數據智能,驅動教育行業精益成長

作者:易觀高級數字營銷經理 趙巖

數據智能,驅動教育行業精益成長

數據智能驅動下教育行業不同業務場景的應用

在線教育一直是競爭比較激烈的行業,獲客成本在互聯網的行業裡算是中等偏上的,倒不是說客戶難獲得,而是競爭太激烈,良性競爭導致了彼此抬高了獲客單價。不過縱觀在線教育整個行業的態勢,未來幾年,在線教育只會越來越火熱,在這樣的大環境中,如何能先人一步勝出。在我看來,越早意識到大數據的重要性的企業,可能越早掌握獲勝的祕密。

在線教育的數據分析方法論跟通用互聯網企業的方向很像,但又有細微的差別。

如果在線教育的第一關鍵指標是獲客,那麼精細化運營的整體方案圍繞著用戶生命週期展開,這也是以獲客為最終目標的一個完整的漏斗。

如果你是在線教育的用戶增長負責人,會在哪些環節傾注精力提高最終結果?

我想會是:獲客,試聽,付費,續科、提高生命週期價值,以及整個環節的防流失。

一、獲客的關鍵:渠道優化

從引流到用戶註冊,這個階段要比較靠前,考驗的是渠道的分辨能力和流量的著陸能力。

在引流方式上,我們有線上的廣告,線下的活動和二維碼。在著陸方式上,有網站、App、小程序。

作為決策者會優先思考,哪個渠道效果好,好在哪裡,下半年我的預算如何分配能讓結果最大化。但是最優先思考的問題應該是,我應該從哪些數據指標上,看我目前的渠道狀態,以及我希望通過數據指標能給我哪些反饋。

對於渠道來講,我們會建議客戶分為收入型指標和用戶型指標。

收入型指標:渠道購買額,渠道ARPU,渠道ROI

用戶型指標:渠道新增用戶數,渠道用戶留存率,渠道用戶流失率

在數據看板上,可以根據這兩個不同的指標,創建看板,關注以及洞察。可以通過自定義指標,定義出ARPU和ROI,來幫助我們判斷渠道質量。

最簡單的方法就是根據渠道產生的訂單總額,但是根據訂單總額度判斷一個渠道的價值會有一些果斷,於是我們會根據不同的指標權重進行計算,最後得出一個綜合分值,再結合當時的決策來進行渠道選擇。兩種方法根據情況選擇。

不同的渠道如何優化轉化率?

通常要通過渠道自檢的方式先進行渠道的修復,例如sem裡的搜索詞精準度,以及著陸頁的匹配程度,廣告的連續性等。

接下來就要為不同的渠道下的細分類進行著陸頁設計,來提高轉化率

二、試聽意向用戶挖掘

試聽意向決定了下面的購課意向,前提是我們一定要花一些精力去打造我們的課程。

當我們想到試聽意向的時候,會優先想到,一個三級漏斗,那就是流量-試聽次數-購課次數,這個漏斗要持續優化,不過這次我們分享一個稍微進階的分析方法。那就是試聽行為分析。

思考:用戶會試聽多長時間開始購課,或者幾次?

分析目標:購課的用戶之前會試聽幾次?

分析過程:將近30天購課的用戶保存分群,通過事件分析,試聽時常和試聽次數結合分群交叉分析,我們會得出一個平均指導值。比如,平均試聽50分鐘,3次。

試驗方式:通過分群的選出試聽50分鐘,3次的用戶,進行群發召回。

三、付費用戶分析

付費用戶的分析是最核心的部分,通過對付費用戶的各種維度的分析總結,得到一個付費用戶的特徵畫像。

例如:

停留時長超過1分鐘

收藏過課程

試聽超過30秒

通過這樣的付費用戶分析,我們就可以做一個特徵畫像。保存分群后,在不同的方式下找到有這些共性的用戶,進行群發觸達,效果會好很多。

這有點像機器學習的過程,這個模型需要不斷的完善,不斷的實驗。

四、續課用戶分析

十分像電商業務裡的相關性分析,因為每個平臺都不一樣,所以機器學習還是要在自己平臺裡完成。

比如,我們先把過去30天,購買了數學的用戶分群,然後去分析,購買了數學的用戶還買了哪些課程。

此時我們發現,購買了數學的用戶還買了語文比較多。說明這兩個課程的關聯度較高。於是我們找出過去30天,買了數學,但是沒買語文的學生,給他們推送一些信息,告訴他們語文打折,來買吧。這樣的轉化率會高很多。

五、提高用戶生命週期價值

我們希望每個用戶可以儘可能多的支付,我們管它叫客戶生命週期價值。

首先要做的就是用戶分層,我們可以通過用戶的不同狀態給他們進行分層。比如,按照用戶的活躍程度,RMF價值度,學習情況,以及參與情況進行用戶分層,如果我們分了5層,就會得到5個不從層次的用戶,層次越高代表生命週期價值越高,我們希望可以讓低層次的用戶不斷的向高層次的用戶升級。

比較有效的做法是內容營銷,通過內容刺激用戶不斷的打開應用,完成相應的動作以及多次支付。

針對不同層的用戶發送不同的內容嘗試,可以有效提高用戶升級。

六、流失用戶的分析、預警、召回

流失是不可避免的存在,我們要做的就是儘量減少用戶的流失。轉化漏斗那樣的定點的優化,召回方式是比較直接有效的,當然還有另外一種方法,比如通過智能路徑的方式,知道用戶為什麼放棄支付訂單,也許是因為新人優惠券。

還可以結合第三方標籤來判斷流失用戶的特徵,建立特徵模版,通過特徵模版,來進行數據分析反推,找到近30天有次特徵的用戶,

比如說,我們發現註冊後,試聽不夠30分鐘的用戶容易在支付環節流失,那麼我們就應該對這樣的用戶格外關注,並且持續的對他們進行關懷影響不斷的降低流失率。

總結一下:圍繞在線教育的網站和APP的數據分析方向,我們除了可以通過不斷的優化產品,讓用戶更願意轉化外,還可以通過已存在特定分群的用戶特徵進行增長挖掘和流失預警。這屬於精準營銷的範疇。

當然,還有很多種分析方法可以探索,方舟是一個樂高,充滿了無限的想象和可能,期待大家能發揮更多的實力有更多的思考。

歡迎有數據分析需求的小夥伴,免費使用易觀方舟Argo

私戳作者本人,進一步探討用戶增長/產品運營/數字營銷

相關推薦

推薦中...