Convertlab案例实践|单场活动就冲到5千万,客户提前完成KPI

admin2021年12月08日 13:15

“你们的方案看起来不错,但是我们公司非常看重KPI,可以做一份通过你们解决方案带来的ROI预测吗?”


这是Convertlab鞋服行业品牌客户的一个要求,该客户聚焦鞋服快时尚领域,在国内稳扎稳打了近30年,与它同个时期创业的品牌,很多都已经在行业大浪淘沙中消失身影,但该品牌却仍然保持着增长的势头。

即使是在疫情影响的近一两年里,该品牌依然有很大一部分的收入来自线下门店,全国数千家店的会员数量加起来近千万。

当然,这也意味着在线上营收场景的还有很大的增长机会。

该品牌并不是没有去做过数字化营销的尝试,反而是早几年就开始探索过“实时营销”,结果却没有满足期望,于是按下了暂停键。在及时止损的同时,等待时机重新出发。

经历了这几年国内数字化营销的发展,品牌标配的微信公众号、小程序、企业微信、电商平台、短视频平台等渠道发展,沉淀了足够多的存量用户数据资产,该品牌客户重新出发的时候到了。

客户希望通过Convertlab一体化营销云工具,对用户进行精细化运营,通过个性化和自动化营销,大幅度提升新客和老客的复购率;同时整合多个渠道触点,实现数字化运营能力闭环,全面提升企业数字化营销效率。

目前,项目实施已初见成效。

过去,企业的订单分类筛选等全部由人工完成,需要手动拉取人群包,由于会员数量庞大,手工筛选人群都要花费近一周的时间。

现在,通过Convertlab营销云发起一场营销活动,实时筛选人群进行分组只需要几分钟就能完成。

客户的数字营销效果获得了极大的提升,一场活动带来的销售额高达5千万,用户复购率直线上升,整体项目的ROI数值包含软件采买费用后依然高于行业平均水平。

那在这个过程中Convertlab针对用户精细化运营做对了哪些事情,帮助客户获得了复购率的提升?现在来一一拆解:

01 历史数据分析与洞察 设计可落地的业务场景策略

在营销场景中,“人-货-场”是一个经常被提起的概念。在这里面有一个很有意思的点是,人-货-场的顺序很重要不能乱,想帮企业卖货,第一个就要把人研究透。

Convertlab先做好了用户数据的身份统一,打通企业门店、微信公众号、小程序会员、企业微信等渠道的数据,补全行为数据,全渠道整合得出清晰的用户画像(user profile)。

因为后面会提到另一个用户画像(user persona)在这里也跟大家分享下两者的区别:

  • 用户画像(user profile)偏理性,一般基于用户在系统里产生的真实数据、行为特征和用户主动填写的行为资料,利用已经获得的数据,用来勾勒用户需求、用户偏好的数据分析方法。

  • 用户画像(user persona)偏感性,一般来自于用户访谈、用户研究,比较抽象和感性,帮助大家去认识当前的产品所主要服务的用户是一些什么类型的人,用于运营与数据分析等场景。

人群分组:多维度全方位将千万级存量用户 进行人群分组,构建清晰用户画像

基于上面的数据治理基础,将全渠道产生购买的人群分为新客、老客、活跃老客、沉睡客四类,针对性地对用户历史复购订单数据进行分析,得出复购关键因子。

如何理解复购关键因子?就是决定用户复购转化的关键点,可能是某款商品,也可能是某个客单价区间。

通过人群定义与复购关键因子分析,再对同组人群的关键沟通时间点分析,建立后期触达的沟通频次,在不打扰用户的情况下,精准传递活动信息。

品类偏好标签:基于用户全网行为进行聚类分析 并通过算法帮助品牌判断用户偏好

先跟大家简单的解释下什么是聚类分析?聚类原本是统计学上的概念,现在属于机器学习中非监督学习的范畴。

从定义上讲,聚类就是针对大量数据或者样品,根据数据本身的特性研究分类方法,并遵循这个分类方法对数据进行合理的分类,最终将相似数据分为一组,也就是“同类相同、异类相异”。

在进行聚类分析时,大家并不知道具体的划分标准,要靠算法进行判断数据之间的相似性,把相似的数据放在一起,探索和挖掘数据中的潜在差异和联系。

在对用户购买行为进行聚类分析时,要首先设计好商品品类的标签,从大类标签到中类标签再到小类标签,一层一层的细化。设计好标签体系后,通过聚类分析对用户商品偏好进行分析,最终得出不同人群的商品偏好标签。

商品关联推荐:构建Persona用户画像模型 精准定位用户需求,寻找最优关联商品

通过对大量用户群体数据的分析,构建出多个user persona用户画像模型。比如其中家庭用户群体的画像模型,人群的特征是30~40岁、有孩子、折扣敏感、客单价150-200之间等。

通过这些人群特征,去挖掘用户潜在需求,同时结合历史数据分析出对应人群的关联商品。比如在夏季买过T恤的人,推送对方短裤相关的上新/优惠券,购买转化会更高。

在设计精细化运营策略过程中,Convertlab从分析人到分析商品再到人+商品一起,逐步迭代运营策略,不断地去每个场景做细分,通过个性化内容沟通,实现精准推荐提升转化。

02 个性化内容触达 实现用户精细化运营

有了前面做好的人群包分组和用户商品偏好标签,下一步是个性化沟通策略的落地。策略靠人来不断细化和输出,系统去自动执行一系列的精准营销流程。

个性化沟通:提供个性化沟通策略 自动触发精准营销流程,提高用户参与度

依据新客、老客、活跃老客、沉睡客四大人群场景,划分了对照组与测试组进行实验。测试组选用个性化内容进行沟通,如在内容中提到该对应人群的复购关键因子,挑选关联度高的复购商品推荐/赠送优惠券等;在对照组,默认发送对组内所有人群都一样的促销活动信息。

两组人群的转化效果截然不同,测试组人群转化率提升了750%。这个反馈让客户也有了极大的信心,尝试全面推进个性化营销,进一步提升存量用户的复购率。

用户复购:通过全息用户洞察进行差异化二次营销 低成本实现私域用户持续复购

依据Convertlab过往鞋服零售行业服务的经验,会发现对用户的关键沟通时间节点一般是7天一次,效果最好。

可以看到下图在沉睡客的举例中,沟通频次的时间节点一般是以7天为单位展开,比如2周14天4周28天,同时结合节日/大促时间/特殊纪念日等场景一同展开,让二次营销自然触达。

中间根据顾客的行为反馈,实施调整营销策略。如顾客依然没有进行复购,换个策略再次进行商品推荐;顾客产生复购的情况下,可使用优惠券Push他产生更多消费。

在这个过程中间,也要去筛选客户的偏好渠道,比如看用户在微信公众号、短信、企业微信社群等哪个渠道的响应次数最多,通过用户偏好的渠道来进行触达。

有些用户几乎不看品牌过去发的短信,一次都没有转化过,那在短信营销的时候就可以把这群用户拎出来,让这部分之前浪费的营销预算花在其他更有价值的地方。

微信图文分组:根据人群偏好进行分组推送 大幅提升图文打开率

微信公众号图文打开率受到短视频赛道冲击逐年下降,各个平台都在争夺用户的注意力时间。如何在逆势中找到新的增长点?对微信图文分组个性化推送是个好方法。

经过对全渠道的数据整合,可以得出微信粉丝人群的品类偏好,通过人群分组推送个性化微信推文,实现微信图文打开率的提升,进一步带动用户购买转化率与客单价的提升。

尤其是对于拥有成百上千万粉丝的品牌公众号来说,粉丝越多图文打开率的越高,反馈在购买转化上的效果就越明显。

03 数字化运营效率提升 反哺业务场景赋能营销闭环

搭建好Convertlab一体化营销云系统,能够将CDP(客户数据中台)与 AD hub智能广告平台进行对接,连接公域和私域,加速营销全链路的数字化、自动化、智能化,赋能品牌营销的效果升级。

落在具体的业务场景可以从库存清理和爆款打造两个场景来举例:

库存清理:通过站外引流帮助品牌清理滞销货品 下单新用户占比97%

秋天过完了,还有一批男士单鞋的库存量很大,怎么快速清理库存?

市场营销部门有了计划,针对过往购买男士单鞋的人群数据,筛选出这群人的用户画像,借助lookalike技术通过这批种子用户进行媒体侧第二方数据的拓展,快速建立广告投放模型,找出更多相似的消费人群,触达更多潜客提升转化。

爆款打造:通过精准人群包投放 助品牌打造爆款同时指导优化前端投放 节约投放成本

只要是卖货就逃不过打造爆款。但宝洁的那套大渗透大渠道的玩法已经不再流行,现在的营销更适合将大渠道拆分为多个小渠道,在每个小渠道里做大渗透。

就拿在朋友圈广告投放来举例,目标人群用户画像不精准的话,投放转化自然不会高。通过DMP平台进行实时监测,对比投放用户画像与目标用户是否一致,指导前端投放标签更精准。

经过上面数据分析、用户画像、个性化触达、公私域联动这一套组合拳下来,该品牌客户的用户运营也从“浅水区”走向“深水区”。

过去,企业坐拥大量会员数据,却难以发挥数据价值,会员运营简单粗暴,缺乏精细化管理的思路和手段。在广告投放上的效果也不太不理想,拉新和转化效果不佳,ROI低于平均水平,让品牌对拉新失去信心。

现在,企业通过Convertlab一体化营销云打通全链路触点数据,结合深度用户画像洞察,激活数据价值。通过智能模型和算法,聚焦精准化沟通驱动业绩增长,从公域传播拉新到私域促活转化,互相联动形成有效营销闭环。


撰文:Olivia

顾问:资深业务交付经理 张笑笑

资深行业研究员 Jiamin

让营销变得简单,让增长自然而然