【消息推送策略】的产生、演化、发展——以京东到家为例

课程截图

以一个小的策略为例,看看在完整的产品循环下策略的通用方法论是如何应用的——京东到家的消息推送策略

首先回顾下策略工作的通用方法论


课程截图

理解产品目标

产品目标:通过消息出大用户,实现相应的转化目的

核心指标:消息点击率

注意:

本案例中覆盖的消息仅指活动类消息,不包括各类业务消息(比如订单发货、退款、订阅更新等业务环节的提醒)


版本0.0:人工推送

产品方案:运营同学写好文案,通过简易的消息推送工具给全部注册用户发送消息

推送效果:点击率只有0.5%


发现问题

采用阶段性调研的方法


课程截图

问题分析

理想态:所有人都点击

未达理想态:有99.5%的人都没有点击,怎么拆解?

PM对用户的理解还较少,提出新的分析思路:反向看点击的人,对比点击的人和没点击的人有什么差异,试着分析其中的规律


课程截图

进一步分析:

1)这次推送对活跃用户的效果更好,点击率大概7.4%,非活跃用户只有0.1%。虽然预期会有差异,但是差距太大,需要试着优化针对不活跃用户的推送内容

2)活跃用户中,android点击率23%、iphone用户点击率3.5%。差异非常大,不符合认知,猜测可能大量iphone关掉了app推送


版本1.0:增加基于用户分层的推送

产品方案:

1)基于用户基础信息和历史行为挖掘用户标签:活跃程度、手机平台

2)运营可根据标签配置不同的文案和推通道

3)增加短信推送通道


课程截图

推送规则:iphone增加短信通道一起推送,android仅进行app推送

效果回归

推送效果:点击率提升至1.5%

1)活跃用户点击率提升至11%,其他用户点击率0.5%,都提升明显

2)iphone点击率0.7%,android用户点击率2.4%,iphone转化率依然不高

结论:短信通道的效果不好,需要分析问题。另外,可以进一步分析其他待优化点。

问题分析

首先分析短信通道问题,发现:

1)app中没有埋点,所以点击短信短连接后无法调起app

2)而且短信中的短连接没有加统计标识,打开的移动端网页不知道这是短信带来的流量

然后对没有点击的个用户群各自抽样分析,发现:

1)没有点击的用户都是曾经很少买或没有买过肉蛋奶类商品的用户。在活跃用户中表现尤其显著。

2)同时补充抽样点击用户,发现86%的用户都有>2个包含该品类的订单

——可以考虑更细化的推送内容


版本2.0:个性化的内容推送

产品方案:

1)收集更多用户历史行为(订单、收藏、搜索、浏览等),建立更加细化的用户标签,用于内容推荐

2)收集平台商品上架和价格等信息的变化和常规活动信息,作为待推送内容集合

3)根据用户标签和候选内容,生成基于每个用户兴趣的内容

4)设置推送频率限制,在允许频率内,当某用户存在可推送内容时,自动进行推送

此时,运营同学只需要配置各类兴趣维度的模板,系统自动发起推送。


课程截图
课程截图

效果回归

推送效果:点击率提升至2.5%

1)iphone点击率2.1%,android用户点击率2.6%,两者非常接近了,符合预期

2)优化内容后,各类用户的点击率均有可以明显提示

结论:比较符合预期,可以进一步分析其他待优化点

继续对比点击和未点击用户差异,并随机抽取用户详细分析,发现:

1)各推荐维度在不同品类上有不同表现

2)不同用户对同一种推荐维度的点击率也差异很大

3)同一用户在不同时间段的点击率有比较明显的差异

——可以在推荐特征中增加品类和用户历史点击数据;可以将推送时间纳入个性化推荐


版本3.0:基于反馈的推荐系统

产品方案:

1)将推送时间纳入推送控制

2)继续丰富推荐使用的标签数据

3)将每个用户的点击行为作为推荐优化的重要依据,不停迭代


课程截图

总结

消息推送的效率本质:给合适的用户在合适的时间点发送合适的消息

【合适】最初由PM定义,最终根据数据反馈确定

课程截图


在这个完整的案例中,产品一步步进化,从功能到策略、从简单策略到复杂策略,我们依次优化了消息推送的四个要素,达到了相对理想的状态。

在这个过程中,我们仅以问题驱动,并加入了优先级判断的分析。

而在实际项目中,限于成本收益和平台数据的积累程度,很多消息推送策略停留在1.0或2.0版本即中止进化了。




以上为三节课策略产品课程个人学习笔记。

你可能感兴趣的:(【消息推送策略】的产生、演化、发展——以京东到家为例)