到了执行层面,用户分析反而变得简单了。因为在执行层,核心解决的问题就是:如何让用户响应我的策略。一条具体的策略,比如“促进用户二次消费”,落实到执行层,就是具体的:
这一整套信息推送到用户身上,之后期待用户能产生响应(如下图):
在执行层,更多是大量的响应分析,看我的运营手段,是否能达成目标。如果只看一次推送的响应,收获会很小。如果把围绕同一目标的历次执行摆在一起,就能发现很多规律。比如下图,针对用户首单购买,讲多次推送列列清单,能发现更多问题。
这些标签是可以直接指导业务行为的。在已知用户偏好的情况下,可以直接按标签组合,生成运营策略,所谓的自动化营销(Marketing Automatic简称MA)就是这个思路。
也可以把一个用户群体的所有标签摆在一起,看群体需求。比如发现高价值群体都更偏好某一类产品,则可以相应开发搭配产品、升级版产品。
也可以基于执行层的结果,反向影响策略。比如原来用户成长轨迹里,在1个月左右有明显转折。经过运营操作,用户生命周期已延长,到3个月,但响应成本也在增加。此时可以考虑在第2、3个月,阶梯性增加高利润产品推送,来弥补成本损失,保持高收益。