段,可帮助我们提升用户的粘性,从而留住用户,那么沉默和流失预警用户的持续性召回与唤醒势在必行。

现在,我们似乎已经得到了我们想要的答案。

- - 但

这就完了吗?

不,这才刚刚开始。

我们知道对沉默用户唤醒,对流失用户召回。

“那唤醒沉默用户怎么唤醒?”

“召回流失用户又如何召回?”


OK,我们的内容正式开始,我将为大家分享一下,我在搭建“流失用户召回体系”方面所做的探索。

既然是做流失用户召回体系。

那么我们首先要做的就是找到流失用户。

“那流失用户的定义是什么?” 

流失用户:什么是流失用户?工具类、文娱类产品可能是连续7天未登录算作流失,每个类型的产品形态不一样,需要根据产品形态来确定。

沉默用户:沉默用户唤醒与流失用户召回是两件事,运营策略是有差异的,所以还要清楚流失前的沉默期如何界定,知道什么是沉默用户。

自然回流用户:每天都会有一些已流失用户的自然回流,不做任何召回策略自然回归的用户,这个数据需要计算清楚,如果不做区分,在做召回时,你会盲目乐观的以为自然回流都是你的召回效果。

策略召回用户:因为召回激励而回归的用户,这些才是召回策略的增量结果。

所有定义要明确包含两个部分:时间周期限制、核心行为限制。 

需要结合具体业务及数据分析结果而定。

找到了流失用户。

我们需要重点关注流失(沉默)用户的哪些数据?

流失用户规模:取数区间内流失了多少用户,这部分用户占比大盘用户多少。

用户分类:流失(沉默)用户占比;

渠道聚集性:流失(沉默)用户是否有渠道聚集性;

生命周期分类:用户流失(沉默)发生在哪个生命周期,新生期还是衰退期?

通过了解数据规模,确定召回用户样本的优先级,大致了解召回的难易程度,原则上沉默唤醒高优于流失召回。


用什么方式区分用户的价值和召回的优先级?

换句话说,依据什么来决定这些用户召回的先后顺序?

给大家三秒钟的时间思考一下,你们可以把答案打在下方评论区。

3、2、1

OK。

站在用户价值的角度,我们主要依据用户历史价值,召回难易程度,流失原因等将流失(沉默)用户细分,针对性的进行召回。

行为数据挖掘:通过关键行为挖掘,进行用户分群

历史价值:通过历史价值,确定各类用户召回成本,主要分群维度:用户类型、累计充值金额、历史等级、生命周期等业务核心指标;

召回概率:流失(沉默)时长、是否卸载客户端、是否可触达,进行召回概率分群

流失前行为分析,回流后行为分析:流失前行为分析确定流失原因,回流后行为确定用户回流关注点。如流失前活跃度衰减趋势,回流后核心消费点。

关于用户价值这个话题,我上期做过一期内容,专门讲了这块内容,建议大家看完这一期内容,可以去复习一下。

就是《如何从几千万上百万的用户中筛选出高价值用户?》这一期

ok,回到主题。

接下来还要做“用户调研”

做用户调研主要是为了解决以下2个问题:

流失原因:是用户主观原因,还是平台原因?重点关注平台主要流失原因

回归动力:通过调研找到用户回流动力,给用户一个回来的理由,缩短试错期

数据挖掘能解决绝大多数用户分群依据,但无法判断用户主观的流失原因,所以客观数据+用户调研,是用户分群都要进行的两个核心抓手。


“这里要提醒一下,接下来,我们要深入了解召回策略,都是干货,如果大家觉得有用,可以收藏,避免以后要用的时候找不到了。”

人群策略

依据用户价值、召回概率、流失原因将用户分群后,实现不同人群不同召回策略,精细化运营。

触达策略

短信:内容送达率较高,量大的话成本在几分钱一条,但内容格式比较单一,文字+链接,实现精细化推送,与push推送结合一起效果更理想。

push:有端才可触达,易造成打扰注意频次,尽量与有吸引力活动结合在一起,且判断好自己用户适合的触达时间,push时间掌握好可事半功倍,说一个小技巧,设计触达时间、触发频次可以参考大盘用户活跃时间分布图。

邮件:早几年互联网很喜欢用邮件往来,这类触达方式电商和金融类产品用的较多,但测试效果并不理想。

电话召回:客服成本极高,除非是特高优用户,否则不建议客服电话召回。

奖励策略

设计具有吸引力的召回激励,如优惠券、积分、免费试用等,什么人群给奖励,给何种形式奖励,现金,券还是积分?在哪些环节给奖励,完成什么任务给奖励能激发用户的回归意愿,这些都是奖励策略要重点关注的。

“设计奖励策略需要注意激励成本与效果之间的平衡,不然很容易玩蹦的。”

召回文案

这是最浓墨重彩的一笔,短短的一段话,既要针对他流失的原因给他一个回来的理由,又要让他看到未来的激励。所有的分群调研和数据分析,都凝结在这段召回的话语中。所以对文案的实验测试,也是召回运营的关键环节。

关于召回的方法和技巧,篇幅有限,这里没办法再给大家一一讲了,我打算放在我的公众号:「PM大明同学」,感兴趣的可以关注我的公众。

实验&产品感知

实验落地:人群分完,触达方式确定,奖励策略完成,之后便是大量实验验证,哪种人群哪种策略召回效率最高,成本最低。

产品感知:尽量为召回用户单建落地页,并且使用户对召回奖励有明确感知

召回用户运营

流失召回不能止步于让用户回来,此时用户相当于重走一遍新增用户生命周期,需要重点关注召回用户1、3、7、14、30日留存相关数,直至用户进入稳定期。


我们在做用户召回(唤醒)到实际落地做了很多工作,整个过程耗时耗力,召回一个流失用户成本很高,为了避免做大量重复性的工作,应该在用户即将沉默和流失的时候,做提前预警,尽可能提前针对性的通过产品引导和激励等能力,帮助用户走过震荡期。

流失(沉默)预警:通过大数据机器学习,预测用户流失风险,针对性定期执行流失前干预,会更大程度降低产品运营成本。


这期内容到这里差不多就结束了,最后做个总结。

在移动互联网竞争日益加剧的背景下,用户获取成本逐年攀升,对于互联网公司而言,有效召回沉默和流失用户显得尤为关键。

任何运营手段和策略都是要基于对用户和产品的深度了解和思考,这一过程需深度洞察用户和产品特点,否则一切努力恐将付诸东流。

沉默与流失用户的召回是一个既复杂又需持续投入的过程,需综合运用个性化召回内容、多渠道触达、吸引力强的激励措施及持续优化用户体验等手段。

同时,通过持续的数据监控与分析,不断优化召回策略,才能提高用户粘性,降低流失率,从而实现用户生命周期价值的最大化。

我是大明同学。

我们下期见

标签:沉默,策略,用户,触达,流失,召回,唤醒
From: https://blog.csdn.net/WGzhuiri/article/details/139803318

相关文章

  • 苹果嘲笑微软在 Windows 召回计划中 AI 失败
    在科技界,苹果和微软一直是两大巨头,彼此之间的竞争从未停止。最近,苹果公司公开嘲笑微软在其Windows召回计划中使用人工智能(AI)失败的事件,再次引发了业界的广泛关注和讨论。本文将探讨这一事件的背景、原因及其对两家公司和整个科技行业的影响。事件背景微软在其最新的Windows......
  • 论如何使用机器学习,预测客户流失率,轻松实现客户精准维护
    01、案例说明首先我们学习最经典的机器学习模型,就是监督学习(SupervisedLearning)中的分类模型。这边使用的是一个电信公司的案例,通过客户的基本资料和一些简单的互动信息,建立一个模型,以预测哪些客户有较高的可能性流失,从而进行补救。因为研究显示得到一个新客户的成本是维......
  • SPSS用CHAID决策树、逻辑回归预测电信用户产品使用流失数据
    全文链接:https://tecdat.cn/?p=36513原文出处:拓端数据部落公众号在电信行业中,用户产品使用的流失情况对于企业而言是一个关键的运营指标。理解用户为何流失以及预测其流失趋势,对于提升用户满意度、减少流失率及制定有效的营销策略至关重要。本研究旨在通过SPSS软件,利用CHAID(Chi-......
  • 夜静星辉:睡前冥想,唤醒专注力之源|流静
    在繁忙的现代生活中,专注力成为了一种稀缺资源。每当夜幕降临,我们躺在床上,却常常思绪万千,难以入眠。而睡前冥想,正是一种能够帮助我们回归宁静、提升专注力的有效方法。睡前冥想,如同在心灵深处点亮一盏明灯,照亮我们纷乱的思绪。当我们闭上眼睛,深呼吸,将注意力集中在呼吸......
  • Python中用PyTorch机器学习神经网络分类预测银行客户流失模型|附代码数据
    阅读全文:http://tecdat.cn/?p=8522最近我们被客户要求撰写关于神经网络的研究报告,包括一些图形和统计输出。分类问题属于机器学习问题的类别,其中给定一组特征,任务是预测离散值。分类问题的一些常见示例是,预测肿瘤是否为癌症,或者学生是否可能通过考试在本文中,鉴于银行客户的某些......
  • 基于神经网络模型ANN的人力资源分析与员工流失预测
    前言系列专栏:【深度学习:算法项目实战】✨︎涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域,讨论了各种复杂的深度神经网络思想,如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆......
  • 玩客云刷armbian+CasaOS+Docker+LED灯控制+QBitTorrent+Cpolar内网穿透+青龙+Home Ass
    一、【玩客云的配置介绍】CPU是晶晨S805这是一款32位处理器的CPU,性能放在现在来看是比较弱鸡的,很多玩法都被这颗CPU的性能局限了。双USB2.0这个同样是被吐槽的地方,严重影响文件的传输速度。千兆网口这点比很多同期的设备强。但刷部分固件后会变成百兆。1GB+8GB存储组合这......
  • 如何用前端实现麦克风语音唤醒
    <!DOCTYPEhtml><htmllang="en"><head><metacharset="UTF-8"><metaname="viewport"content="width=device-width,initial-scale=1.0"><title>我的简单网页</title>......
  • rt-thread 系统pm组件在4.1.1版本的无法正常唤醒的问题解决方法
    在老的rt-thread版本系统pm组件调试ok,后来使用4.1.1版本时发现进入低功耗后无法正常唤醒,问题解决路径如下硬件信息:cpu STM32L431CCT6新建系统打开pm组件后也没有drv_pm.c和drv_lptim.c自动添加,需要到系统目下找到并复制到driver目录下C:\RT-ThreadStudio\repo\Extract\R......
  • 双塔召回模型问题总结
    1.常用的损失函数一般使用inbatchsoftmax,主要优点是方便,确实是容易遭造成对热门item的打压,可以做纠偏,参考youtube论文《Sampling-Bias-CorrectedNeuralModelingforLargeCorpusItemRecommendations》 2.计算useremb和itememb时的相似度时应该用什么方法,为什么需......