2019 成長駭客年會 - 台灣首個破億募資專案怎麼做到？POIEMA 背後推手的策略心法 | 主講者：flyingV 募資平台專案總監 Anderson Chen

-

台灣首個破億募資專案怎麼做到？POIEMA 背後推手的策略心法

主講者：flyingV 募資平台專案總監 Anderson Chen

對行銷人來說，最難賣的東西，是沒感覺的東西 - 像是空氣清淨機
要怎麼賣一台淨化 PM 2.5 的空氣淨化器？除了外觀之外，此類產品的成效無法被視覺容易的感知，那 POIEMA Fit 專案是怎麼成功的？

POIEMA 是一個新加坡品牌，透過群募進入台灣市場，持續使用「桂氏三角定位模組」來訂定策略 - 產品定位、市場地位、傳播定位（概念來自葉明桂所著：《品牌的藝術與技術》，Andrerson 非常推薦這本書） ，以 POIEMA 品牌定位為例，傳統市場中「價格」是最重要的定位，但結合這個定位模組後：
  • 產品定位：免耗材/低噪音/高效能/全自動
  • 市場定位：頂級夢幻機種（貴，但是好）
  • 傳播定位：大口呼吸，安心生活
空氣淨化器是優化你生活的產品，而且近乎是信仰的優化
因為是信仰，因此行銷上是走軟性的訴求，透過嶄新技術促使陣營切換，建構強大的信任度，結合操作手法：語調誠實、海量認證、技術詳解、用戶口碑運轉，產生出這樣的口號，並且據此在各社群渠道投放內容：
都會小資族
小坪數的平價夢幻機種
「大口呼吸，安心打拼」
類似 iPhone 推出 XE 想獲取中低價位消費族群，POIEMA Fit 透過情境描述營造認同感，設定目標族群。Andrerson 分享前測調查的 4 個主要目的：
  1. 確認策略
  2. 置入訊息
  3. 會員搜集
  4. Lookalike 資料來源
前測募資問卷對於群募專案是很重要的驗證，也是第一關的市場考驗，新創業者的試錯資本很少，需要透過前測來確認策略，但目前「在問卷中置入行銷內容」也逐漸成為一個操作手法：填答者若留下個人資料，可以收到「開賣通知」以及「早鳥優惠碼」。

前測預熱問卷可定義出觀察專案預熱情形是否良好的指標，Anderson 分享 POIEMA Fit 專案的關鍵數據：
  1. 17,736 份問券數量
  2. $ 18.9 問卷成本
  3. 24.1 % 問卷填答率
  4. 63% Chatbot 訂閱率
  5. 47.3 % 平均開信率
  6. 92.4 % 平均已讀率
  7. 6 購買意願分數（千萬量級的購買意願分數需要超過 5，一般的話是 4）
透過這些數據，可以判斷出最終的轉換率是高或低，也可以同步預估將要投入的行銷成本。

關於 CRM - 原生建立於 Chatbot 的會員系統，營造出「高 share 次數」的假象：

  • 可吸引 landing page 的點擊率：填完前測問卷後收到抽獎活動辦法，要求分享推文並標記朋友
  • 標記朋友可能是推坑，可能是隨意標記，但很容易讓填寫者幫忙找到高成交率的目標客群（用戶篩選）

關於 CRM - 預熱問卷中的 EDM 設計結合媒體業配，在上市前營造出討論熱度，提升渴望

  • 台灣首篇 POIEMA FIT 詳細評測文章出爐【科技媒體 | 蘋果仁】
  • 【重要情報】POIEMA FIT 募資價格方案大公開！
  • 【重要資訊】Fit 空氣淨化器 | 產品常見問答 Q&A
  • ...

關於 CRM - 老客戶口碑運作

POIEMA 大部分是在年底發表新產品，每年都會針對老客戶做滿意度調查，同時切割使用情境、收入水準、地區、購買滿意度等指標，因為這是一台「免耗材的空氣淨化器」，後續與客戶的關係是斷裂的，不容易維持關係。因此會透過大量的互動或贈品活動，吸引老客戶留下（好的）產品評價，再將這些 user-generated-comment/content 灌入 Chatbot，成為吸引新客戶的素材（老客戶回饋查詢系統，潛在新客戶可以找到符合自己的使用情境評價）。

行銷預算上，Facebook 的花費佔比還是較高，Fb 廣告投放 60 %。

選擇合作媒體的 3 個考量

媒體行銷費用總花費約 200 多萬，以下依據選擇標準的重要程度排序：
  • 內容配合度
    • 指定企劃
    • 指定場景
  • 資料共享
    • 受眾/像素
    • 廣告主
    • 素材授權（取得 IG 素材的永久授權，可同步獲得高品質產品照，省下商攝照片的成本）
  • 其他
    • 知名度
    • 信任度/權威性
    • 策略契合度（要求網紅拍自己家，曝光真實場景，創造話題 - 但高門檻，容易被拒絕）
不考慮網紅的帶流量效果或轉單量，因大部分流量是透過 Fb 廣告投放做出來的，是否參考還是要大家自行評估。

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