为什么用企业微信做运营

很多企业都在用企业微信做私域用户运营,取得了很不错的成绩,卖珠宝的周大福,家具定制的索菲亚,在线教育的猿辅导,休闲零食的恰恰,餐饮乐凯撒引流30万等

为什么这些企业都会采用企业微信呢?用两组数据,三件事情来剖析一下

数据一:中国平台电商的抽成比例。天猫在5%,京东8%,拼多多3%。而美国亚马逊和ebay在15%左右。所以美国私域流量比国内发达很多,因为平台成本太高,有动力有投入做私域。但国内平台成本也在水涨船高,所以私域用户运营开始大行其道。

数据二:微信每天发送450亿条消息,人日均使用时长90分钟,私聊打开率35%,而订阅号打开率3%。国内用户都在微信这个超级APP上,通过微信生态特别是企业微信个人号触达用户是私域用户运营首选

事件一:2019.12.21,企业微信3.0正式发布,直接打通用户微信,架起企业员工与微信用户的桥梁。企微微信以其官方性和更多贴心功能,成为很多企业与用户交流的首选

事件二:突如其来的疫情。这对很多线下企业冲击很大,逼迫他们思考与实施线上化和数字化。企业微信打开线上沟通窗口,然后铺上电商和外卖,成为应对疫情的有效手段

事件三:wetool被封事件。这是微信官方的警示,告诉企业不要再用个人微信号做用户运营,咱们企业微信这块功能也很强大。当然事实也是如此,企业微信版本不断升级,其中优化最多的就是用户运营这块的功能

接下来讲一讲企业微信提供了哪些功能来做用户运营的

三种客户沟通方式:单聊,群聊,朋友圈,也就有三个群发功能,客户群发,群群发,发送到朋友圈,这可以极大方便运营人员。单聊和群聊又各自有个人二维码和群二维码,客根据需要设置不同的欢迎语以及数据统计

单聊可以设置欢迎语。当客户添加时,会弹出设置好的欢迎语。欢迎语支持文字,图片,链接和小程序,很方便引导客户再加群或查看网站或小程序

管理员也可以看单聊统计,指定时间添加了多少客户,与多少客户聊天,有多少客户流失,也支持按 部门和员工单独统计,客户群也是一样的道理

再看下群发功能,企业微信支持两种方式群发。一种是管理员在后台编辑群发内容,由员工确认后发送;一种是员工自己用群发助手群发。

先看管理员群发。发给个人、群群发和群发朋友圈,消息内容都相同,支持文本,图片,视频,网页和小程序。个人和朋友圈可以是全部客户,也可以是条件筛选的客户,筛选条件可以是员工和客户标签

高阶功能里,离职员工客户分配是选择企业微信而不是个人微信的重要理由。员工离职后不用担心客户流失了,可以转给其它员工,不需要客户手工确认分配,而是只有客户明确点击“不分配”才不迁移,默认24小时后自动分配。

前面介绍了为什么选择企业微信做用户运营,接下来讲如何在企业微信的基础功能上进行拓展,开展用户运营

我们都知道用户都在微信上,微信生态是用户运营不可或缺的部分,但我们不能只把用户沉淀在微信上。这里有两层含义,一是还有其它用户运营阵地也要做,比如抖音,快手,微博,小红书,B站,知乎,线下运营,平台电商,私域电商等等,形成多触点战略;二是用户数据要往下保存在平台无关的系统中,这样即使微信号被封,用户数据还在,还可以通过其他触点互动或将用户重新拉入企业微信。

这也就是全域用户运营的核心理念。收集多个触点用户信息(基本信息,行为信息,交易信息),沉淀到CDP(用户数据中台),形成用户统一画像。

在企业微信聊天工具栏上加载自己扩展的小程序页面,员工在聊天时可以快速查看用户的信息和标签,并进行编辑。这些数据又会沉淀到CDP中,为后续分析提供基础

有了CDP和用户画像,个性化运营才有了基础,否则就是抓瞎。个性化运营,员工可以根据客户信息和标签采用不同的话术,推不同的活动和产品

但要做好个性化运营并不容易,用户数据杂乱无章,需要进行清洗,转化和归类,聚类

标签体系如何规划,如何形成,如何计算,是个复杂的工程。简单讲一下,首先要有模型,然后使用算法,可以按照AARRR模型做用户阶段标签,还可以按RFM模型区分用户重要度;可以按偏好分,渠道分,按内容分等等,具体要看企业的实际情况,标签体系不要过于复杂,但又能有效指导运营

对用户有了完整洞察后,我们还可以通过营销自动化对用户进行精细化运营,什么时间点给不同的用户发送不同的内容和活动。这又是一个很复杂的功能,企业微信群发限制的是用户一天接受一条,也就是说企业一天可以发送多次,每次给不同用户发送不同的内容,做到千人千面

工具再好,还需要实际使用来产生价值,私域用户运营有三个重要概念:用户旅程,用户价值以及数据驱动

这三点又有着很强的关联,运营人员需要从整个用户生命周期的宏观视角去设计用户旅程,设计中要充分考虑用户价值,最后又需要用数据来驱动优化

首先用户旅程,就是用户在与企业交互的完整过程,横跨整个用户生命周期,这里有一个触点的概念,触点顾名思义就是与用户接触的点,触点分为线上线下:线下有门店标牌,导购,餐桌二维码等;线上有企微个人号、企微外部群、订阅号、服务号、小程序、短信、模板消息等等,企业运营人员要结合自己企业的特点,合理利用触点,设计用户旅程。留住用户,关键时候引导用户购买,又不至于引起用户的反感,这其实就是精细化运营

例如网购一款卸妆产品,包裹卡会以现金为由邀请用户关注公众号,添加客服凭借兑奖码领取现金奖励,在邀请进群,抓住了淘宝店铺的流量,后续在群里持续推送优惠券等活动,形成互动与转化

用户价值,这里又可以分成给用户的价值和用户生命周期总价值。我们要吸引用户并与用户持续互动,就需要让用户觉得有价值。比如上面讲的逐本就是用现金红包这个钩子,引诱用户入群

零售、餐饮行业很适合通过折扣,减免、满赠等活动来将用户首次拉入的;而一些重服务的企业,比如健康,母婴,就适合用专属客服加用户的企业微信,然后辅助文章、直播等干货内容与客户互动

最后说下数据驱动的运营。数据的重要性大家都知道,但苦于没有数据,没有工具

首先我们需要采集数据,而且采集的维度更丰富就能够理解更多,比如活动数据,企业微信的互动数据甚至是聊天数据,有了这些数据才能更好分析运营的效果

然后我们得有展示工具,可以快速多角度多组合看数据,这里就需要快速生成报表的工具,如果分析展示数据都需要写SQL,花很长时间才能出来,就很慢了。互联网思维核心就是迭代思维,快速试错,我们每次从活动到分析的循环越快,就优化的越快,越能找到适合企业自己的运营方法和流程

微盛企微管家是企业微信的第三方服务商,开发了许多工具可以介入到企业微信中,可以帮助企业更好的做客户运营

企业微信做私域用户运营已经是大势所趋,啥也不说了,赶紧上车!基于企业微信,我们还可以扩展更多功能,真正做好用户运营,理解了用户旅程,用户价值以及数据驱动这三个概念,在运营过程中尝试不同的方法,快速验证,才能真正做好企业微信运营
 

————————————————
版权声明:本文为CSDN博主「云瑶 微盛」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/WSYUNYAO/article/details/114372275

  • 0
    点赞
  • 0
    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