[數據分析#9] CRM 案例實作 – 4個模型搭配科學化實驗方法實現用戶經營

本篇會分享之前在 honestbee 做外送員關係管理 (用戶關係管理 CRM) 的實際案例,在 On-demand platform 中外送員跟用戶是一樣重要的,因為有外送員,訂單才送的出去。(honestbee 當時是以隨時上線/隨時下線的外送員為主要服務提供者),因此只要少了外送員上線接單,那再多的客人跟訂單都沒有用。今天的內容會包含用戶輪廓分析、CRM 科學化實驗跟實際提升的成果。

[數據分析模型分享-提供下載] (RFM/NES/Cohort) Google Sheet/Excel CRM 模型範本

CRM 用戶輪廓分析

首先要先了解外送員的行為輪廓,當時我是透過以下幾種方法去勾勒出我需要知道的訊息:

1. AARRR 漏斗分析

AARRR (延伸閱讀:AARRR 每個階段的關鍵指標有哪些,如何透過數據了解每個階段的轉換率?) 是一個很快速可以了解用戶留存的方法。

  1. 第一個 A (獲取用戶 Acquisition) 階段中,要先搜集所有可能會獲取到新用戶的渠道
    • 當初我所使用的渠道有線上 (Facebook 名單型廣告、官網、Google 關鍵字廣告)、線下 (車行合作方案、線下說明會、推薦人),這邊我每月統計一次從這些渠道來的新外送員數
  2. 第二個 A (活躍度 Activation),是用戶有沒有 Call to Action?
    • 對我來說活耀度就是「到現場」完成外送員註冊、繳交證件、良民證的外送員數量
    • 如果你是電商、訂閱型 SaaS,那這邊可能指的是註冊會員
  3. 第三個 R (留存率 Retention) 可以自己定義月留存/周留存/還是日留存
    • 外送員每週上線人數是我的 KPI,因此留存率我會以「每週上線人數」來當作我應該關注的指標
    • 如果你們關注的是 DAU (每天上線人數),那這邊就要改成看日活存,以此類推
  4. 第四個 R (營收 Revenue)
    • 外送員不會為我帶來 Revenue,所以我改成看「實際有完成訂單」的人數
  5. 第五個 R (推薦 Referral)
    • 這個是我們在後期很關注的指標,因為 CPA (獲取成本) 越來越高,而且每週從線上買下來或是線下管道獲取的人數逐漸穩定,要快速建立更大的外送員群就需要依賴推薦系統,這邊會跟大家分享除了推薦獎金外,我們還做了哪些有趣的推薦機制!外送員

2. Aha Moment – 看用戶留存開始穩定是什麼時候

Aha Moment – The moment when new users first realize the value of your products. 先理解用戶覺得「哇!這個服務好好用!」的原因,才好思考如何盡量排除讓用戶覺得體驗好差的原因。

對我們的外送員而言,Mini Aha Moment 會在順利完成一單之後,Big Aha 會在收到第一份薪水後。因此 Aha 其實可以被拆解成很多不同個段落。

如果再往回推一點,我們如何找到 aha?這一點要從外送員 onborading 的經驗談起:如何成為我們 honestbee 的外送員呢?這個過程中會遇到什麼挫折,導致他們不想再跟我們合作?

[Onboarding Process]

  • 外送員開通帳號、繳交文件
  • 外送員開啟 App 準備接單
  • 手機快速進了一單
  • 開始外送
  • 餐廳沒有遲到,準時取餐後,開始外送
  • 抵達客人家後,客人清晰指示要電話聯絡,聯繫到客人後,完成一單
  • 外送員覺得輕鬆好賺~(mini aha) -> 驗證流失率:順利經過這一步後的流失率降低
  • 整整一週,有空就上線,每張單都很順利 (aha) -> 驗證流失率:順利經過這一步後的流失率再降低
  • 週結外送費,拿到錢了 (big aha) -> 驗證流失率:順利經過這一步後的流失率再降低
  • 接下來可以統計外送員在送了多少單之後,會對平台產生信任,以利留存 -> 這會是下一個 aha moment 發生的契機

因此對我們來說,提升外送員撐到 Big Aha 的機率,將會是維持 High Engagement、降低流失率的關鍵因素。接下來營運團隊就要確保在這些步驟裡可以順利滿足外送員。

3. 用戶訪談

用戶訪談 1 – No Aha?

可以從流失的外送員開始訪問,我們可以畫出這個 Onboarding process ,並且帶著外送員從第一步到他決定放棄我們的最後一步,看究竟是哪一步我們提供了不對的服務,導致他流失。

用戶訪談 2 – 了解用戶

這邊建議在訪談之前,把對用戶輪廓的疑惑列出來,多問幾個之後,或許可以統整出他們的共通點,這對於我們來說,在行銷通路或是福利規劃上會有幫助:

  • 薪資期待 -> 評估獎金
  • 職業、興趣 -> 尋找共通點

4. 用戶分群 – 找到不同群體間關鍵性的差別

  1. 顧客分群常見模型 – RFM, NES 模型
    • NES 是將用戶分成 New (新)、Existing (既有用戶)、Sleep (流失用戶):以外送員為例,我會計算每週我從不同渠道獲取進來的新用戶、觀察每週有上線的既有用戶、跟不再上線的流失用戶。
    • 如何透過 NES 模型操作用戶?以外送員為例,我會觀察有多少新用戶已經過了 aha moment,既有用戶會不斷去觀察 pool 要變大,才可以代表流失有被新進 cover,最後就是流失用戶我會訪談、我會統計他們在外送過程是否有共同遇到的問題 -> 例如說等待派單時間太長、在餐廳等候過久等等,找到這群流失外送員的共同可能性去 drive 相關部門幫忙解決或是和其他部門溝通
  2. 顧客分群標籤 – 個性化標籤
    • 為用戶貼上標籤以利我們做後續的行動:以外送員為例,我可以貼上他服務的區域、兼職或是全職、一週上線的時數區間等等,當我在某個地區缺乏人力的時候,我可以用標籤撈出這些外送員,發獎勵或是通知讓他們知道這一區有賺錢機會

4. Cohort Analysis – 看每個時間點獲取進來的用戶留存情況

可以用樞紐分析表的形式,縱軸放新客加入的月份,橫軸放每個月的留存狀況,這樣就可以看出來幾個統計數據:

  • 每個月獲取進來的新客在一段時間後留存率會穩定下來,這時候可以看一下穩定下來的這個數字是否是合乎目標
  • 哪一個月獲取進來的新客留存比較好,可以同步比較那一個月使用的渠道,也可以把渠道考慮進來,做每一個渠道的 Cohort Analysis

CRM 實驗

1. 從 AARRR 中提升轉換率

  1. 目標:獲取用戶 -> 成為活躍用戶
    • 5 分鐘快速開通服務、線上 Line@ 開通服務
  2. 目標:活躍用戶 -> 開始跑單並且通過 Aha Moment (上線次數超過七次,留存率會高達 80%)
    • 只要跑超過七次,就加碼 $XXX
    • 目的就是讓新手都可以有動機去跨越這個 Aha Moment,只要跨越,基本上留存率就會降到很低
  3. 目標:Aha Moment -> 每週都上線
    • 這邊開始就是 CRM 的重頭戲,因為要外送員願意捨棄別的平台,選擇我們,除了獎勵跟誘因外,我們需要想更多讓他們願意留下來的方法。這邊 CRM 科學化實驗,會在下面多做解釋
    • 我們在這個階段做了這些嘗試:派單系統要在 5 秒內完成、外送員端 App 產品設計、每月固定上線的累積獎勵…
  4. 目標:推薦更多外送員來接單
    • 推薦獎勵、混入外送員群組誇獎我們的營運團隊很貼心

2. CRM 科學化實驗解析

  1. 明確定義最終的目的 & 什麼結果可以判定為實驗成功?
  2. 最難的部分 – 如何找到可能成功的變因?
  3. 選定時間區間或是實驗組進行測試
  4. 確認實驗是否成功?
  5. 證實假說後,可以規模化這個結果

如何找到可能成功的變因?

從上面的例子,我們的目的是讓外送員每週都上線,如果週留存率有提升,就表示實驗成功,可以規模化這個變因。我們當初選擇了這幾個變因做測試:派單系統要在 5 秒內完成、外送員端 App 產品設計、每月固定上線的累積獎勵、營運專員處理問題即時… 這些都是透過用戶輪廓分析中的用戶訪談中得到的結果。

CRM 成功案例分享

CRM 科學化的典範大概就是 Amazon Prime 的推行了,延伸閱讀:Amazon Prime 如何成為 Amazon 的增長引擎?(筆者目前是 AWS 大中華地區用戶增長解決方案負責人,為企業客戶提供科學化的用戶運營顧問服務,從 Josie 的分享,讓我重新思考當初做的 CRM 服務還有很多可以改進的地方) Josie 把 Amazon Prime 的實驗描述得很清楚、不過我也看了三、四次才吸收,我這裡節錄文章重點,有興趣的可以再點擊延伸閱讀的連結查看細節!

Amazon Prime – CRM 除了維繫舊客也可以吸引新客

1. 會員服務也能成為獲取新會員的增長武器

電商平台的 CPA (獲取成本) 越來越高,如何便宜的獲取新會員也是很多人關注的問題之一。Amazon Prime 的推行不但在做既有用戶的 CRM,也便宜的獲取了很多新用戶。

2. 決定 ‘重本’ 投資 Amazon Prime 的原因

決定重本投資 Amazon Prime 會員的原因在看完實驗結果之後便呼之欲出:

  1. 實驗發現:Amazon Prime 會員年購買金額跟頻次 > 非 Prime 的會員,以 Growth Loop 的角度切入,Amazon 的成長動能會來自這些 Prime 會員 -> 決定經營會員服務
  2. 實驗發現:Amazon Prime 的用戶有 14% 來自 Prime Video -> Prime Video 包在 Amazon Prime 裡面可以吸引新戶,算了一下新客 CPA & Prime Video 投資是否合乎效益,發現 Prime Video 投資不虧

Spotify – 製作屬於你的故事書

1. Wrapped My Year! 病毒行銷 on IG Story

最早這個 Idea 我是從 Facebook 上看到,Facebook 會在相識紀念日幫我們製作我們與朋友的照片故事書。Spotify 則是在每年年底會把我們聽過的歌跟曲風做一個總結,做起來其實對公司來說不難,但是是一個很溫馨的 CRM 手法。除此之外,他把這個故事書做成 IG Story,讓大家在社交媒體上幫他們做病毒行銷。

【1 對 1 免費諮詢】數據分析師 0~1 培訓班陪你一路到轉職成功!

hi 我是 Lisa

你也是 0 經驗、沒有相關背景,但也想要轉職數據分析師,或運用數據分析,提升在領域的專業度嗎?

-

你是否也覺得,數據分析的網路學習資源很多,但是多到不知道從哪裡開始?

學了很多工具,但學完了,問題才真正開始,不知道業界怎麼使用?又該如何面臨工作跟面試?

-

我在 2019 年從營運專員的職位轉職到數據分析師

在這之後,因為數據分析,也讓我快速建構不同領域的知識:行銷、營運、商業策略、產品、網頁

轉職過程中,花了很多時間成本摸索

我發現,學數據分析最快的方式是:

  1. 確認自己跟市場需求之間的差距:訂定轉職策略及了解數據分析師的工作方式
  2. 以業界應用的角度學習工具:包括數據工具及分析用思維架構,並且如何高效運用
  3. 建立一個商業上的真實專案,並且得到回饋:打造屬於你及貼合職缺需求的作品集和專案
  4. 打造一個高效履歷跟面談:透過高價值包裝術拿下面試、成功獲得數據行業的門票

當初如果我有這套系統思維,應該可以在短時間內轉職,馬上拿到進入業界的門票

-

現在,我想把這套完整課程分享給你

這是專門為了 0 經驗、沒有相關背景的轉職者所設計

不需要去考研究所、不需要花大錢準備出國讀書

可以用最快的時間準備轉職、拿到門票!

-

如果你正在準備轉職數據分析師,且試圖找過解決辦法卻始終治標不治本!歡迎跟我預約免費 1 對 1 諮詢,我會在諮詢時,了解你的需求並且評估我是否可以協助到你!

電子書 職場人必學的數據分析術

Lisa Wu

Hi 大家好!我是喜歡探索身心靈健康及平衡的數據分析師 Lisa Wu!這個網站會幫助你:利用數據分析 (理性) 及 身心靈平衡 (感性) 的系統,去達成人生目標!如果你對我的人生系統工具有興趣,歡迎聯繫我:couplehonest@gmail.com