干货!11个产品营销策略(一)

新品上市卖不动?这11个方法让产品销量翻倍

“这个新品很牛,你要卖好它。”

这种苦憋的需求,或者叫任务,相信大家都遇到过。

反正整个人都是蒙圈的,然后接下来就会收到无数新品相关的文档。五花八门的都有,你完全找不到什么关联,马上就能让你看到头疼脑涨。

接下来,就是费尽心思整理产品卖点,绞尽脑汁 “夸产品超级好” ,然后铺好各大宣发渠道。一切就绪,所有人都觉得产品非常棒,等待一鸣惊人…

结果,现实给过来狠狠一巴掌——谁都在说自己产品超好,然后呢?

然后大家讨论最多的问题却是:“为什么用户不选择我啊?”

为什么呢?

你觉得产品超级好不代表就能卖得好。

怎么办?

每一个聚焦人们某类需求的行业,都肯定不是只存在你这么一个产品,同类产品非常多,替代品那就更多了。

做营销,就是让消费者从众多对手之中选择你。

你需要让人们最终可以感受到 “超级好” 的价值感!

一个新产品的价值是由可感知的产品价值和购买成本共同决定。可感知价值越高,可感知购买成本越低,产品价值感就越突出,被选中的可能性就越大。

所以,你需要做的就是——放大产品可感知价值,降低成本损失感。

这里老贼从几个角度分享一些自己的建议,启发你的思路。

1、突出产品可感知事实

绝大多数购买场景,用户都不会去深入调研一个产品,仅凭一些表象或感觉就做出判断,而往往理性的细节反而没那么重要。

这个时候,我们可以斗智斗勇去展现产品事实,用事实表现,胜过一切。

文案大神奥格威的劳斯莱斯汽车广告是他创作的最著名的作品之一:在这辆时速60英里的劳斯莱斯里,最大的噪音是它的电子钟。

短短一句话,将产品事实展现得淋漓尽致。

再比如小米体重秤就是利用精准数据,让用户感知到产品价值,从而赢得他们青睐。

当一款体重秤可以精确到100g(市面上多数的秤都是200g),能做到喝杯水都能测量出来,这就是可感知价值,你会不会心动呢?

杜蕾斯也经常有这样的操作,产品事实马上就让你感知到。

当然还有更厉害的,用一些超常规方法让产品事实得到让人惊叹的展现。消费者能做的就是选择、选择、再选择,没必要选其他了。

美国Texas Armoring防弹玻璃公司就是一个经典例子,他们的董事长Trent Kimball让员工把自己公司生产的防弹玻璃放在自己面前,然后叫员工在距离不到5米的地方手持AK-47,对着玻璃直接开枪,枪枪都是对着自己老板的头啊。

在射击几枪之后,他们玻璃上出现了明显的弹孔,但玻璃没有被打穿,有惊无险,Kimball满意的笑了。

之后这支视频迅速走红互联网,人人都知道了Texas Armoring家的防弹玻璃真的能防弹,靠谱。

2、展示信任见证

信任见证,首先就是权威背书。塑造新产品权威形象,打造权威高标准,靠谱,有保障!

找一些更可靠、更权威、更有信誉、更有影响的人/平台帮你背书。比如:权威机构、KOL专家、明星代言、CCTV广告等等……

这种背书就是为了将其他平台的权威形象转嫁到自家产品,让消费者信任感更强,决策更快。

另外,就是老客户见证,金杯银杯不如老百姓的口碑。

你要告诉消费者,和他类似的人都在使用这个产品,这样他就很可能去抢着用。这样,老客户对你产品的信任,会转嫁到新客户对新产品的信任。

之前在小米松果芯片发布会上,雷军除了讲述自家产品的创新与品质外,还列举大批米粉对小米的一系列高度赞扬评论,这本质就是一种客户见证的方法。

我们可以使用客户现场证明、客户视频、客户音频、网页评论截图、客户手写信、客户答谢会等等。

提供客户见证的人跟目标人群越相似,说服力就越强。最好是能让目标人群看到自己的身影,能够引起共鸣。

3、打造产品高阶附加值

附加值最简单的理解就是 “人无我有”,在产品销售上总是比别人多点什么,比如送一个精致包装盒,提供超诱人赠品,送一个头衔称号,提供超预期体验等等,强化产品被选择的筹码。

大家平时见到很多知识付费平台卖课,都会送一些核心内部资料,光这一个附加值就不知道得吸引多少人。

还有我们买电脑,商家是不是经常说送耳机、送鼠标垫、送u盘等等。

来感受一下以下3个简单说法,你会选哪个?

  1. 电脑5999,送耳机、送鼠标垫、送u盘;2) 电脑5900;3) 电脑5900,耳机50元、鼠标垫9元、u盘40元;

其实这都是你自己花钱买来的,但分开说会让你感觉更划算——买个电脑还送这么多东西啊。

做营销有一个说法:在促使消费者转化时,要分散利益去说,其实这也是在增加产品附加值。

另外,每个产品都应该存在多重利益:除了实用功能价值、还可能具备身份价值、社交价值、精神价值、文化价值…等等高阶价值。这些都是绝佳的附加值。

比如 “为发烧而生”、“自律给我自由”、“你本来就很美”、“Just do it” 等等。

文艺女装淘品牌【步履不停】,他们卖产品往往更多的是塑造品牌调性,给产品赋予精神层面附加值,和众多用户达成共鸣。

你写PPT时,阿拉斯加的鳕鱼正跃出水面,你看报表时,梅里雪山的金丝猴刚好爬上树尖。你挤进地铁时,西藏的山鹰一直盘旋云端…有一些穿高跟鞋走不到的路,有一些喷着香水闻不到的空气,有一些在写字楼里永远遇不见的人。

这些内容是在“揽客魔课堂”里了解到的,希望对你有所帮助!

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值