"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
間隔：分佈圖如下。11-18天、19-24天、25-30天。
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
間隔：分佈圖如下。11-18天、19-24天、25-30天。
因此，按照下圖分類，把用戶三個維度打出標籤來。
則用戶可以分為3*3*3=27種組合，如果劃分5個檔次就有5*5*5=125種組合，為了講解方便，那麼我們羅列一下2*2*2=8種組合的分佈數列如下：
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
間隔：分佈圖如下。11-18天、19-24天、25-30天。
因此，按照下圖分類，把用戶三個維度打出標籤來。
則用戶可以分為3*3*3=27種組合，如果劃分5個檔次就有5*5*5=125種組合，為了講解方便，那麼我們羅列一下2*2*2=8種組合的分佈數列如下：
策略：
1類用戶：產品的核心價值，給與特殊權利下的優待紅包，比如核心用戶專享超大金額，高級會員紅包大禮物，總之就是一定要留住他們。
2類用戶：頻次有些低，那就給與連續購買獎勵紅包，發紅包的頻次提高，促使其交易頻次提高。
……以此類推，然後在每一類用戶當中可以依據用戶屬性數據和行為數據在進行細分，這樣優惠券的發放會更精準更高效。
四、衰落用戶
衰落用戶是我自己的定義，因為裡面常常包含兩部分沉默用戶+流失用戶。俗話說的好，不在沉默中爆發就在沉默中滅亡，但是用戶爆發的概率太小了，既然沉默了那再不採取辦法最終還是會走向滅亡的。
1. 流失原因
（1）客戶主動流失——客戶主動地改變了當前的行為模式，比如瀏覽次數下降、交易下降等；
（2）客戶被動流失 ——被產品傷害到了，比如流失前有過投訴、有過退貨等。
2. 流失程度
（1）完全流失——用戶發生關閉所有與企業服務相關帳戶和交易等不可恢復或者很難恢復的行為；
（2）部分流失——用戶例如在產品使用場景下用戶使用頻率突降了60%等等。
3. 流失去向
（1）外部——用戶去了其它競爭對手；
（2）內部——用戶還在只是降低了使用度，有可能是用戶生活方式改變了也有可能是用戶正在共用其他競品。
可見，對於流失的理解可以是多方位的，需要結合具體的場景和需求。這裡我們只簡化考慮用戶在某項業務主動部分流失的情況。
沉默和流失之間會有一個臨界點，怎麼分析出這個臨界點？
我們鎖定一批用戶，觀察其在後續業務使用方面的持續沉默天數，滾動考察用戶持續沉默環比。我們發現，當用戶在該業務持續沉默天數超過兩週後，持續沉默環比高於X%且後續趨勢平穩。因此我們發現了14這個數字，也就是14天很有可能是沉默與流失的臨界點。
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
間隔：分佈圖如下。11-18天、19-24天、25-30天。
因此，按照下圖分類，把用戶三個維度打出標籤來。
則用戶可以分為3*3*3=27種組合，如果劃分5個檔次就有5*5*5=125種組合，為了講解方便，那麼我們羅列一下2*2*2=8種組合的分佈數列如下：
策略：
1類用戶：產品的核心價值，給與特殊權利下的優待紅包，比如核心用戶專享超大金額，高級會員紅包大禮物，總之就是一定要留住他們。
2類用戶：頻次有些低，那就給與連續購買獎勵紅包，發紅包的頻次提高，促使其交易頻次提高。
……以此類推，然後在每一類用戶當中可以依據用戶屬性數據和行為數據在進行細分，這樣優惠券的發放會更精準更高效。
四、衰落用戶
衰落用戶是我自己的定義，因為裡面常常包含兩部分沉默用戶+流失用戶。俗話說的好，不在沉默中爆發就在沉默中滅亡，但是用戶爆發的概率太小了，既然沉默了那再不採取辦法最終還是會走向滅亡的。
1. 流失原因
（1）客戶主動流失——客戶主動地改變了當前的行為模式，比如瀏覽次數下降、交易下降等；
（2）客戶被動流失 ——被產品傷害到了，比如流失前有過投訴、有過退貨等。
2. 流失程度
（1）完全流失——用戶發生關閉所有與企業服務相關帳戶和交易等不可恢復或者很難恢復的行為；
（2）部分流失——用戶例如在產品使用場景下用戶使用頻率突降了60%等等。
3. 流失去向
（1）外部——用戶去了其它競爭對手；
（2）內部——用戶還在只是降低了使用度，有可能是用戶生活方式改變了也有可能是用戶正在共用其他競品。
可見，對於流失的理解可以是多方位的，需要結合具體的場景和需求。這裡我們只簡化考慮用戶在某項業務主動部分流失的情況。
沉默和流失之間會有一個臨界點，怎麼分析出這個臨界點？
我們鎖定一批用戶，觀察其在後續業務使用方面的持續沉默天數，滾動考察用戶持續沉默環比。我們發現，當用戶在該業務持續沉默天數超過兩週後，持續沉默環比高於X%且後續趨勢平穩。因此我們發現了14這個數字，也就是14天很有可能是沉默與流失的臨界點。
（來源於網絡）
所以我們策略的臨界點以及預警點就在14這個魔法數字上。
流失用戶的召回核心考慮的還是一個成本問題，如果召回的成本高於拉新了，那我們為什麼不拉新呢？
按照用戶生命週期貢獻價值來分配召回用戶成本：
召回成本=用戶生命週期貢獻價值-市場成本-運營成本
據行業數據統計，獲取一個新用戶的成本是維護老用戶成本的5倍，換而言之，維護老用戶的成本是新用戶的1/5，這是成本下限。
根據流失用戶的流失時長，一些流失時間比較長的用戶，換種思路其實就等於新增用戶，所以上限成本等於新增用戶的獲客成本。假設新增成本為20元一個則召回成本為4<X<20。
召回體系的增長實驗開始前的成本區間初步定下來了，至於在區間內多少錢合理，在召回率和成本之間如何平衡，根據後期實驗和覆盤分析不斷改進完善，找到召回最優成本：
"進入存量時期後，用戶增長成了所有人關心的話題；而在零售業中，為了達成用戶增長的效果，我們可以通過優惠券的方式來實現。具體的方法見正文哦~
優惠券誰不喜歡，能省錢啊，誰和錢有仇，省一分是一分。今天聊一下用戶分層分群下的紅包發放策略。
一、新用戶
牽手禮，美好的邂逅怎能不俗氣點，既然來了就領點優惠券吧。如下圖京東優惠券為例：
（圖片來自網絡）
優惠券種類統計和分析如下圖：
知識點：
- 第一次總是羞澀的，成本總是高的，總是謹慎的。所以使用率最高的小額破冰紅包給出了15%的成本，隨著客單價的提升優惠額度也是少了很多，當然這些紅包可能會用在第2345次支付中。
- 服飾單品的優惠券優惠力度最多為21%，有可能是品類大促，也有可能是根據用戶畫像猜測用戶喜好。
- 600減30和600減35猜測600是客單價中比較集中的一檔，第一次達到這個客單價獎勵比較高第二次達到後優惠會減少。
- 300減15和350減10猜測300是一個集中客單價區域第一次達到獎勵會大一些，350-400之間是相當集中的，不費吹灰之力就能達到，隨意沒必要浪費太多營銷費用。（沒有太多數據確實很難猜測）。
- 400減12和450減25客單價提升了50成本卻增加了一倍多，可能這個階段的客單價是一個瓶頸，需要大力度促銷提升。
實戰中的數據分析
建立如下的漏斗分析模型：
策略優化思路：
1. 註冊1170人，只有255人領取了優惠券，問題出在哪裡，假設如下：
（1）產品BUG：新人紅包禮窗口沒有彈出，按照APP、小程序、機型、版本等分析數據，找出問題，解決掉BUG。
（2）產品邏輯：用戶關閉紅包窗口後是特定時間內沒有重新彈出，分析用戶主動關閉紅包窗口的數據是否支持，若支持則優化2、3、4等多次彈出策略及頻次。
2. 247人加入了購物車只有10人提交了訂單，轉化率很低：
（1）打鐵趁熱，必須快速讓用戶成交第一單，不然流失率很高。
（2）分析用戶加入購物車商品是什麼、有多少個、還瀏覽了那些品類。
（3）推送精準紅包，促進用戶支付。
（4）推送可供對比的商品，幫助用戶對比，促進用戶支付。
（5）push推送，提醒用戶支付，設定時間限制。
（6）推送周邊產品，制定拼單活動，提供優惠。
（7）提交訂單又可以拆分出更細的漏斗，選擇支付方式，填寫地址，驗證短信等，是否有產品問題？
以上策略及分析比較簡單，只是提供一種思路，具體工作當中要分析大量的數據更復雜的數據，找出問題所在並解決掉。
新手禮可以依據渠道、興趣選擇、地區、性別、行為數據等通過數據制定模塊化的前後臺產品策略流程，建立起人工智能的數據中臺，AI代替人工，運營小夥伴慌得一批，哈哈哈。不過這肯定是未來，一個人分析數據調參數 ，一個人策劃具體的活動足夠了。阿里的魯班除了擼能做活動了怎麼辦？
二、激活用戶
定義：某段時間內購買1-5次的用戶。5次這個數依具體產品及實際情況變化而變化，就是用戶處在不穩定留存狀態下的那個階段，只要在某段時間內達到了某一個魔法數字留存率會提高很多。
如圖所示，這是支付小於5次一個用戶的分佈狀態，分層分類制定發放策略。
- 清空購物車的優惠券，特定時間支付立減。
- 依託瀏覽數據的發放優惠券，品類、單品、滿減等。
- 連續購買返現金優惠券
- 迴歸大禮包
- 爆款優惠券
三、忠誠用戶
以RFM對用戶進行分類，選取3673000條用戶數據，統計出各指標的分佈情況。
頻次：分佈圖如下。頻次主要集中在三個區間範圍內，選取5-10次、11-16次、17-22次三個區間。
金額：分佈圖如下。金額主要集中在6000-1100、12000-1700、18000-25000三個區間。
間隔：分佈圖如下。11-18天、19-24天、25-30天。
因此，按照下圖分類，把用戶三個維度打出標籤來。
則用戶可以分為3*3*3=27種組合，如果劃分5個檔次就有5*5*5=125種組合，為了講解方便，那麼我們羅列一下2*2*2=8種組合的分佈數列如下：
策略：
1類用戶：產品的核心價值，給與特殊權利下的優待紅包，比如核心用戶專享超大金額，高級會員紅包大禮物，總之就是一定要留住他們。
2類用戶：頻次有些低，那就給與連續購買獎勵紅包，發紅包的頻次提高，促使其交易頻次提高。
……以此類推，然後在每一類用戶當中可以依據用戶屬性數據和行為數據在進行細分，這樣優惠券的發放會更精準更高效。
四、衰落用戶
衰落用戶是我自己的定義，因為裡面常常包含兩部分沉默用戶+流失用戶。俗話說的好，不在沉默中爆發就在沉默中滅亡，但是用戶爆發的概率太小了，既然沉默了那再不採取辦法最終還是會走向滅亡的。
1. 流失原因
（1）客戶主動流失——客戶主動地改變了當前的行為模式，比如瀏覽次數下降、交易下降等；
（2）客戶被動流失 ——被產品傷害到了，比如流失前有過投訴、有過退貨等。
2. 流失程度
（1）完全流失——用戶發生關閉所有與企業服務相關帳戶和交易等不可恢復或者很難恢復的行為；
（2）部分流失——用戶例如在產品使用場景下用戶使用頻率突降了60%等等。
3. 流失去向
（1）外部——用戶去了其它競爭對手；
（2）內部——用戶還在只是降低了使用度，有可能是用戶生活方式改變了也有可能是用戶正在共用其他競品。
可見，對於流失的理解可以是多方位的，需要結合具體的場景和需求。這裡我們只簡化考慮用戶在某項業務主動部分流失的情況。
沉默和流失之間會有一個臨界點，怎麼分析出這個臨界點？
我們鎖定一批用戶，觀察其在後續業務使用方面的持續沉默天數，滾動考察用戶持續沉默環比。我們發現，當用戶在該業務持續沉默天數超過兩週後，持續沉默環比高於X%且後續趨勢平穩。因此我們發現了14這個數字，也就是14天很有可能是沉默與流失的臨界點。
（來源於網絡）
所以我們策略的臨界點以及預警點就在14這個魔法數字上。
流失用戶的召回核心考慮的還是一個成本問題，如果召回的成本高於拉新了，那我們為什麼不拉新呢？
按照用戶生命週期貢獻價值來分配召回用戶成本：
召回成本=用戶生命週期貢獻價值-市場成本-運營成本
據行業數據統計，獲取一個新用戶的成本是維護老用戶成本的5倍，換而言之，維護老用戶的成本是新用戶的1/5，這是成本下限。
根據流失用戶的流失時長，一些流失時間比較長的用戶，換種思路其實就等於新增用戶，所以上限成本等於新增用戶的獲客成本。假設新增成本為20元一個則召回成本為4<X<20。
召回體系的增長實驗開始前的成本區間初步定下來了，至於在區間內多少錢合理，在召回率和成本之間如何平衡，根據後期實驗和覆盤分析不斷改進完善，找到召回最優成本：
五、總結
優惠券、紅包體系在交易類的產品中是一個很重的模塊，怎麼發放最重要的其實就是考慮成本問題和轉化率問題。
在這個流量越來越貴，越來越集中的後紅利時代，大家都是練內功的時候，不要總想著哪裡還有流量窪地，哪裡還能偷偷搞點流量來，注重留存才是王道，所以現在用戶運營的人越來越來越值錢，各大公司都在尋找精細化運營的高手。
本文中涉及到了用戶分層分群、用戶生命週期價值、留存率、漏斗模型、分佈分析等概念，每個概念都可以拿出來講很多案例，希望小夥伴們多多系統性地學習，不同的產品不同的用戶會遇到不同的問題，問題千奇百怪，但是方法論是不會過時的。
作者：白高粱；公眾號：白高粱
本文由 @白高粱 原創發佈於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。
"