但是一直用唯一的一台设备打开某个UGC社区
转化率不高,运营人员会关注停留时间和内容呈现的关系。如果内容呈现有问题,用户停留的时间就会过短或者过长:过短是因为页面内容不丰富,也可能因为内容包装对用户没有吸引力;过长则是因为用户看不到重点,并且用户下次停留时间可能会变短,因为用户实在没耐心看这个时候,页面的蹦失率就会变高,而不是跳出到支付环节。我们随手在淘宝搜索一下连衣裙,选一个很多商家都在卖的款式,然后我们来看一下销量最高和销量最低的两个详情页。销量最高的详情页是这样的结构: 视频展示+优惠券 店内优惠推荐 商品的官方小编评价 商品相关信息以及细节展示销量最低的店铺的详情页第一项展示就是参数,并且使用了非常模糊的图片,给人一种盗图和山寨的感觉。商家对待页面这样不用心,销量低的原因就不言而喻了。除了详情页转化率,商户和平台还会比对不同商户的同类商品的转化率,以确认究竟何种内容呈现更利于促成下单,最后,会得出结论,有针对性地加以改善。用户推荐其次,另一个在电商平台常见的现象是为用户做推荐。比如我们经常会看到的淘宝猜你喜欢这个栏目以及亚马逊的个性化推荐。图53资料来源:淘宝平台的猜你喜欢图54资料来源:亚马逊基于用户浏览过的商品所做的相关商品推荐如果这些推荐不是随意提供的,那么它们是如何出现的?这里有两种比较简单的做法:根据用户的浏览历史进行相关性推荐;根据同类用户的购买历史进行协同过滤。推荐的具体算法我们不讨论,我们只讨论运营的逻辑。相关性推荐的运营逻辑是这样的:因为某个用户浏览了一件商品,所以向用户推荐同类的其他商品。比如,用户看过牙刷,所以推荐给这位用户有关口腔护理的商品,譬如牙刷、牙膏、牙线等。图55而协同过滤的运营逻辑虽然略复杂,但也比较简单。简单地说,就是让相似的用户模型购买过的商品被互相推荐,而不具共性的用户模型购买过的商品被过滤。比如,一位女性用户买过连衣裙,另一位女性用户买过打底裤,而她们年龄相近,所以系统会为买过连衣裙的女性用户推荐打底裤,为买过打底裤的女性用户推荐连衣裙,但不会为另一位未购买过连衣裙和打底裤的男性用户推荐这两款商品。所以,你大概已经有了一个概念:数据需要归类,不同类别的数据需要分门别类地存放和使用,然后找到数据之间的关联与逻辑关系,分析需要归因,对数据产生的现象背后的原因要加以分析和查找。图56重现与试错当然,由于用户运营面向的是人,而人的想法难以预测,所以,不管是归类还是归因,最后都需要验证推论的正确性,这就产生了持续运营的总结和归纳,表现到行为上,就是重现与试错。能够确认的归因就重现,不能确认的就试错。通过这两种方式,用户运营人员就能以较高的高度和较宏观的视角,去看待和了解用户。数据还可以帮我们描绘用户可能是什么样的人。比如,App上有一个用户A,一直不注册,但是一直用唯一的一台设备打开某个UGC社区。数据显示:A在最近30天关注了:求职、互联网、产品经理、移动互联网。那么,我们可以推测,A可能是一个正在寻找移动互联网和互联网产品经理职位的求职者。我们可以尝试对他进行注册转化,比如让产品人员做一些设计:最多浏览多少篇内容,系统就会提示注册,否则无法继续浏览;比如做一些推送:想了解更多更全面的互联网产品经理岗位的内容,请先注册并完成登录;比如做一些活动:现在注册,即送《产品经理葵花宝典》一本。做这些尝试的前提是,对于用户数据要区别对待,而不是一视同仁。这也是个性化运营、精准营销所强调的,应当满足用户的个体需求,而不是刻意寻求共性的解决方案。当然,用户运营人员绝对不应该只为了某一个用户提出假设,这样做成本太高,所以,通常的做法是先对群体完成推测描像,然后再讨论可行性方案。数据不仅可以印证我们的猜测,还可以帮助我们了解用户的需求,找到可能的解决方案。譬如,某通用积分平台的用户使用积分在第三方平台购物返利的数据如表51所示。表51从以上数据中,我们可以得出哪些推论呢?第一,该站点用户的可用积分并不多,大多数用户获取积分的途径比较单一,一部分用户很习惯通过这种购物方式来获取积分。第二,该站点的用户有使用积分抵扣现金购物的习惯,并且额度分布比较分散,抵扣价值从几毛钱到二三十元不等,既有占现金比重千分之几的订单,也有占现金比重30%的订单。从这两个推论出发,一个用户运营人员可以做出以下运营计划:扩大积分的获取途径,让用户获取积分更容易。从用户的行为来看,积分对用户是有吸引力的,从摘录的数据来看,部分用户有获取积分、累积积分的习惯,但消费不积极,因此除了增加获取积分的渠道之外,采用一些方法降低积分的使用门槛、增加使用范围,是一个不错的选择。应该继续增加可接入的第三方购物返利平台的数量与类型。还可以