京公网安备 11010802034615号
经营许可证编号:京B2-20210330
淘宝网店从激活到挽留,4步走玩转数据营销_数据分析师
数据营销的核心就是基于用户数据对用户进行针对性营销。基于数据库的营销一般分几种类型:注册的未产生购物车、产生购物车未生成订单、生成订单未付款、无第二次购买、无重复购买、收藏夹用户。基于这些基础的用户数据,我们就可以将用户分类成多种用户群进行用户营销。如果是注册用户并且完成登录的,而自己的系统日志系统做的比较好,那还可以采集到用户的商品浏览信息。
有了这些数据基本可以完成相关的数据销售动作。大体可以分成三步:激活新用户、完成订单付款、防止用户流失。先根据业务的流程分析下用户的生命周期,从引流开始到离开。一般的流程是这样的:引流、注册、购物车、订单、付款、重复购买、体验服务、流失。这样的流程中,只要增加任何一个点的转化率,都可能增加销售。
新用户的增量是衡量一个网站潜力的非常重要的因素。按照用户的贡献来计算的话,用比较粗暴的方式来算,就是:人均贡献额=总的销售额/总的消费人数=总的销售额/总的注册人数/注册消费转化率。
对一个稳定的网站,他的风格、商品价格、商品品质、引流渠道是一定的,基本就确定了网站的目标群体在哪里。进一步看,网站内部的转化率(从注册激活,付款率,重复购买率)这些数据也基本都是稳定。除非你修改了一些购物流程,支付流程和商品陈列等东西,否则变化不会太大。基于这样的假设,那你的总注册人数就是个很关键的指标。(PS:如果你想不通,看看淘宝的注册用户增长和销售增长的曲线,这就是用户红利。)
当用户完成了注册时,你就有了相关的联系方式,一般的都是邮箱,有更清晰的会有电话。如果是社交类登陆的话,会更好,这样的消息推送的成本低点。新注册未产生销售的用户,一般的做法是用折扣信息来完成首单来完成。原因很简单,有时候折扣可能会让你首单亏本,但是你有了以下信息:用户的联系方式,具体收货地址(很可能就是他的生活的地方,用作区域营销用),而更重要的是首单体验,这个非常重要,就像走过一次的路,下次再走比较容易。而对整个购物流程来说,完成一次购买最复杂的地方是折扣。
催付分两个部分,一般的购物流程分选择、支付两块:支付部分有的是从收藏开始,到购物车、到订单,有的直接从未付款订单开始。这个取决于自己的系统,只要记录了相关的数据,对未付款订单进行简单的催付即可。(当然,如果你感觉真不够可以送点福利过去)。催付只需要控制时间即可,比如1天、7天、30天进行催付,对应不同的策略,1天只是提醒、7天送积分、30天送现金券之类。
也可以对不同级别的用户进行催付,用户的分类就是累积消费金额较高、最近频次比较多的、单个订单金额较大的,这样对应的催付可以设置不同的现金券。催付的渠道也可以设置,比如利用聊天软件、短信、邮箱、我的账户完成。
购物车的部分是快速生成订单并完成支付,用相关的折扣券效果比较好,还可以利用恐吓式营销。比如购物车商品的提价,针对那些购买了一些特价商品的。比如下架,当有些商品库存较少时,提醒就要下架,马上要其付款。
还有个部分是是收藏列表,收藏列表一般的作用是什么?无外乎几点,1.关注的商品,想要的。2.比较,已经大体的方向,选几个商品进行比较价格,款式等。从这个里面大体可以分出几个点:类目偏好,价格偏好。有了这些点,可以做一个很牛的动作,对收藏比较多的某类、某个商品做整体促销,设计价格折扣,然后再根据目标人群再进行相关的调整。
购买过1单的用户已经对你的网站有了基本的了解。从网站购物,到支付、收货,及相关商品的质量,有了初始印象,就可以进行相关的用户分群营销了。基本的用户群可以分成以下几种:
1.类目偏好。或者更准确的说是商品偏好,这个用户只在你这个网站卖的商品,比如我比较喜欢在淘宝买小玩意,在当当买书,在米兰网买服装,每个人对每个网站买什么一般都有固定的偏好。特别是经常网上购物的。可以从网站浏览的商品、收藏、购物车、购买的商品就基本可以分析出来。
2.价格偏好。从类目的价格分布和购买、点击的商品的价格进行对比,基本能分析出用户的价格偏好。还有使用折扣券的情况,积分的情况,这是利用现有折扣进行的。例如,如果有人对商品价格敏感的,就完全可以使用运费的费用调节;再比如,运费是服务范畴,而商品是实物范畴,有很多人喜欢付10块钱的运费买20块的商品,这是买服务。而你直接30块包邮的话,他就感觉贵了。这些需要一些价格的AB测试,目的是测试用户看重的是商品,还是服务。
3.节假日偏好。这种偏好的人是比较懒的。节假日偏好只所以产生是无外乎几点:1.节假日会做一些打折,往往折扣力度比较大。2.商家会把相关的商品按照各种主题准备好,然后划分各个类型。有了这两点,商品好找,又打折,自然有很多懒人在等待。这种人往往是前两种的结合体,而刚好节假日满足了它们的诉求,所以有了这样的群体。可是商家惯用的伎俩就是提价打折,尾货处理等。运气好可能碰到商家是用流行品做引流做活动的。
挽留是指原来购买的用户不再购买了,对用户进行的挽留式营销。一般会有1月,3月,6月的做法,不同的品类和平台对应的时间不同,换句话说就是不同的类目和平台的用户生命周期不一样。类似淘宝服装类的女性用户一般会比淘宝服装的男用户活跃,1个月不登陆女性用户可能就流失了,男性用户可能是正常的。所以,这个可以根据平台和类目的属性进行考虑。
我们可以设定一个大概的阈值,当超过了某个设定值后,就要做挽留措施了。挽留措施一般是推荐新品、积分使用、折扣券提醒、相关的挽留活动。对于那些平台数量比较大的,可以设置挽留用户的专区进行营销,主要方式是不同分群的用户,用对应的高质量的商品进行吸引,然后利用对应的折扣、服务等去换回,这样会比较精准。
还有比较犀利的做法是积分直接兑换现金券进行消费,积分到消费比较远,如果直接兑换现金券,会让人觉得变现,而增加粘性。想想微信红包,直接发红包导致了几百万的银行卡绑定,还是说明有这样的心理的人是很多的。
针对用户的数据营销一般是分上面几步了,上面分享的是几个思路,主要的是根据用户的生命周期进行设计,具体实施可以根据不同的平台类型来实施,因为大家的商品结构不一样,价格区间不一样,对应的用户人群也会很大的差异。这样具体实施的商品选择,用户分类、主要的方式都需要根据自己的情况而定,基本的就是用户、商品这两块要搞清楚。不管是用商品分析到用户分析,还是用户分析到商品分析来做,最后肯定是两块都比较熟悉,才能比较完整的控制营销。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27对数据分析从业者和学生而言,表结构数据是最基础也最核心的分析载体——CRM系统的用户表、门店的销售明细表、仓库的库存表,都 ...
2025-11-27在业务数据可视化中,热力图(Heat Map)是传递“数据密度与分布特征”的核心工具——它通过颜色深浅直观呈现数据值的高低,让“ ...
2025-11-26在企业数字化转型中,业务数据分析师是连接数据与决策的核心纽带。但“数据分析师”并非单一角色,从初级到高级,其职责边界、能 ...
2025-11-26表格结构数据以“行存样本、列储属性”的规范形态,成为CDA数据分析师最核心的工作载体。从零售门店的销售明细表到电商平台的用 ...
2025-11-26在pandas数据处理工作流中,“列标签”(Column Labels)是连接数据与操作的核心桥梁——它不仅是DataFrame数据结构的“索引标识 ...
2025-11-25Anaconda作为数据科学领域的“瑞士军刀”,集成了Python解释器、conda包管理工具及海量科学计算库,是科研人员、开发者的必备工 ...
2025-11-25在CDA(Certified Data Analyst)数据分析师的日常工作中,表格结构数据是最常接触的“数据形态”——从CRM系统导出的用户信息表 ...
2025-11-25在大数据营销从“粗放投放”向“精准运营”转型的过程中,企业常面临“数据维度繁杂,核心影响因素模糊”的困境——动辄上百个用 ...
2025-11-24当流量红利逐渐消退,“精准触达、高效转化、长效留存”成为企业营销的核心命题。大数据技术的突破,让营销从“广撒网”的粗放模 ...
2025-11-24在商业数据分析的全链路中,报告呈现是CDA(Certified Data Analyst)数据分析师传递价值的“最后一公里”,也是最容易被忽视的 ...
2025-11-24在数据可视化实践中,数据系列与数据标签的混淆是导致图表失效的高频问题——将数据标签的样式调整等同于数据系列的维度优化,或 ...
2025-11-21在数据可视化领域,“静态报表无法展现数据的时间变化与维度关联”是长期痛点——当业务人员需要分析“不同年份的区域销售趋势” ...
2025-11-21在企业战略决策的场景中,“PESTEL分析”“波特五力模型”等经典方法常被提及,但很多时候却陷入“定性描述多、数据支撑少”的困 ...
2025-11-21在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20