智能外呼产品经过了近几年的发展,作为一种用户触达的手段,普及率越来越高。但是智能外呼产品本身的劣势就是客户黏性差,迁移成本低,导致市场竞争非常激烈,各家都是拼价格拼线路资源,同质化严重。如何建立云商智能外呼产品的差异性,提升竞争壁垒,增加用户黏性,是我们团队主要要研究的内容。
一切以提升 ROI 为目标
从数据的视角,我们核心资源以及核心优势就是了解大量用户的行为偏好信息。将这些信息叠加到智能外呼中,就帮助客户从原来通过自有数据的分群策略,衍生出更多的人群细分可能性,从而支持更加精细化的运营,从整体层面提升 ROI 转化。下文主要通过案例以及其中的技术细节展开介绍。
精细化运营的概念这几年被越来越多的提起,企业各种降本增效,从粗放式运营转移到精细化运营上。运营的核心是用户,一切围绕用户展开。所以精细化运营就是针对用户做更细颗粒度的运营,展开更有针对性的运营活动、运营分析,以实现 GMV 的增长以及 ROI 提升。
精细化运营的核心在于更多维度的用户分群以及针对性的运营策略跟进。在常规的策略中,客户通常会根据自身已掌握的数据做一些用户的分群,如:入会时填写的基本属性信息,RFM 信息,生命周期阶段等等。但是在实操过程中经常会遇到如下问题:
-
买量渠道多,用户质量参差不齐,召回成本较高。
-
数据维度有限,很多时候只有一个用户预留的手机号,没有能力做精细化运营。
-
在转化层面遇到了瓶颈,基于自有数据无法更进一步提升,需要更加多维度的数据来补充分群思路。
-
自有标签不精准,渠道未打通,会员活跃低。
基于上述问题,我们可以充分利用网易强大的大数据能力以及在用户画像和用户分群等技术方面的积累和个性化支持,为客户提供更多的用户分群可能性。通过这些技术支持,客户可以实现更全面、更精准、更细粒度的运营,从而更好地满足不同用户群体的需求。这种精细化的用户分群将有助于客户更好地了解他们的受众群体,为他们量身定制更有针对性的服务和产品,提升用户满意度、品牌忠诚度、以及转化能力。
案例:某线下商超的个性化运营策略
开始介入商超场景源于一个需求:在 AI 外呼过程中,经常有用户反馈已经离开了之前的城市,所以希望我们通过常驻城市等标签对用户群做一层过滤,过滤已经离开商超门店所在城市的人群,很简单的一个需求。后来随着迭代的深入,在和客户做了几次脑暴,我们了解到:
-
商超作为典型的线下场景,对地理位置非常敏感。
-
用户周边有多家商超,选择空间较大,会比较摇摆。
-
不同层级人群对于商品的偏好完全不同。
用户分群也主要围绕上述问题展开。针对对地理位置敏感的问题,我们首先是构建了一个分流模型,对用户做了一个线上线下购物偏好的区分。其次是基于线下用户购物的便利性,对用户划定了三个圈层:核心层,增长层,摇摆层,针对每一个客层都会有针对性的策略方案:
-
核心层:商超的核心用户群体,策略方向主要通过高频的利益触达,来刺激用户消费的频次,提升 GMV。
-
增长层:商超的便利性居中,策略方向主要是刺激单次消费金额为主,可以推送一些大额的满减券。
-
摇摆层:顾客周边可选择商超较多,对此部分用户需要做一定的取舍(比如没车的年轻人转化可能性就比较低),提高利益点来刺激用户的消费。
在外呼利益点方面,由于不同人群对于购物的需求差异较大,我们主要从正反两个方面进行:
-
正向方面就是先有具体的钩子品去定位对钩子感兴趣的人群,比如:钩子是发优惠券就去挖掘对优惠券敏感的人群;是送某一品牌猫粮就去挖掘养猫的人群等。
-
反向方面就是先有人群,再针对性的去设计钩子及话术,比如:针对银发人群和小镇青年会有不同的利益点及话术;针对上文中提到的目标层客户和摇摆层客户,也会有不同的利益点。在最终的转化效果上,相比于基于一方数据,结合网易的用户分群策略后,整体转化率有显著的提升。
案例:某电商场景,筛选更加优质的人群
客户从多个买量渠道,积累了大量的用户。但是在做召回转化的过程中,成本较高,通过听取外呼录音,总结下来比较显著的是以下几类问题:
-
用户接通后,快速挂断。
-
用户表示当前小孩长大了,没有需求了。
-
可以表示是帮别人购买的。
-
......
在和客户一起分析复盘之后,我们发现导致上述情况根本原因是会员用户来源于多个渠道,质量不一。针对这个问题,我们就提出了一个转化评分模型,对用户的购买意愿进行抽象的评分。将外呼过程中明确无需求或者秒挂的用户作为模型的负样本,将近期有转化用户作为模型的正样本,基于网易的大数据作为基础特征,构建模型。过滤到转化可能性不高的用户。在这个流程上我们筛选出来的用户,最终转化率提升了 3 倍以上。
在这基础上,我们对潜在用户还做了一些常规的用户分群,并且对每一个分群做了外呼话术上面的个性化,如下图:在结果上,在没减少外呼量的情况下又提升了 30% 左右的转化率。
敏捷迭代 PDCA
在实际用户分群过程中,由于数据团队的侧重点在于标签的开发,很多时候对特定行业知识的业务理解并不是很深,所以往往需要与客户一起进行多轮的脑暴和讨论,一起定位业务过程中的重难点或卡点,然后形成可测试的用户分群策略。数据同学针对性的去开发标签和人群,业务同学根据人群特征再针对性的设计策略。通过一个个 PDCA,不断地迭代改进这些策略,最终找到行之有效的方案。
在实践中,我们通常通过持续的 AB 测试来验证各种假设。AB 测试是一种有效的实验设计方法,其核心在于通过对比不同方案的效果来做出决策。在这一过程中,我们强调的是在同一时间维度对相似属性的用户进行测试。这种方法的优势在于其能够规避时间、季节等因素对结果的影响。同时,通过保持属性的相似性,我们也能够将地域、性别、年龄等其他因素对效果统计的影响降至最低。
举例来说,在一个项目中,我们需要验证诸如外呼文案、短信文案、利益点、人群策略以及各种粒度的人群细分等多个因素。这要求我们不断进行实验和测试,以便找到最佳的方案。在这一过程中,我们通过监控实时回流数据,利用不同的链接和落地页参数,然后对这些数据进行深入的分析。这帮助我们更好地理解用户的行为和偏好,从而进一步优化我们的人群定位和策略。
通过 AB 测试,我们能够对不同因素的影响进行量化分析,从而找到最佳的解决方案。这种方法可以帮助我们更好地理解用户行为、优化产品和服务、提高用户体验,最终实现业务目标。在实践过程中,我们不断地进行优化和测试,直至找到最优方案。
我们可以为客户带来更多用户分群的可能性,帮助客户实现更多维度的精准化运营。
码字不易,点赞关注我呀👍