墨记 实战案例|一个小小的弹窗,将付费转化率提升30%
5个月前
356 0
+1
分享 收藏

内容提要:
1、案例:以直播产品为例,梳理提升转化的三个要点
2、验证:「与主播互动」与「新用户付费转化」的前后关系
3、结论:因果关系是目标,但需要优先分析行为的先后关系,再通过迭代后的数据去尝试证明其中的因果关系。


一、以直播为例:提升直播产品的充值转化

现状

通过分析,我们发现,对于潜在付费客户来说,新增当天就付费充值的比例大于80%,即,新用户如果对产品感觉良好,新增当天就会充值付费。

对于直播这类产品来说,充值付费后拥有的体验可能会非常奢华,会刺激用户更频繁的使用其他功能。

所以到底是先有鸡还是先有蛋,这个前后关系必须能够区别开,分析结果才有意义。

提出假设:通过用户分组对比,即「与主播互动」能够促进新用户的付费转化。

但是这个猜想一经提出就遇到了挑战,大多数人虽然理解这个假设内在的逻辑,但是确实也会担心,当用户付费充值后,肯定会去打赏主播,这个过程中肯定会存在与主播互动交流的行为,那到底是现有付费促进了互动,还是互动促进了付费呢?


梳理预期场景

用户:新增的有效用户
场景:在直播间内
行为:通过发送文字消息与主播互动
目标:更大比例的实现付费转化

我们希望验证的目标是,满足这样场景和行为的用户,整体的付费转化率应该比没有满足的用户要高才对。


设计反向验证的数据分析方案

1.jpeg

我们通过用户第一次访问时间,明确用户的新增时间,同时通过在新增后1天内,即新增当天进入直播间超过5次这样的行为,来定义用户的有效性。这样筛选出来的用户,意味着都有在直播间与主播进行互动的能力,从而最大限度的保证了公平性。


2、善用转化漏斗,探索行为的前后关系

首先,我们要进行漏斗转化分析的,是我们在第一步里确定好的用户群,所以选择7月1日到7月31日新增的且新增当天就进入直播间次数大于5次的用户;然后我们将分析的时间段也设置为7月1日到7月31日之间;最后建立漏斗,第一步为「进入直播间」,第二步为「直播间内文字互动」,第三步为「充值金币」。


通过这样一连串的设置,我们就能够保证,这个漏斗中,最终转化付费的用户,一定是先经历了与主播互动,而后才进行的充值付费。


3、直播中与主播有文字互动的用户,付费转化率是没有互动用户的近5倍

基本逻辑就是在这个漏斗转化过程中,第二步骤,直播间内文字互动这一行为,已经天然的讲用户分为了两个组,一组是蓝色部分也就是实现转化的这组用户,另一组是红色部分,即进入直播间后没有与主播进行文字互动。


那最终,我们需要对比蓝色部分和红色部分,最终有多大比例的用户成功付费,对比他们两组人最终的付费转化率,就能够知道「直播间内文字互动」是不是一个能够促进付费转化的行为了。

2.jpeg

我们可以去拆分出这部分高质量用户最终在分析的这一时间段内的付费充值总数,减去蓝色部分用户最终付费转化的人数,就是红色部分用户最终付费转化的人数了。


通过简单的计算,我们可以看到,在这些高质量的有效用户中,与主播有过文字互动的用户,最终由4.91%成功实现了付费转化,而没有过文字互动的用户,只有-0.99%不到1%。


也就是说,直播中与主播有文字互动的用户,付费转化率是没有互动用的将近5倍。

至此,也许我们不能斩钉截铁的说,是由于与主播的互动带来了付费转化,但是我们可以很有底气的说,如果用户能够先与主播发生互动,那么他的付费转化的可能性将远远大于没有互动的用户。


迭代方案:在直播间底部栏提示新用户和主播聊天

当这个分析结果得到认可后,该企业客户很快在一个 Android 渠道发布了新版本,以测试这个结论能够带来的影响。


他们在直播间的底部栏,增加了互动的引导,如果是一个新用户打开产品,在他进入直播间的前3次,会在底部发言区域弹出引导气泡,提示用户与主播互动和赠送鲜花。

最终效果是:新版本上线当日,付费充值的转化率环比提升了30%,次日留存率也环比提升了40%。·


由此,再加上传统的访谈调研,我们最终得出了一个大家都比较认可的因果性的结论,这款产品的用户大多来自5~6线城市,而主播大多是1~2线城市,欠发达地区的用户对发达地区的主播本来就既好奇又仰慕,那用户与主播的互动,极大地增强了用户的满意度,满足了用户的好奇心以及其他体验,从而增强了用户的付费意愿。


二、探索行为之间的因果关系


回顾本案例,提升转化的策略,是因为我们前期的数据挖掘,故,总结来说,对于提升转化的行为分析:


首先,要明确的是,通过数据分析能够得出的有价值的结论里,绝大多数是相关性的结论,想要得出因果性的结论是非常之难的。最终的因果性结论,往往是基于一个合理的数据解读,又通过改版优化,最终效果支持我们的结论后,才得出的一定范围内的因果性。


第二,要明确一个态度,虽然做出直接因果关系的结论很难,但是我们一定要不断的对行为之间的因果关系做探索,因为本质上,这就是对用户内容,对用户的行为动机在做剖析,比如facebook 的 ahamoment就是用户新增10天内,添加7个好友,留存会提升,被验证后,说明好友关系能够帮助用户长久的留在这个平台上,这其中的因果,就是由于在 facebook 上的好友关系以及活动,最终用户选择长久的使用 facebook。


第三,要清楚的是,因果关系是目标,但是在分析的时候,我们会先分析行为的先后关系,再通过迭代后的数据去尝试证明其中的因果关系。


三、梳理3个要点

提升留存,广义上也是一个转化类的分析,只不过这个转化关系,时间跨度较长,留存模型内在的支持了转化,比如次日留存,就是第一天活跃的用户,在第二天还活跃着,这样的两个用户群之间的转化,或者说占比关系。而分析短时间内的转化,就需要我们能够不通过具体的时间,来判断行为的前后顺序。


而从分析流程上来讲,其差异主要是在验证结论这个阶段,尤其是要把满足设想的场景和目标能够清晰的梳理出来,来验证我们的假设原因。前三个部分其实各种分析都是差不多的,基本上就属于非常标准变化不大的部分。


这个梳理过程,需要明确三个要点:

第一,明确是什么样的用户

第二,是在什么样的场景下

第三,触发什么行为

最终能够更好的达成转化目标


在分析这类转化的时候,就需要基于漏斗转化模型的天然特点,来更好的明确和分析用户行为之间的前后关系。这就是诸葛io一直强调的对用户的理解,对用户行为动机的理解。而这套方法的核心,就在于对业务的精准解读和漏斗转化模型的灵活运用。


本文首发微信公众号 诸葛io(ID:zhugeio1)

诸葛io,你身边的数据驱动教练,点击我,免费试用~

欢迎添加微信:zhugeio2016一起探讨交流


评论 0
写评论
提交

暂无点评,你也可以点评哦:)

添加到资源集
+创建资源集
取消
确定
新建资源集 ×
标题:
描述:

返回
创建
用户名不正确!
下次自动登录
×
创建资源集目前仅对内测用户开放,点击获取内测权限。