ユーザーオペレーション実践：生鮮スーパーマーケットのユーザーオペレーション事例共有

ユーザーのインポートに失敗し、原因がわからない場合は、どのように解決しますか?この記事では、生鮮食品スーパーマーケットを例に、既存顧客維持率が通常の新規店舗のベンチマークよりも低いという問題をどのように解決し、店舗がユーザーライフサイクルを改善できるようにするかを分析します。それがあなたにとって刺激となることを願っています。

運営背景：過去、ある生鮮食品スーパーマーケットの新店舗では、新規顧客が 100 万人いましたが、成長段階に入ったのはわずか 15% のユーザーで、既存顧客の維持率も通常の新店舗のベンチマークを下回っていました。このストアのユーザーライフサイクルを改善するにはどうすればよいでしょうか?

この問題を解決するために、ユーザー戦略をいくつかのステップに分割します。

1. 導入段階から成長段階までの典型的なユーザーパスと特性を把握し、最適化の焦点を見つける

2.補助金インセンティブ制度とリーチ制度の構築

3. 損失​​防止管理システムを構築する

1. 最適なパスに基づいて1対多の戦略を開発する

まず、成長段階に入ったユーザーの典型的な経路と特性を理解することです。成長段階の定義は次のとおりです。ユーザーの成長段階とは、ユーザーが安定した再購入サイクルに入る前に一定数の注文を行うのにかかる時間と定義します。分析により、35 日以内に 3 回注文したユーザーの解約率が大幅に減少していることがわかりました。これは、成長段階の定義を示す北極星指標です。

ユーザーパスインサイトの目的は何ですか?

1 つ目の目的は、導入段階から成長段階まで、ユーザーにとってパス 1 とパス 2 のどちらが優れているかを分析することです。

2つ目は、最適なパスに基づいて運用戦略を設計することです。

たとえば、この生鮮食品スーパーマーケット アプリには、ユーザーが 1 ～ 3 回のコンバージョンを完了するための強力なパスがいくつかあります。

1. パス1: クーポンリスト - 使用へ進む - 利用可能なクーポン商品エリアで注文する
2. パス2: ホームページ検索コンバージョン
3. パス3: ホームページのアクティビティ領域

導入期間中、クーポンパスを通じて3回の注文を完了したユーザーの60％が60％の増加を達成しました。これは、新規ユーザーがアプリに留まり続けるための最善のパスは、新規ユーザーギフトパッケージの補助戦略であることを示しています。クーポンパッケージ戦略に一連の調整を加えました。たとえば、新しいユーザー タスクの進捗状況リマインダー製品をリリースしました。ユーザーが注文するたびに、次回の注文の割引と、3 回の注文完了後のサプライズ ギフト パッケージがページ上部に表示されます。これは非常にシンプルなインセンティブシステムです。この製品は、新規顧客のファネルを 1 から N に改善する効果が大きく、2 件以上の注文に変換するユーザーの割合が 40% から 67% に増加しました。

「初回注文 + 各注文後の即時インセンティブ」モデルに基づいて構築されており、新規ユーザーの認知を事前に確保し、ユーザーが 0 ～ 3 件の注文コンバージョンを完了するように導きます。

2. 補助金とインセンティブ

補助金戦略策定：

まず、製品のプロモーションとユーザーを一致させる戦略を立てます。

第二に、利用者補助金の評価制度を確立する。

まず、リーチシステムでは、商品プロモーションのユーザーマッチングが最も重要です。たとえば、今日はイチゴのイベントで、明日はリンゴのイベントです。オペレーターがこのようなイベントを開始するたびに、どのユーザーにプッシュしてテキスト メッセージを送信するかが最大の悩みの種になります。対象範囲が無差別で、ユーザーが毎回煩わされるか、ユーザーのクリック データに基づいて単純な階層化が行われ、正確ではありません。

この問題を解決する鍵は、選好時系列モデルを使用することです。嗜好予測は推奨シナリオにおいて重要なタスクです。原理は、ユーザーが以前に購入したアイテムの順序とアイテムのインタラクション ラインの時間的減衰に基づいて、モデルを使用してユーザーの次のショッピング行動を予測することです。

推奨される時系列モデル操作は、SPSS 分析を通じて取得できます。

これがユーザー注文テーブルデータである場合、そのデータを使用して分析モデルを構築します。

目標は、この注文ベース テーブル データを通じてマイニング モデルを構築し、ユーザーの購入シーケンスの習慣をマイニングし、ユーザーが次の購入ノードで何を購入するかを予測することです。

当社では、SPSS を使用して時系列分析フローを構築し、データ モデルを使用して予測を行っています。

このデータ ストリームの出力は次のとおりです。

ユーザータイミング分析結果の翻訳:

ユーザーがリンゴと卵を購入した場合、次回リンゴを購入する信頼度は 100% です (実験データの過剰適合により、確率は 100% です。実際の注文データの場合、信頼度が高いほど、ユーザーがリンゴと卵を購入した後、次の注文でリンゴを購入する確率が高くなります)

第二に、ユーザーリーチと活動補助金評価システムをどのように確立するか。

評価指標はGMV改善率とROIの2つです。例えば、成長段階のユーザーオペレーションについては、成長段階のユーザーをふるいにかけて実験グループに分け、一部のユーザーをコントロールグループとしてランダムに選択するといった方法でABテストを実施します。たとえば、実験グループには 100 万人がいて、対照グループには 10 万人がいます。実験グループは5元の補助金クーポンから20元割引を受け、ターゲットを絞ったSMS通知を通じてコン​​バージョンに介入しますが、対照グループは自然なコンバージョンを妨げません。介入群の転換率は10%、対照群では6%でした。

クーポンを発行すれば必然的にコンバージョンが増加するため、介入戦略が有効であると言うのは必ずしも説得力がありません。そのため、GMV増加率とROI増加が期待どおりであるかどうかを確認する必要があります。

簡単に言えば、これは介入前と介入後の 100 万人の利益率の比較です。

GMV 改善率 = GMV 改善部分 / GMV ベースライン。たとえば、私たちの場合、GMV ベースラインが自然な変換注文に干渉しない場合は、60,000 になります。顧客の注文額20元に基づいて計算すると、GMVは120万元になります。介入後、15件の顧客注文に基づくと、GMVは150万、増加GMVは30万、GMV増加率は25％です。

次にクーポンのコストを計算してみると、50万元でした。 SMSコストは0.1元、10万元で計算され、合計コストは60万元でした。 ROI = 0.5 であることがわかりました。 20 から 5 を引くと期待値に達しないことがわかりました。次に、同じアイデアを使用して、45 から 10 を引いたクーポンをテストし、ROI が 1 よりはるかに高くなるまでユーザーの注文量を増やしました。これにより、この一部のユーザーに対する補助金が効果的であることが証明されました。

最終的には、ROI と GMV の改善率のマトリックスを作成し、すべての補助金、割引、クーポンをマトリックスに入力して、ROI と GMV の改善率が最も高いバブルがどこに分布しているかを確認できます。歴史の蓄積に基づいたプレイスタイルと戦略です。

3. ユーザーロス警告管理プロジェクト

月間のローリング解約率が約 10% の場合、早期警告プロジェクトが開始される前に、解約の定義を満たすユーザーが毎週選別されます。 MAU が 1,000 万人の場合、毎週のリコール対象者は約 100 万人になります。 SMSのクリックスルー率は約0.4％、注文コンバージョン率は5％です。一度に呼び戻せる人数は最大200人までです。リコール効率がいかに低いかは想像がつくでしょう。

早期警告モデルにより、月間平均ローリング解約率を約 6% まで削減し、早期介入コンバージョン率を 10% まで高めることができます。どうやってそれをやったか説明させてください。

1. 最初の部分はモデルを構築することです
2. 2番目の部分は、ユーザー層化の早期警告です
3. 3番目の部分はリコール戦略です

モデル構築には、解約時間ウィンドウの定義、解約機能の定義、アルゴリズム モデリングの 3 つの部分が含まれます。

解約時間を定義する方法は、解約回帰率の変曲点に基づいています。詳細には触れません。

解約機能の定義はモデル設計の中核です。機能を構築する際には、特定の解約シナリオからモデリング指標をマイニングします。たとえば、一部のユーザーが解約する理由は、配送サービスの体験が悪く、苦情が適切に解決されていないことです。このシナリオでは、配送数、苦情数、苦情解決率など、ユーザー離脱を予測するためのいくつかの指標を導き出すことができます。それらの間の相関関係を分析することができます。同様に、割引が少ない、製品の種類が少ないなどのシナリオもインジケーターで説明できます。

アルゴリズム部分は、バイナリ分類予測モデリングの問題です。使用できるアルゴリズムには、ロジスティック回帰、決定木などがあります。アルゴリズムの評価指標には、AUC 値、適合率、再現率などがあります。モデリング プロセス中に、これらのデータに基づいてサンプル機能が選別されます。

リコール戦略に関しては、警告を受けたユーザーは実際には解約していないため、ユーザーの過去の好みを把握し、ターゲットを絞ったリコール戦略を開発する時間は十分にあります。ただし、この戦略を実装する際には 2 つの問題があります。

1 つ目は、すべてのユーザー データをまとめてモデルに入力して、予測結果を取得することです。しかし、そうすると、多くの場合、問題が生じます。つまり、予測される離脱したユーザーはアクティビティが低い傾向があり、アクティビティが高いユーザーの予測される離脱リコールは基本的に 0 になります。したがって、このような問題を回避するために、アクティビティ レベルの異なるユーザーごとにモデルを個別に構築することができます。

2 つ目は、モデルの精度と再現率の両方を高いレベルで同時に達成することが難しいことです。このとき、警告対象に応じてパラメータを最適化することができます。高コストのリコール戦略（消費者バウチャーの発行）では、解約警告の正確さにさらに注意を払います。高カバレッジリコール戦略（ターミナル内プッシュ）では、解約警告のリコール率にさらに注意を払います。

上記は私の実践的な共有です。ユーザー操作は、洞察とモデルの構築と切り離せません。洞察には、モデルはもちろんのこと、ユーザーの行動パス、ユーザーの時系列習慣の分析と予測が含まれます。時系列予測モデルやユーザー離脱警告モデルの構築には、アルゴリズムエンジニアによるモデリングに加え、運用部門が SPSS 分析ソフトウェアを使用してユーザーモデルを構築できます。 SPSS の使い方を理解するだけで十分です。この方法だと、仮説を立て、結論に基づいて実行し、検証を素早く行うことができ、アルゴリズムエンジニアによるいわゆるビッグデータマイニングよりもはるかに効率が高くなります。ビッグデータマイニングはより洗練されてはいるものの、それでもまだ長いプロセスです。いわゆる効率がすべてを決定します!

著者：趙文彪、公開アカウント：ユーザー操作観察（ID：yunyingguancha）、ユーザー操作およびプライベートドメイントラフィックマーケティング分野のベテラン実践者であり、シナリオベースのユーザー操作とコミュニティマーケティングに関する実用的な記事と独自の洞察を共有することに重点を置いています。