<dl id="pxn0p"></dl>

    1. <output id="pxn0p"></output>
      <output id="pxn0p"></output>

      <output id="pxn0p"></output>

      <output id="pxn0p"></output>

      <output id="pxn0p"><bdo id="pxn0p"><video id="pxn0p"></video></bdo></output>

      <output id="pxn0p"><font id="pxn0p"><td id="pxn0p"></td></font></output>

        <dl id="pxn0p"><ins id="pxn0p"><nobr id="pxn0p"></nobr></ins></dl>
        數據化互聯網營銷和運營
        綜合知識平臺

        互聯網運營增長的十個經典模型(2019年版)

        總結與更新經典模型的文章,我是每一年都一定要寫一篇的。

        工具總是不斷推陳出新,增加(或者打補丁)各種功能,但思維模型和分析方法,卻雋永而美好。更何況,有了各種模型,才幻化出各種各樣的工具。

        所以,學習模型和方法才是真正事半功倍的好辦法。

        不過,與以往我的文章不同,這篇文章不糾結于細節(不然又是幾萬字的大文章,大家看著也累)。如果你希望更深入了解具體模型,我會提供鏈接,大家可以進一步閱讀。

        另外,一些非常理論化的模型,比如AARRR,AAAAA(5A),AIPL模型,因為更多是一種思維,而不是方法,沒有被我總結在此列。如果大家對這些模型感興趣,百度搜索便知。

        那,現在便開始我認為重要的2019年的更新版模型總結吧!

        模型一:Engagement Index模型

        Engagement Index模型的思維并不復雜,即權重化部分甚至所有的用戶交互行為。

        講一個最理想最極端的例子(但這樣的例子有助于大家理解),如果你認為最終的一個轉化價值1000分的話,那么轉化之前的用戶的行為可以按照與轉化發生的比例“打分”。例如,每發生1次轉化,就需要看商品介紹頁面100次,那么查看商品介紹頁的行為每發生一次,就值10分。

        這是手工計算的Engagement Index。放在AI這么熱門的今天,Engagement Index有可能就是機器來計算了,計算的方式,跟我們后面要講到的歸因模型比較類似。

        大家對于Engagement Index模型可能還比較陌生,但對于它的應用場景你肯定不會覺得陌生。

        今天,無論是給用戶打標簽(尤其是CDP或者DMP給用戶打標簽)所用的方法,還是CRM給銷售線索打分,又或是評價一個流量或者人群的質量,無一不是基于這個模型或是以這個模型作為思想。也正因此,把它放在諸多經典模型的首位我自認為并不偏頗。

        比如,我非常喜歡的一款全渠道營銷管理與自動化工具Marketin——可能了解的朋友同樣不多,但這個產自中國的工具制作的非常良心且用心——的用戶標記及銷售線索打分的功能,就是基于這個模型。

        關于Engagement和Engagement Index的解釋,可以看我很多年前寫的文章:網絡營銷效果衡量的核心指標及我們用什么樣的邏輯思考(2)網絡營銷效果衡量的核心指標及我們用什么樣的邏輯思考(3)網站分析的最基本度量(8)——Engagement

        模型二:Engagement-ROI模型

        從Engagement Index可以引出另外一個同樣極為重要的模型:Engagement-ROI模型。

        這個由兩個指標構建的模型是我們解決流量質量和人群質量分析中諸多問題的開端。我們通常會構建一個四象限的模型來進行分析:

        理解Engagement-ROI模型并不困難,它描述了人群的行為(興趣)和最終變現之間的最直接關系。高興趣而低變現(上圖的第二象限)和低興趣而高變現(上圖的第四象限)都值得我們進一步挖掘。尤其是高興趣低變現的情況,可能蘊含著未被發掘的價值或潛在機會。

        這個模型對于擁有較復雜流量/人群構成的企業而言,極有價值。

        關于這個模型,我沒有寫過相關文章。但在公開課上會詳細介紹。

        模型三:以人為核心的轉化漏斗模型

        轉化漏斗大家絕對都不陌生。但轉化漏斗模型本身仍然在進化。

        主要的進化是從以流量為核心的轉化漏斗,進一步擴展為以人為核心的轉化漏斗。

        這并不意味著以流量為核心的轉化漏斗不再重要,對于較為需要在段時間周期內實現轉化的生意,構建以流量為核心的轉化漏斗是優化的必用模型。

        但以人為核心的轉化漏斗的區別在于,考慮到今天數字世界的極為膨脹和碎片化的趨勢,不同觸點(關于什么是觸點,請看我的這篇文章:DMP?101之一:DMP的本質是什么?)的用戶是同一個人的情況非常普遍,實現以人為核心的轉化追蹤和分析就更加重要了。

        下面這個圖很好的解釋了以人為核心的轉化漏斗模型。數據分析也因此比以流量為核心的轉化漏斗要復雜——并不是因為計算更復雜,而是數據的來源更多,且時間周期更長。

        這個模型的實際使用功能常常由DMP或CDP實現,普通用戶行為工具較難完成相關數據的抓取,也就很難構建模型。

        這個模型跟后面馬上要提到的歸因模型有關聯,但也有區別。歸因主要是以渠道和觸點為維度,描述各種轉化路徑的構型,分析渠道與觸點對最終轉化的貢獻;而以人為核心的轉化漏斗,則是用于分析預置步驟的轉化過程。相對而言,歸因模型更加復雜。

        關于轉化漏斗的基礎知識,可以看這兩篇文章:互聯網運營數據分析必須掌握的十個經典方法數據驅動的電商銷售轉化提升的方案與實踐——跨境電商的一個真實案例

        模型四:MOT、歸因以及消費者旅程模型

        嚴格來講,這是三個模型。MOT模型用來表述消費者發生的關鍵性轉變,歸因模型則描述引發消費者關鍵轉變的渠道或是場景,而消費者旅程則從更“普遍性”的角度描述同一消費者跨觸點的行為。

        MOT的意思是Moment of Truth,描述消費者被營銷或者激發之后發生的行為變化的關鍵時點。

        當進行營銷活動的設計(campaign)以及監測這些campaign的效果時,我會特別推崇MOT模型。因為本質上,設計一個campaign,就是為了確保各種營銷活動的“伏線”能夠激發消費者興趣及行為的轉變。

        上圖是MOT模型的一個典型示例。你可能一下子看不太懂,別擔心,我稍作解釋。

        這個圖的主旨是對campaign中消費者的旅程(customer journey)進行設計的“索引表”。任何一個campaign都有營銷目標,因此上圖第一行是AIPLA模型指導下的營銷活動的常見的目標,并且第二行為每個單一目標打了權重,每個campaign的權重設置可能都是有區別的,畢竟不同campaign的偏重不同。

        在這個總目標下,營銷人再繼續“編織”更細節的營銷活動安排,比如,為了增加awareness(曝光度),做KOL的子campaign。圖中的綠色格的深淺,表示了在每個環節資源投入的程度,顏色越深,投入資源越大,該項活動占有的權重也越大。

        你肯定也注意到了黃色的箭頭線,它代表了一次campaign中的各個具體活動(子campaign)之間的關聯或者轉化關系。設計轉化關系對于campaign,尤其是品牌campaign尤為重要,因為品牌campaign的真實績效數據更加難以獲取,那么必然需要讓消費者產生可以被量化的行為才能容易衡量campaign短期內的效果。不僅如此,黃色的箭頭也描述了消費者即將發生的實際旅程。

        在具體利用這個模型的時候,肯定還需要在每一個綠格中間填入更加細致的活動設計、數據指標及收集方法,以及執行方法等。

        精細地應用MOT工具,能夠極大程度幫助營銷活動的執行與之后的數據分析。這也是為什么我一直強調,營銷與運營的數據是提前規劃才可能獲得的,而不是依賴于某種技術或工具就能隨時獲得,盡管技術和工具必不可少,但提前規劃更加重要。

        那么,為什么要把MOT和歸因等兩個模型并列呢?

        原因在于,MOT是歸因模型和消費者旅程模型的基礎,而歸因模型(尤其是基于用戶而不是基于流量的歸因,但目前只能通過強用戶ID實現)與消費者旅程模型則是用來定量化描述MOT和消費者旅程的。

        歸因模型解決兩個問題:第一、對于一次成功的轉化,各個渠道或觸點各有多少的功勞;第二、描述各個渠道或觸點對該轉化進行貢獻的先后關系甚至因果關系(但因果關系還需要人進行分析才可能得出)。對于歸因的解釋有非常多的文章,我會建議大家閱讀iCDO(互聯網數據官)上關于歸因的專題:http://www.icdo.com.cn/?s=%E5%BD%92%E5%9B%A0。在我的大課堂上則有非常詳細的講解與應用案例。

        而消費者旅程模型則是更加“泛化”的歸因模型。歸因模型仍然強調要發生最終的轉化,因為歸因二字,實際上是英文attribution(功勞歸屬)的意思,所以它的作用是回溯轉化之前的渠道和觸點。但消費者旅程模型則直接描述消費者在不同觸點上的行為和先后發生的次序。你可以認為消費者旅程模型是流量的路徑模型升級為“以人為核心”的“高級”版本。實現消費者旅程模型的最重要工具是DMP或者CDP。大家可以查看我DMP系列的文章:http://www.nssqq.com/?s=dmp,有很多細致的解說。

        MOT模型、歸因、消費者旅程、轉化漏斗,實際上都經歷了從流量分析到人的分析的轉變(如下面的引用所示)。

        流量? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? –>? 人

        網站/app/小程序等單觸點上的關鍵行為? ? ?–> MOT

        基于流量轉化的歸因? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?–> 基于人轉化的歸因

        流量路徑? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? –> 消費者旅程

        流量轉化漏斗? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?–> 以人為核心的轉化漏斗

        這些轉變的背后,是互聯網產品進一步細分分化,和消費者進一步碎片化的必然結果。不過,坦率講,以人為核心進行數據收集和分析,目前面臨了很多尚未解決的問題,目前能收集到的數據范圍很有限,數據質量則參差不齊。

        模型五:細分模型及各種常用的細分場景

        另一個最最重要的模型幾乎貫穿我們所有工作的始終。當然,說它是一個模型并不妥當,它是一類思維方式的總稱。這個模型當然是細分。

        細分本身并無什么玄妙之處,我也無須解釋。不過,常用的細分模型還是有一些典型的類別的,掌握如下這些(還包括太多太多我沒有寫進去的)常用的細分方式,對我們的工作有事半功倍之療效。

        1. 流量渠道細分——最常用的方式就是我們模型二:Engagement和ROI模型所用的方法。

        2. 流量與落地頁細分——對于分析流量和承接端的匹配那是超級有用。

        3. 人群細分,尤其是注冊與非注冊人群——CDP、DMP的根本。而我本人,則喜歡對更顯性的人群做細分,例如,已經注冊和未注冊人群的差異。

        4. UI和內容的細分——用于辨識不同UI和內容對于人的行為的影響。常常用于分析和優化轉化,尤其是微轉化領域。

        5. 行為細分——熱圖,下一步分析,參考我熱圖相關的文章:http://www.nssqq.com/?s=%E7%83%AD%E5%9B%BE

        6. AB測試,本質上也是利用UI或者UX的差異,人為故意地建立行為的細分,并且AB測試已經不僅僅擴展到UX,隨著人群細分能力和CEM相關技術的提升,現在已經可以做到針對不同的營銷策略和執行進行AB測試。這樣能對不同營銷策略和執行進行AB測試的工具,例如我前面提到的Marketin。與前面講的第4種的區別在于,這個是主動建立差異,而第4點是細分不同業已存在的UI或者內容。

        細分極為重要,各種細分場景也多到數不清,而且很多其他模型本身就是一種細分,比如我們講的轉化漏斗和歸因,就是對過程進行細分,比如后面講用戶忠誠和留存的cohort,就是對人群進行細分。善于進行細分是一種能力,體現了營銷和運營工作的基本素質。

        模型六:流量優先級模型

        媒體的eCPM決定了流量優先級,而流量優先級又進一步決定了你能獲得的流量質量的好壞。因此,進行引流操作,必須理解這一模型和背后的原理。

        這個模型的含義是任何媒體都不會將他們的各類廣告資源視為同等重要,其重要性由eCPM決定。eCPM越高,媒體就會給予這類資源更高的優先級并尋求將之與更高優先級的廣告主進行匹配。

        高優先級的資源往往具有更好的質量。因此,反過來講,如果廣告主希望獲得更高的優先級,那么在預算一定的情況下,應想辦法讓廣告主的eCPM得以提升。

        對于任何非CPM和CPD的廣告資源,廣告主提升媒體eCPM的好方法是提升CTR(對于CPC類廣告),或是轉化率(對于CPA類廣告)。

        媒體普遍采用的監督學習的機器學習方式,進一步強化了這種趨勢。

        具體內容可以參考這篇文章:質量得分的秘密——什么邏輯?如何優化?

        模型七:用戶忠誠與流失相關的模型

        這個模型同樣不是一個,而是一組,包含多個模型:留存曲線、cohort模型、RFM、流失預測模型等。

        留存曲線是描述一個細分人群(通常用時間細分,或者用人群源細分),隨著時間留存的情況。下面兩個圖,第一個是示意圖,第二個則是具體真實數據例子中的圖。留存曲線比較直觀的展現了不同群體留存的情況,從而幫助我們分析什么屬性或者什么原因能夠有更好的留存。

        Cohort模型(同類群模型)則是留存曲線用具體的數字來表示,本質上跟留存曲線并無差異。下圖就是一個典型的cohort分析圖。

        9

        關于cohort分析,看我的這篇文章:互聯網運營數據分析必須掌握的十個經典方法

        另外一個模型——RFM模型——是一個非常棒的模型,因為它基本上用excel就能完成模型的建立,但作用卻非常巨大。

        RFM用三個維度R(Recency,新近度)、F(Frequency,頻次)、M(Monetary Value,現金價值)來衡量用戶的價值。下面三個圖都是很棒的分析,最后一個是輸入數據后,工具直接實現的。這個工具感覺不錯(我沒用過)。

        流失預測模型,是用歷史流失發生的數據,訓練數據模型,從而預測未來的流失,最常用的模型是決策樹之類的數據挖掘方法。這個模型普遍應用于零售、游戲、高頻次的互聯網服務等。我的大課堂會介紹,不再贅言。

        模型八:增長曲線

        增長曲線是極為簡單但重要的模型,它描述了增(減)的趨勢。

        例如,在搜索投放中,我們建立增長曲線觀察一個核心類詞的增衰趨勢。

        image

        引自:數據驅動的電子商務組織架構的迷局和反思

        又如,我們用增長曲線發現不正常的增長(作弊)。

        增長曲線模型最重要的不是曲線本身,而是解釋曲線增減背后的原因或故事。

        模型九:監督學習

        監督學習前面已經提到了好幾次,它是如此重要,事實上我們的很多人工智能本質上都是監督學習(當然也有別的機器學習的方法,但監督學習無疑是最基礎最重要的)。

        監督學習主要在今天的精準廣告投放上發揮作用。例如高質量的DMP和CDP應該帶有監督學習的模塊或者能力。

        監督學習依賴于更廣范圍和更高質量的數據。毫無疑問,今天以人為核心維度的數據收集為監督學習提供了更大的空間。

        并不需要你學習如何創造監督學習,但顯然理解它的邏輯很有意義。這篇文章可能能夠幫助你:【萬字長文】深度解讀2018年互聯網營銷的新生態

        模型十:推薦模型

        推薦模型基本上是今天互聯網運營最常用的模型之一了。這個模型的價值在于提升用戶體驗,并且創造cross-sell和up-sell的機會。因此,它顯然也是一個圍繞人構建的模型。

        推薦模型基于一些常用的推薦算法或算法的組合。

        這些算法包括:協同過濾算法、邏輯回歸、或者近似內容關聯。機器學習同樣用在推薦模型中。

        協同過濾算法這個最為常見的算法,它的邏輯很容易理解,如下:

        如下文字引用自:https://blog.csdn.net/fyq201749/article/details/81026950,作者:fyq201749

        協同過濾算法(Collaborative Filtering, CF)是很常用的一種算法,在很多電商網站上都有用到。CF算法包括基于用戶的CF(User-based CF)和基于物品的CF(Item-based CF)。

        基于用戶的CF原理如下:

        1. 分析各個用戶對item的評價(通過瀏覽記錄、購買記錄等);
        2. 依據用戶對item的評價計算得出所有用戶之間的相似度;
        3. 選出與當前用戶最相似的N個用戶;
        4. 將這N個用戶評價最高并且當前用戶又沒有瀏覽過的item推薦給當前用戶。

        行業中有大量的開源的推薦算法。不過,開源的推薦算法往往不夠解決你的實際業務問題,因此,推薦算法需要做一定程度的定制或重構。

        總結

        這十個模型(事實上是15個具體的模型)并不能窮盡今天在互聯網營銷和運營上的全部常用數據方法。但我認為,理解當今的行業變化至關重要,在此此基礎上再決定應該應用什么樣的方法或者模型才更加現實。今天的行業變化正在從流量為中心變遷為用戶(人)為中心,這一變化必然將增加過去所有經典模型的復雜性,并對從業者提出了更高的要求。

        歡迎大家提出自己的見解,或者提出自己認為重要的模型。

        未經允許不得轉載:版權歸宋星及chinawebanalytics.cn所有互聯網分析在中國——從基礎到前沿 » 互聯網運營增長的十個經典模型(2019年版)
        分享到: 更多 (0)

        評論 1

        • 昵稱 (必填)
        • 郵箱 (必填)
        • 網址
        1. #-49

          星哥 白皮書太酷了!

          merrick2年前 (2019-06-06)回復
        色综合天天综合网天天