中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文以電商行業(yè)的促銷活動為例，嘗試構(gòu)建促銷的評估體系，以及討論應(yīng)該如何優(yōu)化。enjoy~

電商行業(yè)充斥著大大小小的促銷活動，O2O領(lǐng)域也常常上演補貼大戰(zhàn)，在開疆辟土階段，砸錢讓利招攬用戶的法子自然最為好使，但當(dāng)形成一定規(guī)模之后，瘋狂促銷補貼的模式是否仍然高效？個性化的運營策略是否有必要？活動的真實效果到底如何？

為了解決以上問題，建立科學(xué)的活動效果評估體系，當(dāng)前最簡便的方法莫過于AB測試。

一、如何建立評估體系？

AB測試目前廣泛應(yīng)用于產(chǎn)品灰度發(fā)布階段，除此以外，AB測試還有更為廣泛的用途，比如：精準營銷等增長策略。

要進行某類方案的驗證，其理念非常樸素，無非就是控制變量，但商業(yè)世界尤其復(fù)雜，想要控制一切不相干變量極其困難，因此AB測試大行其道，成為了檢驗“真理”的常用標(biāo)準。

基于AB測試的思想，通過隨機分組，可以保證兩個組的其他變量基本一致，通過對實驗組施加影響，來觀察實驗組相對于對照組的表現(xiàn)差異，從而評估該影響的效果。

接下來，我們就以電商行業(yè)的促銷活動為例，嘗試構(gòu)建促銷的評估體系。

首先，通過標(biāo)簽篩選出潛在人群，并隨機抽取一部分用戶作為測試組，在不做任何干預(yù)的情況下，暗中觀察用戶的轉(zhuǎn)化情況。

• 對于實驗組的用戶，我們通過定向優(yōu)惠券加短信觸達的形式進行干預(yù)，然后靜靜等待用戶轉(zhuǎn)化。
• 對于對照組而言，用戶都是自然轉(zhuǎn)化，而實驗組的用戶是在干預(yù)下產(chǎn)生的轉(zhuǎn)化。在實驗組中，一部分用戶確實是被優(yōu)惠吸引，從而下單購買，但還有一部分用戶即使沒有優(yōu)惠券也很有可能自然轉(zhuǎn)化。

因此，我們以對照組的轉(zhuǎn)化率作為沒有優(yōu)惠券情況下的自然轉(zhuǎn)化率，那么，我們可以得到以下與用戶相關(guān)的指標(biāo)：

• 用戶基線=干預(yù)總?cè)藬?shù)*自然轉(zhuǎn)化率
• 用戶提升=干預(yù)總?cè)藬?shù)*（干預(yù)轉(zhuǎn)化率-自然轉(zhuǎn)化率）
• 用戶提升率=用戶提升/用戶基線

同理，從經(jīng)營分析的層面，我們可以評估實際的銷售效果：

1. GMV基線=用戶基線*自然轉(zhuǎn)化客單價
2. GMV提升=用戶提升*干預(yù)轉(zhuǎn)化客單價+Max[用戶基線*(干預(yù)轉(zhuǎn)化客單價-自然轉(zhuǎn)化客單價),0]
3. 成本=每單優(yōu)惠金額*下單用戶量+每條短信資費*干預(yù)總?cè)藬?shù)
4. GMV凈提升=GMV提升-成本

注：GMV提升一方面體現(xiàn)在拉來本不會下單的用戶所產(chǎn)生的GMV，另一方面體現(xiàn)在，提升了本來就會下單的用戶的客單價，因此要計算這兩部分的GMV提升。而對于優(yōu)惠券而言，尤其是滿減優(yōu)惠券，一般會對客單價產(chǎn)生提升作用，如果客單價降低了，可能是因誤差或外部因素導(dǎo)致，因此此處用了Max()，即當(dāng)客單價降低時，取值0。

最終，我們可以得到評估經(jīng)營效果的綜合指標(biāo)：

1. GMV凈提升率=GMV凈提升/GMV基線
2. ROI=GMV凈提升/總成本

上邊的指標(biāo)這么多，那哪個才是最重要的呢？

以上指標(biāo)羅列的目的是便于理解指標(biāo)的拆解計算過程。但對于不同角色而言，最終只需要關(guān)注與其相關(guān)的結(jié)果指標(biāo)。

• 對于運營或者營銷而言，他們的考核目標(biāo)可能聚焦于月活躍用戶數(shù)，所以，他們會更關(guān)心用戶提升率，通過多次活動的橫向比較，可以識別活動效果的好壞，從而再逐步挖掘根因。
• 對于負責(zé)銷售的同事而言，需要考量的因素會相對復(fù)雜一些，但他們也可以直接通過GMV凈提升率和ROI這兩個指標(biāo)來評估活動的綜合效果。

其中，GMV凈提升率反應(yīng)的是活動對于GMV的提升效果，如果當(dāng)前的目標(biāo)是不惜一切代價沖GMV的話，那么應(yīng)該選擇GMV凈提升率高的活動形式或力度。而如果需要權(quán)衡考量利潤的話，那么還應(yīng)該把ROI納入分析，選取GMV凈提升率較高，同時ROI也較為可觀的活動方案。

二、如何構(gòu)建優(yōu)化策略？

上邊有提到，運營或者銷售可以通過AB測試優(yōu)化活動方案，那么具體應(yīng)該如何實現(xiàn)呢？

如果需要測試不同促銷形式、不同活動力度的效果，那么有必要對實驗組進一步細分。

例如：對于實驗組1可以發(fā)放滿100減20的券，實驗組2發(fā)放滿100減10的券，最后與對照組比對分析活動效果差異。滿100減20的券GMV提升可能較高，但由于成本較大，也會導(dǎo)致GMV凈提升率和ROI并不高。

同樣，對于不同促銷形式，如定向優(yōu)惠券、定向優(yōu)惠價格等，同一折扣力度不同門檻，如100減20和200減40，也可以以相似方法進行測試。

進行多次AB測試之后，可以根據(jù)歷史測試數(shù)據(jù)進行初步判斷，識別符合目標(biāo)的最優(yōu)促銷方案。

三、AB測試有哪些坑？

方法論總是看上去很美好，但一到落地層面就會面臨很多意想不到的問題，下面就來扒一扒，按照上述AB測試的方法來做活動效果評估及優(yōu)化會有哪些坑。

1. 測試組人數(shù)太少：測試組和實驗組的人數(shù)不需要完全一樣，但各組的人數(shù)要保證有統(tǒng)計學(xué)上的意義，如果實驗組10w人，測試組只有10個人，那么測試組的結(jié)果受個體的影響會很大，最終可能導(dǎo)致異常的結(jié)果。
2. 實驗組人數(shù)太少：如果想要測試什么門檻的優(yōu)惠券效果更好，那么需要拆分多個實驗組，發(fā)放不同的優(yōu)惠券，如果分的組太多，會使得每個實驗組人數(shù)偏少，從而導(dǎo)致結(jié)果不準確。
3. 你的測試組是別人的實驗組：現(xiàn)實環(huán)境下，不存在絕對干凈的試驗田，你以為測試組可以代表用戶在不受干擾下的自然轉(zhuǎn)化，殊不知有其他活動已經(jīng)將他們劃入了實驗組。如果是公司內(nèi)部的沖突，那么可以在數(shù)據(jù)回流后剔除掉參與其他實驗的用戶，但如果是受到外部友商的干擾，那么我們將無從知曉，只有通過多次實驗綜合評估，對沖單次活動可能會面臨的特殊情況。
4. 你的實驗組是別人的實驗組：同理，外部友商可能有更大力度的活動，剛好圈定了你的實驗組用戶，那么結(jié)果可想而之。
5. 干預(yù)時間滯后：從圈定用戶、申請優(yōu)惠券到最后的短信觸達，這個時間多少有些滯后，如果系統(tǒng)不判斷用戶是否已經(jīng)下單，那么用戶在下單之后才收到優(yōu)惠券，一方面會影響體驗，另一方面，用戶可能取消訂單后再下單，導(dǎo)致履約成本的上升。如果在發(fā)送短信前剔除已下單用戶，那么最后實際干預(yù)的都是購買傾向相對偏弱的人群，會導(dǎo)致結(jié)果失準。因此，營銷系統(tǒng)的完善性、各部門的協(xié)同執(zhí)行力都至關(guān)重要。

結(jié)語

現(xiàn)實世界紛繁復(fù)雜，想要抽絲剝繭，捋出頭緒談何容易。試驗總會好過停步不前，在實踐之中，我們可以學(xué)著避開一個又一個的坑。

我們都在試圖去搭建一個框架，在這個框架下反復(fù)地探究，找到一絲可能的線索，最終，這些線索會編織起一個網(wǎng)絡(luò)。

作者：Mr.墨嘰，公眾號：墨嘰說數(shù)據(jù)產(chǎn)品

本文由 @Mr.墨嘰 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議