本文作者經(jīng)歷了三次改版，四次評審，N 次權(quán)衡，然后總結(jié)分析了要如何給新用戶推薦一位“老用戶”，進(jìn)而提升會員轉(zhuǎn)化率和商品交易額？

策略往往是一套由數(shù)據(jù)驅(qū)動，存在于產(chǎn)品當(dāng)中的一套規(guī)則與機(jī)制。

換個角度解釋：如果一家企業(yè)的核心業(yè)務(wù)高度依賴于人的工作，員工的管理問題可能會是復(fù)雜度極高、且穩(wěn)定性較難保障的；而一家公司的核心業(yè)務(wù)如果是依賴于機(jī)器在跑，那么則將是很穩(wěn)定并且可持續(xù)的。而機(jī)器的運(yùn)轉(zhuǎn)，需要被規(guī)則來約束，而那些支撐機(jī)器運(yùn)轉(zhuǎn)的規(guī)則，就是策略。

某日，接到一個有趣的需求 ：如何給新用戶推薦一位“老用戶”，進(jìn)而提升會員轉(zhuǎn)化率和商品交易額？

分析主線：給新用戶推薦一位老會員用戶， 使得老用戶獲取自然流量，進(jìn)而老用戶因邀請返利促使他和新用戶建立關(guān)系，最后幫助產(chǎn)品自然轉(zhuǎn)化更多會員。

分析輔線：

1. 新用戶注冊時即給他推薦老用戶，那么我需要優(yōu)化現(xiàn)有注冊登錄流程。
2. 產(chǎn)品日后注冊分為：自然流量（即：在App Store中搜索注冊的用戶）和邀請注冊（即：通過邀請鏈接建立關(guān)系的用戶）。
3. 需要給每位新注冊的用戶推薦一位“會員上線”。

我經(jīng)歷了三次改版，四次評審，N 次權(quán)衡。

第一版：功能產(chǎn)品

功能和策略的區(qū)別在于：功能是針對“一個人”相對聚焦的需求，策略是針對“一群人”更加多樣的需求。

第一個版本就是以功能性思維的方式思考：用戶注冊>選擇注冊方式>驗(yàn)證密碼>隨機(jī)推送一個會員用戶>確認(rèn)會員用戶>注冊成功。

分配上線使用的是用戶選擇，也就是說：用戶在首次使用產(chǎn)品時選擇的“上線”與自己并沒有直接聯(lián)系，用戶選擇誰只能通過誰的頭像漂亮或者名字好聽來選擇。

設(shè)計時保留了原有賬戶登錄體系，看似簡潔，實(shí)則并沒有解決問題，只是從功能的角度滿足了每一位新用戶都必須選擇一個“上線”的底層需求，并沒有達(dá)到“目標(biāo)”。

在需求評審環(huán)節(jié)果然有多個問題在此不表，其中產(chǎn)品部五星級leader說：

“你可以嘗試，通過不同渠道的人推薦不同的上線，因?yàn)樗麄兊膩碓葱枨笫遣煌摹薄?/p>

聽后，瞬間領(lǐng)悟到可以通過推薦策略來解決這個問題。

第二版：策略產(chǎn)品

策略產(chǎn)品經(jīng)理需要解決的核心問題，是人與信息的匹配問題，讓用戶在有限的時間里，盡可能看到讓他感興趣的事情且最終引導(dǎo)用戶達(dá)到“理想態(tài)”。

策略有萬能的四要素：

1. 待解決問題：策略是圍繞著某個問題產(chǎn)生的，比如：閱讀產(chǎn)品如何讓人們看到各自喜歡的內(nèi)容。
2. 輸入： 有了具體的問題那么接下去思考影響解決方案的因素，如：影響人們看到喜歡內(nèi)容的因素可能有：地域、時間、用戶歷史瀏覽行為、標(biāo)簽、熱點(diǎn)等等。
3. 計算邏輯：明確哪些影響要素后，根據(jù)你的產(chǎn)品目標(biāo)去梳理各種可能發(fā)生的情況，排除先后順序后給到算法工程師，由他們給各種因素的權(quán)重賦值，最后轉(zhuǎn)化為計算公式。
4. 輸出：最后將排序由高到低輸出給用戶即：你看到的閱讀產(chǎn)品新聞先后順序排列。

思路打開后進(jìn)而分析得出：

1. 需要了解新用戶的來源方向根據(jù)不同渠道來源分配不同屬性的“上線”。
2. 渠道分為商城公眾號和內(nèi)容APP，我們判斷：從內(nèi)容APP上自然注冊用戶分配的上線屬性為：“內(nèi)容達(dá)人”，從商城公眾號上自然注冊用戶分配的上線屬性為：“交易達(dá)人”。
3. 后臺需要建立一個“推薦庫”，為每個待推送的會員根據(jù)在平臺上的使用記錄打上：內(nèi)容達(dá)人或交易達(dá)人的標(biāo)簽。

核心主旨：更加了解待推薦老用戶，更加了解要注冊的新用戶，從而更高效的促進(jìn)會員普通用戶之間的連接。

1. 待解決問題（理想態(tài)：即你最終想要達(dá)到的理想狀態(tài)）

從大量會員中推薦當(dāng)前注冊用戶最易接受的上線綁定，提升會員轉(zhuǎn)化率和商品交易額。

2. 輸入（影響理想態(tài)的因素）

2.1 內(nèi)容APP 端

（1）注冊用戶屬性

• 城市：便于用戶開展線下同城活動和中國自古以來的戶籍同地親屬感文化。
• 寶寶年紀(jì)：相近寶寶年紀(jì)的家屬更有討論的話題。
• 寶寶性別：同性別寶寶啟蒙教育更有交流相關(guān)性。

（2）推薦庫屬性

① 基本屬性：

• 會員城市：同區(qū)>同市>同省
• 會員寶寶年紀(jì)：0~2、2~4、4~6、6+
• 會員寶寶性別：男、女

② 內(nèi)容屬性：

• 團(tuán)隊(duì)開通會員數(shù)量：通過團(tuán)隊(duì)開通會員的數(shù)量考核被推薦會員的能力，默認(rèn)團(tuán)隊(duì)會員數(shù)量多的管理者更容易轉(zhuǎn)換新用戶。
• 團(tuán)隊(duì)打卡數(shù)量：通過團(tuán)隊(duì)開發(fā)梳理考核團(tuán)隊(duì)活躍度，默認(rèn)團(tuán)隊(duì)會員打卡數(shù)量多的管理者更容易轉(zhuǎn)化新用戶。

2.2 商城公眾號端

根據(jù)不同端注冊的用戶需要提交的消息不同，盡可能的簡化用戶需要操作的地方。

（1）注冊用戶屬性

城市：便于用戶開展線下同城活動和中國自古以來的戶籍同地親屬感文化。

（2）推薦庫屬性

① 基本屬性：會員城市：同區(qū)>同市>同省。

② 購物屬性：

• 級別：推薦即將到達(dá)中堅會員等級的用戶，如：團(tuán)隊(duì)25 人升為中堅會員用戶，那么推薦團(tuán)隊(duì)人數(shù)20~24之間會員用戶。
• 團(tuán)隊(duì)開通會員數(shù)量：通過團(tuán)隊(duì)開通會員的數(shù)量考核被推薦會員的能力，默認(rèn)團(tuán)隊(duì)會員數(shù)量多的管理者更容易轉(zhuǎn)換新用戶。
• 團(tuán)隊(duì)商品銷售總額：通過團(tuán)隊(duì)商品銷售總額考核被推薦會員的能力，默認(rèn)團(tuán)隊(duì)商品銷售總額越多的管理者更容易轉(zhuǎn)換新用戶。

3. 計算邏輯

梳理出影響理想態(tài)的因素后，需要根據(jù)影響因素給出各種狀態(tài)的影響排名。

基礎(chǔ)規(guī)則：

1. 所有被推薦用戶都有身份標(biāo)簽：內(nèi)容達(dá)人或者交易達(dá)人。
2. 如果用戶從內(nèi)容APP注冊推薦內(nèi)容達(dá)人的上級；如果用戶從商城公號注冊推薦交易達(dá)人的上級。
3. 團(tuán)隊(duì)會員數(shù)量：按照團(tuán)隊(duì)開通會員數(shù)量正序排列每個城市取前10位，按照正序分配，一輪結(jié)束后繼續(xù)循環(huán)分配。

3.1 內(nèi)容APP 端

APP影響因素權(quán)重排名：城市>年紀(jì)>團(tuán)隊(duì)開通會員數(shù)量>團(tuán)隊(duì)打卡數(shù)量>性別。

影響因素子集說明：

不同狀態(tài)排名順序：

3.2 商城公眾號端

公眾號影響因素權(quán)重排名：城市> 升級人數(shù) > 會員銷售數(shù)量 > 商量銷售總額。

影響因素子集說明：

不同狀態(tài)排名順序：

4. 輸出

第三版就是配合算法工程師根據(jù)影響因素和排名設(shè)計算法，最后新用戶注冊填寫信息后由策略自動分配會員用戶給到新用戶，會員用戶因利益驅(qū)動自然可以為產(chǎn)品無限的轉(zhuǎn)化新會員。

題圖來自Unsplash，基于CC0協(xié)議
策略并非是一成不變的，策略根據(jù)不同用戶數(shù)量和不同業(yè)務(wù)理想態(tài)而變化，往往需要多次版本循環(huán)后才能達(dá)到理想態(tài)。所以需要建立效果監(jiān)控機(jī)制，在登錄注冊中需要預(yù)先做數(shù)據(jù)埋點(diǎn)如：各級頁面跳出率、填寫頁面退出率、會員用戶確認(rèn)跳出率、注冊成功率等進(jìn)而分析用戶注冊是否順暢，為下個版本循環(huán)做數(shù)據(jù)參考。

前期需要識別哪些用戶可以進(jìn)入“推薦庫”，為了更好的促進(jìn)會員用戶轉(zhuǎn)換新用戶為會員需要建立一套評分機(jī)制，核心參考指標(biāo)是：被推薦會員用戶轉(zhuǎn)化新用戶為會員的比例…..

以上是我近期對策略產(chǎn)品的一些淺薄理解和應(yīng)用實(shí)踐，歡迎大家來交流。

PS：那種對復(fù)雜情況通過抽絲剝繭般的解析，找出最優(yōu)解的感覺，非常非常爽。

本文由 @Aaron 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議