“你们的方案看起来不错，但是我们公司非常看重KPI，可以做一份通过你们解决方案带来的ROI预测吗？”
这是Convertlab鞋服行业品牌客户的一个要求，该客户聚焦鞋服快时尚领域，在国内稳扎稳打了近30年，与它同个时期创业的品牌，很多都已经在行业大浪淘沙中消失身影，但该品牌却仍然保持着增长的势头。
即使是在疫情影响的近一两年里，该品牌依然有很大一部分的收入来自线下门店，全国数千家店的会员数量加起来近千万。
当然，这也意味着在线上营收场景的还有很大的增长机会。
该品牌并不是没有去做过数字化营销的尝试，反而是早几年就开始探索过“实时营销”，结果却没有满足期望，于是按下了暂停键。在及时止损的同时，等待时机重新出发。
经历了这几年国内数字化营销的发展，品牌标配的微信公众号、小程序、企业微信、电商平台、短视频平台等渠道发展，沉淀了足够多的存量用户数据资产，该品牌客户重新出发的时候到了。
客户希望通过Convertlab一体化营销云工具，对用户进行精细化运营，通过个性化和自动化营销，大幅度提升新客和老客的复购率；同时整合多个渠道触点，实现数字化运营能力闭环，全面提升企业数字化营销效率。
过去，企业的订单分类筛选等全部由人工完成，需要手动拉取人群包，由于会员数量庞大，手工筛选人群都要花费近一周的时间。
现在，通过Convertlab营销云发起一场营销活动，实时筛选人群进行分组只需要几分钟就能完成。
客户的数字营销效果获得了极大的提升，一场活动带来的销售额高达5千万，用户复购率直线上升，整体项目的ROI数值包含软件采买费用后依然高于行业平均水平。
那在这个过程中Convertlab针对用户精细化运营做对了哪些事情，帮助客户获得了复购率的提升？现在来一一拆解：
历史数据分析与洞察
设计可落地的业务场景策略
在营销场景中，“人-货-场”是一个经常被提起的概念。在这里面有一个很有意思的点是，人-货-场的顺序很重要不能乱，想帮企业卖货，第一个就要把人研究透。
Convertlab先做好了用户数据的身份统一，打通企业门店、微信公众号、小程序会员、企业微信等渠道的数据，补全行为数据，全渠道整合得出清晰的用户画像（user profile）。
因为后面会提到另一个用户画像（user persona）在这里也跟大家分享下两者的区别：
用户画像（user profile）偏理性，一般基于用户在系统里产生的真实数据、行为特征和用户主动填写的行为资料，利用已经获得的数据，用来勾勒用户需求、用户偏好的数据分析方法。
用户画像（user persona）偏感性，一般来自于用户访谈、用户研究，比较抽象和感性，帮助大家去认识当前的产品所主要服务的用户是一些什么类型的人，用于运营与数据分析等场景。
基于上面的数据治理基础，将全渠道产生购买的人群分为新客、老客、活跃老客、沉睡客四类，针对性地对用户历史复购订单数据进行分析，得出复购关键因子。
如何理解复购关键因子？就是决定用户复购转化的关键点，可能是某款商品，也可能是某个客单价区间。
通过人群定义与复购关键因子分析，再对同组人群的关键沟通时间点分析，建立后期触达的沟通频次，在不打扰用户的情况下，精准传递活动信息。
品类偏好标签：
基于用户全网行为进行聚类分析
并通过算法帮助品牌判断用户偏好
先跟大家简单的解释下什么是聚类分析？聚类原本是统计学上的概念，现在属于机器学习中非监督学习的范畴。
从定义上讲，聚类就是针对大量数据或者样品，根据数据本身的特性研究分类方法，并遵循这个分类方法对数据进行合理的分类，最终将相似数据分为一组，也就是“同类相同、异类相异”。
在进行聚类分析时，大家并不知道具体的划分标准，要靠算法进行判断数据之间的相似性，把相似的数据放在一起，探索和挖掘数据中的潜在差异和联系。
在对用户购买行为进行聚类分析时，要首先设计好商品品类的标签，从大类标签到中类标签再到小类标签，一层一层的细化。设计好标签体系后，通过聚类分析对用户商品偏好进行分析，最终得出不同人群的商品偏好标签。
通过对大量用户群体数据的分析，构建出多个user persona用户画像模型。比如其中家庭用户群体的画像模型，人群的特征是30～40岁、有孩子、折扣敏感、客单价150-200之间等。
通过这些人群特征，去挖掘用户潜在需求，同时结合历史数据分析出对应人群的关联商品。比如在夏季买过T恤的人，推送对方短裤相关的上新/优惠券，购买转化会更高。
在设计精细化运营策略过程中，Convertlab从分析人到分析商品再到人+商品一起，逐步迭代运营策略，不断地去每个场景做细分，通过个性化内容沟通，实现精准推荐提升转化。
02
有了前面做好的人群包分组和用户商品偏好标签，下一步是个性化沟通策略的落地。策略靠人来不断细化和输出，系统去自动执行一系列的精准营销流程。
依据新客、老客、活跃老客、沉睡客四大人群场景，划分了对照组与测试组进行实验。测试组选用个性化内容进行沟通，如在内容中提到该对应人群的复购关键因子，挑选关联度高的复购商品推荐/赠送优惠券等；在对照组，默认发送对组内所有人群都一样的促销活动信息。
两组人群的转化效果截然不同，测试组人群转化率提升了750%。这个反馈让客户也有了极大的信心，尝试全面推进个性化营销，进一步提升存量用户的复购率。
依据Convertlab过往鞋服零售行业服务的经验，会发现对用户的关键沟通时间节点一般是7天一次，效果最好。
可以看到下图在沉睡客的举例中，沟通频次的时间节点一般是以7天为单位展开，比如2周14天4周28天，同时结合节日/大促时间/特殊纪念日等场景一同展开，让二次营销自然触达。
中间根据顾客的行为反馈，实施调整营销策略。如顾客依然没有进行复购，换个策略再次进行商品推荐；顾客产生复购的情况下，可使用优惠券Push他产生更多消费。
在这个过程中间，也要去筛选客户的偏好渠道，比如看用户在微信公众号、短信、企业微信社群等哪个渠道的响应次数最多，通过用户偏好的渠道来进行触达。
有些用户几乎不看品牌过去发的短信，一次都没有转化过，那在短信营销的时候就可以把这群用户拎出来，让这部分之前浪费的营销预算花在其他更有价值的地方。
微信公众号图文打开率受到短视频赛道冲击逐年下降，各个平台都在争夺用户的注意力时间。如何在逆势中找到新的增长点？对微信图文分组个性化推送是个好方法。
经过对全渠道的数据整合，可以得出微信粉丝人群的品类偏好，通过人群分组推送个性化微信推文，实现微信图文打开率的提升，进一步带动用户购买转化率与客单价的提升。
尤其是对于拥有成百上千万粉丝的品牌公众号来说，粉丝越多图文打开率的越高，反馈在购买转化上的效果就越明显。
03
数字化运营效率提升
反哺业务场景赋能营销闭环
搭建好Convertlab一体化营销云系统，能够将CDP（客户数据中台）与 AD hub智能广告平台进行对接，连接公域和私域，加速营销全链路的数字化、自动化、智能化，赋能品牌营销的效果升级。
落在具体的业务场景可以从库存清理和爆款打造两个场景来举例：
秋天过完了，还有一批男士单鞋的库存量很大，怎么快速清理库存？
市场营销部门有了计划，针对过往购买男士单鞋的人群数据，筛选出这群人的用户画像，借助lookalike技术通过这批种子用户进行媒体侧第二方数据的拓展，快速建立广告投放模型，找出更多相似的消费人群，触达更多潜客提升转化。
只要是卖货就逃不过打造爆款。但宝洁的那套大渗透大渠道的玩法已经不再流行，现在的营销更适合将大渠道拆分为多个小渠道，在每个小渠道里做大渗透。
就拿在朋友圈广告投放来举例，目标人群用户画像不精准的话，投放转化自然不会高。通过DMP平台进行实时监测，对比投放用户画像与目标用户是否一致，指导前端投放标签更精准。
经过上面数据分析、用户画像、个性化触达、公私域联动这一套组合拳下来，该品牌客户的用户运营也从“浅水区”走向“深水区”。
过去，企业坐拥大量会员数据，却难以发挥数据价值，会员运营简单粗暴，缺乏精细化管理的思路和手段。在广告投放上的效果也不太不理想，拉新和转化效果不佳，ROI低于平均水平，让品牌对拉新失去信心。
现在，企业通过Convertlab一体化营销云打通全链路触点数据，结合深度用户画像洞察，激活数据价值。通过智能模型和算法，聚焦精准化沟通驱动业绩增长，从公域传播拉新到私域促活转化，互相联动形成有效营销闭环。
