2019 成長駭客年會 - 用數據經營第一印象，讓新客戶第一次就買單 | 主講者：索驥創意共同創辦人 Stanley Tseng 曾友志 Mr.PM

-

用數據經營第一印象，讓新客戶第一次就買單 

主講者：索驥創意共同創辦人
 Stanley 曾友志 Mr.PM

讀 Mr. PM 的部落格多年，第一次看到本人！Stanley 一開始就拋出一個問題：

Q: 為何有人這麼喜愛 twitter，但更多人註冊後就不用
  1. 找出那些不用的人，探究不用的原因
  2. 不管不用的人，照顧好有在用的人
  3. 找出愛用者和流失者，在性別、年齡、愛好者上，有何差異，瞄準真正的目標用戶
根據「造訪次數」與「次月留存率」來分析，twitter 區分出 Casual User / Core User。
很多 insight 的來源，就在於把 user 正確地做分類與分析
Twitter 在進行分群後對使用者做分析，包含 User Interview 等研究，找出一些 insight，最終依據研究結果了註冊流程，將「選擇有興趣的議題」、「建議 follow 的帳號」等操作，提早到註冊流程的前幾步，已達成「讓新註冊的用戶，在 30 天內達成 follow 30+ 帳號」的目的 - 而這就是一個提升 activation 的過程。
與其花時間探討流失用戶，不如花時間了解「不用的原因」，並調整解決使用率增長的障礙，以確實開發活躍用戶。

指標的效度問題（何種指標定義為有效）


  • 我老菸槍，還不一樣活到 90 歲
  • 我每天熬夜，身體檢查都很好
  • 你在 2003 年是健康的，但在 2017 年的健康檢查有問題？
透過現有客戶，釐清目標設定 retanion，有效指標需要能開發新用戶，但同時可留存，並且符合產品定位。

在分析資料時，也可以加入資料科學家的角色協助分析，但需要注意相關性分析等誤區，最終找出最終解釋的涵蓋率。
指摽需要「直覺、好記」，組織執行才會順利

怎麼設定指標，決定了成功的機率：要改善 Output，就要先改善 Input

  1. 設立目標
  2. 拆解目標
  3. 用對指標（小指標容易集中火力優化）
  4. 策略執行，小步快跑
做增長有兩件事情：
  1. 正確的訂定目標
  2. 套路（每年都會變：例如 2012 年掌握粉絲團就掌握了增長，但 2019 年沒用了）
好的「目標」設定，讓「成長」不再是 Growth hacker 的事，而是大家都可以提出方案

Activation 常見套路（會過時，僅供參考）

  1. 解決 Cold Start（複雜操作避免空白專案）
  2. 隱藏分心要素，強迫走在規定路徑上，再給上獎勵
  3. 適當的時候要提醒用戶，如：重要步驟未完成時通知
Activation 的目標，就是要建立正確的第一印象，而這其實是一連串的過程，包含目標、任務、導引、通知、客服甚至優惠，讓客戶完成他的目標。

Twitter 的設計其實很違反常理的漏斗式設計：填 Email、密碼 > 選擇興趣 > 選 Follow 對象 > 註冊完成

因為 Twitter 的目標是「Follow 30 個人」，達成使用者的留存率（增加回流客），而非「註冊完成」。

仿造 Twitter 的例子練習：定義忠誠用戶 > 愛用者數據上和一般用戶的差異 > 找出差異的原因 > 重新定義漏斗 funnel > 30 天內造訪七次人數增加
努力了解 user 的 mindset（若不瞭解會落入數據陷阱，誤以為有效的操作其實只是美麗的誤會），進一步從成長的角度看產品「回訪」、「拉新」，達到自我增強的用戶增長循環 Re-engagement，「Retentation 是 Activation 的目標」

變現試算（優化沒有盡頭，要如何得知自己的操作是否合理） 

年營收目標試算 = 平均用戶貢獻 * 獲取的用戶數量級 * Retention Rate 

總結 

  • 重視回購、回訪客戶，從重新設計漏斗開始
  • 用數據的方式，定義指標
  • 產品設計要定義出好的目標（不只是讓行銷部門決定），才能讓「成長」不再是 Growth hacker 的事，而是大家都可以提出方案
  • 留存的用戶，會告訴你的第一印象，會是什麼，而這也就是你的產品定位
Update - Stanley 大方分享的精彩 slide: http://mrpm.cc/?p=1390


Comments

Post a Comment

Popular posts from this blog

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－生成藝術的創意空間（李怡志）

-
生成藝術的創意空間（李怡志－政治大學新聞學系助理教授）   Generative Art 生成藝術是什麼？這是一個已經存在很久的概念，從 1963 年就有人做圖像，在討論生成藝術時，需要先討論人類在生成藝術的時候的思考方式： Precise Aesthetics Process by Designers →  Ideation / Execution / Appreciation 三者很靠近且重疊 但若是 Precise Aesthetics Process by Non-Designers →  Ideation, Execution, Appreciation 三者是獨立的 生成圖像的特性，Randomness, Unpreditorable 是重點。目前產出的作品，有幾種對人類可分類的價值類型：Self-expression, Serendipity (偶遇) , Surprise（可以激發人類的想像力）, Evolutional（對 prompt 的指令是逐漸逼近）。 Ways of Seeing - AI  生成圖像的背後也是大型模型，要看 meta-data 是如何整合。AI 對文字的理解有非常多面，我們需要知道如何運作，才知道如何下指令。可以嘗試搭配 ChatGPT 產出的 prompt 再倒給 Midjourney 繪圖，可以完全 break normal rules，做出架空的東西。 Non-Generative Process 是從開放到收斂的模型，當 Concept Sketch 定義好，路徑就會瞬間收斂。 (News) Infographics Project Procedure: Prepare > Investigation > Design > Final Work 人類傳統的 Level of Sketches: Research (What to Sketches) Information Elements Concept Sketch Layout Sketch Real Size Sketch Final Work  人類傳統在進行設計，從草稿到完稿的距離非常的接近。 AI Generative Process （李怡志總結） Variate (小的變異) Randomize (寫了 prompt 後會出現一些
Read more

ProductTank Taipei #12 - 大型組織的產品管理與協作

-
Image
難得提早到現場，開了電腦正在準備，突然發現 Peter 正在遠端連線，抓圖時才發現，原來人在荷蘭的 Peter 今天是遠端分享，算是很特別的經驗。 Celine 「裸辭」上一份工作後，輾轉到了中國的攜程工作。直接破題的 Celine 以攜程旅遊網的首頁為例，告知頁面信息的排序，事實上並不只是考慮使用者的閱讀習慣與興趣，而是依據組織內部的角力，哪個組織收付的佣金夠多，排序就會提前，例如：酒店、機票、旅遊等區塊，就會有所上下排序調整。 Celine 的工作是後端的靜態信息組。攜程分為垂直式、水平式分工，垂直式分工意指從後端信息整合、API 接口到前台的 App UI 呈現和實作，水平式分工則指當重要功能需要整合時，便需要拉出平行橫跨並進的規劃作法。 在大公司工作讓 Celine 覺得任務非常複雜，例如做「需求調研」時，若功能橫跨各信息組或功能組，則一個需求便是牽一髮動全身，需要橫跨各組做繁複的溝通，甚至要召開【需求澄清會】，遭受各組的炮轟，最後再回去重寫。 若想要做一個扁平的東西，仍然需要跟開發努力爭取資源，並跟各部門 PK 優先，甚至談好資源之後，若開發部門有緊急事件，仍會不告知值接插隊延後需求實作，而為了功能，測試資源也是稀缺資源要透過血淋淋的爭取。 很多事情即使講很多次，還是會有人聽不懂！ Celine 分享開發產品時的四個主要步驟： 需求調研 需求評審 開發測試 優化迭代 理想的狀況是這樣的： 需求調研 - 開發、內部/外部訪談、PRD 撰寫 需求評審 - 內部評審、外部評審 開發測試 - 敏捷開發、測試 優化迭代 - 投訴處理、收集需求 現實中是這樣： 需求調研 - 查出接口的所有調用方、調研開發可行性、召開 N 遍 需求澄清會、梳理業務流程 需求評審 - 到 N 個部門講 N 遍 需求、跟各部門 PK 優先級、預先爭取測試資源 開發測試 - 講 N 遍 需求、確認開發負責人、開發功能微調、跨部門溝通 優化迭代 - 跨部門講 N 遍 需求、修 bug、運營流程優化、用戶反饋整理 Celine 接著分享攜程內部常用的操作方式： 盡量找到大部分的調用方（stakeholder） 項目管理工具（JIRA-cp4 + Teambetion, Lengoo, etc.） 但其實
Read more

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－ChatGPT 的解析與挑戰（陳縕儂）

-
ChatGPT 的解析與挑戰（陳縕儂－台灣大學資訊工程學系副教授） 陳縕儂用了一張 Midjourney 的生成圖做為開場，形塑出一位潮流女孩的工作環境，除了自己的電腦和周邊鍵盤外，螢幕上投映著「ChatGPT」的大字，試圖描繪出未來大家的工作想像圖 - 除了自己的工作內容之外，ChatGPT 可能常伴左右在協助各種任務。 AI & ML 首先定義 AI 這個字，我們現在看到的生成式 AI，是偏向 Synthesizing 的類型。而達成 AI 的方法有很多種，Machine learning (ML) 就是其中一種手段，並非所有的 AI 都需要應用 Machine learning，只是近期最熱門的 AI 是透過 ML 達成的 AI。 大家最常看到的 LINE 聊天機器人，其實內部沒有什麼 ML，只是確實是有很多模組的 AI。 Machine Learning 的訓練，陳縕儂用了一些例子：Looking for a Function      Task: predicting positive or negative given a product review 套用一些規則，讓機器自己去學習，把「輸入」變成「輸出」，Given a large amount of data, the machine learns what to output (後半句沒看清楚)。 「在訓練機器學習之前，首先需要有人工學習（工人智慧）」，需要提供非常大量的資料和資訊才能讓機器去運算出預期中的輸出 f(x)。 人類的學習能力金字塔，知識建構，是從低階知識到高階知識（請想像底下是一個金字塔，有底層的 Low-order thinking skills 到高階的知識） Learning Pyramid (Bloom's Taxonomy, 2001) Create (Use information to create some thing new) Evaluate (Examine information and make judgments) Analyze (Take apart the known and identify relationships) Apply (Use information in a new but similiar situation)
Read more