如何利用數據手段拉動ToB多產品銷售

0 評論 10573 瀏覽 32 收藏 21 分鐘

編輯導語:隨著市場的不斷發展推進,以及互聯網的持續發展,如今產品市場在銷售過程中會遇到資源難以合理分配的情況,這時我們就需要通過產品市場去提升多產品售賣情況;本文作者分享了關于怎么用數據手段拉動ToB多產品銷售,我們一起來了解一下。

隨著ToB市場不斷發展,融資、市場競爭逐漸加劇,ToB企業為了新融資故事、新營收增長點,都會選擇從單一產品逐漸發展成為多元產品矩陣,覆蓋更多業務場景。

但在實際多產品銷售過程中,我們時常會遇到有限營銷資源難以合理分配,BD銷售與市場團隊存在售賣分歧,不同產品商業貢獻差距巨大,產品運營相對獨立,高關聯度產品難以把握最佳售賣時機,低關聯度產品難以進行交叉售賣等諸多現實問題。

那么,今天就聊一聊如何通過產品市場去提升多產品售賣情況;在實際銷售過程,「提升多產品售賣情況」這一命題會涉及到多個環節以及對應關鍵角色:

  • 多產品架構的設計:產品經理
  • 多產品組合解決方案的設計:售前解決方案經理
  • 銷售提成、銷售考核策略的制定:商機運營經理
  • 市場營銷(產品運營):產品市場、產品運營、數據分析師

作為一個產品市場,我們非常希望不同產品能夠更好進行組合售賣。一方面,多產品的售賣能夠為業務貢獻更多營收,不管是帶來更多的資源消耗還是附加服務消費;另一方面,多產品的售賣能夠有效提高廠商的不可替代性,增加客戶粘性,降低流失風險。最后,通過不同產品的組合,也能進一步提高服務質量,降低售后服務成本。

雖然我們可以通過站內相互引流、不同售賣優惠活動、產品組合解決方案、最佳實踐的產品組合推廣,甚至銷售BD的產品搭配考核等不同方式,來拉動多產品組合售賣;但作為一個數據驅動的產品市場(偽),我們今天就來換個視角去思考這個問題。

具體的看「提升多產品售賣情況」這一問題,我們可以會細化成好幾個問題:用戶在購買什么產品后,在使用產品到什么程度,就會還需要購買什么關聯產品,怎么說服他們購買關聯產品;這就需要找到不同產品之間的關聯性之后,當用戶身處在不同生命周期階段時,我們對用戶進行關聯產品的價值傳遞。

那么,具體動作可以拆解為:判定核心產品—解析產品關聯度—判斷目標受眾分群&最佳營銷時機—輸出產品價值&自動化營銷—數據反饋迭代。

一、判定核心產品

想要實現有效的組合售賣,目前很多廠商會選擇一拖多的形式進行;因此,判定核心產品尤為重要。

在判定核心產品的過程中,初創企業以及成熟企業有著些許不同。

對于初創企業而言,一方面,很多初創企業在企業早期都是通過單一產品進行PMF,在占據一定市場份額后,逐步展開產品矩陣。另一方面,這個早期單一產品可能是后續其他產品的技術底座或者數據底座;對于這樣的企業而言,將主力產品作為整個多產品組合的核心產品似乎成了唯一的選擇。

對于成熟公司而言,在占領某個新市場時,可能是多個產品同時面世發布。這時我們可以從兩個維度選擇核心產品:

  • 產品品牌及產品價值維度:目前客戶價值最高、口碑最好的主力產品;
  • 產品商業貢獻維度:AURP值或用戶數量高的高流水產品。

在這里,可能會疑惑我們為什么不選擇粘性產品、高利潤產品?相較于主力產品,粘性產品對于客戶的價值可能是在于主力產品解決核心業務問題后的再優化,而非解決業務核心問題;比如在企業上云這個大業務場景下,云服務器資源是采購的核心產品,容器相關產品是提升云服務器資源的使用效率,而非購買的核心產品。

在廣告監測場景下,反作弊、渠道分析、轉化分析是采購的核心功能,而后續的留存分析等分析模型是后續的精細化功能。

高利潤產品同樣如此,商業貢獻是相對于廠商自身而言的,這對客戶而言價值有限;因為高利潤產品并不一定代表購買這些產品的企業就一定具有更深的錢包深度以及購買意愿。很多時候,高利潤產品是主力產品的附加品,用以貢獻利潤,平衡收支。

二、解析產品關聯度

在判定核心產品后,我們就要開始解析核心產品與其他產品之間的關聯度。聯系是普遍存在的,關聯的存在是具有價值的。在進行解析產品關聯度時,可以從產品/解決方案設計維度和運營分析維度進行展開。

一方面,我們通過多個不同功能的產品來組成垂直或者橫向的完整業務場景解決方案或者行業解決方案,進行產品的售賣;比如說企業數字化營銷路徑,一般會從用戶行為分析開始,然后自動化營銷、個性化推薦、個性化預測這樣子的線性演進流程;或者企業上云路徑,一般從云服務器開始,然后在研發運維場景圍繞容器或者中間件的相關產品進行橫向展開。

那么,想要使得產品符合客戶的業務發展路徑,就需要產品經理、解決方案架構師針對特定行業或者業務場景,將行業理解體現在產品規劃上,并將之設置成產品Roadmap,從而進行逐一地實現;或者以解決方案形式將橫向或者存在遞進關系的產品進行組合,加強產品關聯度,并通過各種市場行為進行營銷。

另一方面,雖然我們可以通過產品規劃以及設計解決方案加強產品關聯度,但由于實際使用者或者企業所處階段、使用情況、業務視角不同,用戶在實際使用過程中可能使用的產品與我們所預估的產品組合不盡相同。

以數據分析產品舉例,當客戶創建超過一定數量的用戶分群后,他對于分群運營的需求逐漸提升,那么我們可能認為為客戶推薦相關個性化自動營銷產品可能是一個非常好的時機;或者,當客戶建立了多個單獨的事件分析圖表,那么推薦相關漏斗分析模型或者留存分析模型,也許是他正在計劃的下一步。但也有可能,客戶的需求就是到此為止,不會有更深的業務需求。

雖然憑借行業經驗,我們可以推測出客戶進行交叉組合購買的部分可能,但實際上客戶需要的并不止這些,抑或我們在進行主觀推斷過程中存在偏差。

那么,為了更有效的進行驗證,這就需要進行數據挖掘。這里我們可以借鑒關聯推薦的相關規則,簡單講解一下關聯推薦,關聯推薦具有三個核心數據:支持度,置信度,提升度。

  • 支持度:衡量某一關聯的應用場景的多少(換成人話:關聯組合出現的頻次);
  • 置信度:衡量某一關聯在應用場景的占比(換成人話:關聯組合的條件概率);
  • 提升度:衡量某一關聯推薦的應用的好壞(換成人話:組合推薦購買某產品概率 / 直接購買某產品的概率)。

一個有效的簡單關聯規則應具有較高的置信度以及較高的支持度。如果規則的支持度較高,但置信度較低,則說明規則的可信度差;如果規則的置信度較高但支持度較低,則說明規則的應用機會很少,一個置信度較高但普遍性較低的規則并沒有太多的實際的應用價值。

借此,我們可以快速挖掘不同產品之間的關聯關系。具體規則以及算法實現,感興趣的同學可以參考Apriori算法等數據挖掘的關聯分析算法,或者直接把這個Ticket直接交給可愛的BI同學;在完成相關的數據挖掘結果之后,我們就能得到相關的產品關聯度,了解哪些產品適合搭配銷售。

三、目標受眾分群&判斷最佳營銷時機

我們知道了哪些產品適合組合售賣之后,新問題也由此產生:隨著客戶的產品使用時長、資源消耗量、功能使用度越高等數據的更加,對于產品的留存就越高,對于產品的信任度越高,可能購買其他關聯產品的可能性越高。

但我們該在什么恰當的時候推薦給目標客戶呢?

全生命周期、全渠道的營銷只會造成客戶心理上的抵觸情緒;因此,為了解決這一問題,我們需要對人群進行分群。分群需要結合人本屬性、行為指標、業務指標三個維度,挖掘其中的魔法數字。魔法數字(Magic Number)這個名詞最先是在 Unix 程序設計中被提及,是指在算法中的常量數字或者標識?,F在則常見于AARRR增長模型,用于實現用戶留存的拉升。

但在實際應用過程中,魔法數字在AARRR 增長模型的不同階段都可以有著貢獻,在提升多產品售賣情況這一命題下,則是利用相關性分析來洞察影響特定產品組合購買的相關關鍵指標變化。

1. 人本屬性

在進行多產品售賣過程中,我們時常出現一股腦想要把很多產品一口氣都賣給用戶的情況。

但不同產品之間的決策者、評估者、使用者存在或多或少的差異,甚至同一款產品中的不同賬號角色都可能決定了我們是否能夠順利的賣出相關產品;因此,不管進行較重的線下營銷活動還是線上自動化營銷,對用戶進行打簽分群是一個非常重要的動作。

  • 企業所處行業:行業標簽代表著企業可能存在的具有行業特性的通用需求,比如銀行對于安全、可用性有高要求。
  • 企業規模、所處融資情況:企業規模、所處融資情況可以幫助我們快速判斷企業的采購思路,比如中小企的產品可能需要對一些云原生產品相對感興趣,幫助他們快速的低成本搭建起產品。
  • 企業業務規模、用戶量:同理,通過企業業務規模、產品用戶量,結合規模增長情況判斷企業的采購思路。
  • 現有產品采購情況(RFM):現有產品采購情況,了解企業現有業務構建情況,判斷企業后續采購思路。

以上借助第三方API(企業信息:天眼查、APP產品信息:易觀)都可以進行調用,或者調用自有的CRM、DMP、CDP數據,幫助我們豐富自有標簽情況。

2. 用戶行為指標

用戶行為指標主要是從用戶行為層面,挖掘可能的關鍵指標,觀察用戶的實際使用情況進行判斷,比如:

  • 站內相關產品以及內容(產品介紹/搜素查詢/體驗)的瀏覽情況;
  • 相關用戶的產品后臺日登陸情況;
  • 產品使用的日活躍情況、留存情況;
  • 產品核心功能使用日、周、月頻次;
  • 產品核心功能使用總量;
  • 不同核心功能的使用情況對比;

3. 產品運營指標

產品運營指標主要從整個產品層面,挖掘可能的關鍵指標,比如:

  • 產品整體數據量的提升;
  • 產品整體的資源消耗以及金額情況;
  • 關聯產品的開通情況;

這里要說明的是,想要挖掘相關用戶行為以及產品運營的相關指標數據,需要在產品設計上線時就進行相關埋點,確保相關數據的采集。(否則的話,啥數據都沒有,可以跳過上面的內容)

在找到跟購買轉化相關的特征后,我們可以通過格蘭杰因果關系檢驗去驗證上述的相關結果。這里簡單介紹一下格蘭杰因果關系檢驗:?因為我們只是找出了跟購買相關的行為特征以及屬性特征,但我們不知道這些特征是否是購買的原因,所以就要通過Granger?causality?test去驗證這些特征是否是購買的原因。

原理:兩個經濟變量X、Y之間的格蘭杰因果關系定義為:若在包含了變量X、Y的過去信息的條件下,對變量Y的預測效果要優于只單獨由Y的過去信息對Y進行的預測效果,即變量X有助于解釋變量Y的將來變化,則認為變量X是引致變量Y的格蘭杰原因。

原假設和是否拒絕:X 和 Y 是不存在因果關系, 當經過格蘭杰因果檢驗后計算出來的 p 值大于0.05 則接受原假設, 否則拒絕原假設。

當把相關屬性特征進行驗證后,我們就可以通過后續分析找到轉化的最佳時間點(Aha moment)。

另外,復雜的數據分析對于很多市場運營、產品運營來說,過于復雜且如果數據資產過少,想要做到有效的數據分析也非常困難;因此,我們可以選擇窮舉測試以及用戶訪談。

窮舉測試非常簡單粗暴,通過相關線上營銷渠道(產品內的引導觸點、產品外的EDM觸點等)將可能關聯的所有產品進行周期性價值傳遞,進行多次、反復的營銷推廣,這也是目前很多廠商在做的事情。

在這個過程中,除了產品開通以及產品關鍵行為指標的觸發規則外,還會設定定時器、周期性、市場活動計劃、功能使用等不同的觸發規則。

窮舉測試能夠幫助我們較低成本、快速的展開營銷,通過用戶在相關推廣資源的點擊、相關EDM的打開/內容點擊情況,來評估用戶對于我們所推送內容的興趣程度。

結合用戶的互動反饋,我們可以決定進一步的業務傳遞,想要完成整個流程就需要營銷自動化幫我們完成相關的分支。然后再根據所有用戶的反饋,去提取關鍵行為。

但在這一過程中,會由于結合單個產品的貢獻等人為原因,造成推廣資源的分配不平衡的問題。(畢竟曝光時間有限,有效的資源位也有限)雖然窮舉測試能夠幫助我們較低成本、快速的展開營銷;但這樣就會帶來存在極大的概率問題或幸存者偏差,并且造成非常多的信息噪音,會對客戶的使用體驗造成較大的影響;因此同時,采集回收數據的過程可能相對更長一些,轉化效率相對有限。

除了線上窮舉測試之外,我們還可以采用用戶訪談方法,讓我們快速收獲結論;但結論主要集中于人本屬性以及產品運營指標,且可能由于抽樣樣本量的大小以及受訪者、采訪者質量等問題,造成結論的偏差,需要與其他方式一起使用。

四、輸出產品價值&自動化營銷

當我們收獲到關聯產品以及關鍵行為后,剩下的事情就非常簡單,我們只需要將日常準備的產品GTM進行提煉,通過我們所擁有的各種渠道進行營銷;在自動化營銷的過程中,我們主要是為了獲取用戶的反饋,而非單純的曝光;因為在收到用戶的互動反饋后,我們才能更好的去評估用戶對于產品的理解意愿,以便進行更加個性化的內容傳遞。

比如:

  • 通過自動化營銷工具,將產品線上部分的Onboarding Card、Mailbox等產品內的引導資源進行整合,并根據用戶分群以及關鍵行為數據進行觸發。
  • 通過EDM/短信/智能電話等產品外的引導資源,通過觸達互動效果,標記用戶后續意愿。
  • 通過leads CRM工具,將相關數據指標變化或異動推送給售后、售前工程師,為Upsell提供產品提示。
  • 通過官網,進行關聯產品官網的相互引流,促銷活動過程中產品組合優惠,相互組合的工具集。

可以看到,我們可以發現多產品組合售賣的過程中,我們到底應該應用什么營銷手段或者輸出包裝產品組合的價值物料其實并不重要(也是因為ToB企業的營銷手段就那么幾種,產品的業務價值也是平日一直在積極迭代的)。

如何通過數據挖掘產品之間的關聯性,找到最佳的營銷時機,才是產品市場在多產品售賣過程中所要關注的重點。

 

作者:是小鍋阿,公眾號:市場狗

本文由 @是小鍋阿 原創發布于人人都是產品經理,未經作者許可,禁止轉載。

題圖來自Unsplash,基于CC0協議

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!