京东 A 产品是支付工具，也是一款稳健的理财产品。做为支付工具主要看向其他业务线带来多少用户和保有；做为灵活稳健的理财产品主要看如何拉新且留存，提升用户量级的同时增加保有量；我们围绕这两点来展开分析。
运营策略
618 是 A 产品从商城获客非常重要的时机，各种策略运营归纳为 2 大类: 拉新和促活，从这两类延伸思考 A 的运营策略如下：
1、拉新：
- 开通京东 A 产品送支付券大礼包
- 送现金红包开 A 产品户成功后到余额，用户可自由支配余额
2、促活：
- 用银行卡转入到 A 产品余额，享加息
- 用银行卡首次转入 A 产品享受支付大礼包，可用于商城购物，充话费，还信用卡等
- A 产品新手可买专享理财
数据分析过程
分析思路：
- 第一步：对比各营销活动费用、成本、转化率, 利益点的使用率等。
- 第二步： 对比各营销策略用户后续转化率、转化行为（如申购、生活消费、理财消费、商城消费），赎回、持仓等。
分析过程：
1、营销活动转化分析思路
营销活动五花八门，如加息券、支付券，现金红包等。但无论营销活动形式如何变化，归纳为三点：
- 营销活动用在什么粒度上（开户、转入、sku），发给谁（user）
- 是否使用了优惠券（status）
- 使用的优惠券类型（type）
为了后续分析维度建模将成本、转化率细分到每个 sku 和每个用户做准备。
**2、分析维度建模
2.1 运营策略转化模型逻辑：
根据以上营销逻辑，下面按照不同营销活动归纳汇总各营销活动，各营销活动和策略分散在 4~5 个系统中，用活动产品信息表活动 ID，关联活动明细表的活动 ID，再根据业务逻辑得出运营策略转化模型 (如下图)：
2.2 各运营策略留存事实表逻辑 **
① 关联「各运营策转化率事实表」「开户表」两张表的“用户编号”，得出每活动页带来的开户用户、算出每个活动带来的开户转化率；
② 再关联「交易表」的“用户编号”，得出每个运营策略激活转化率和各用户的消费、赎回等留存行为和持仓维度模型；
③ 最后用 ①和②关联得出「各运营策略留存事实表」用该表分析个运营策略的用户留存行为。如下：
数据分析应用
1、从用户开户且激活的角度，看各活动转化率对比，雷达图可得出 C 活动效果最好, C 是长期且成熟的运营项目、深入分析该活动曝光量、活动逻辑、产品流程，整体体验较好，转化率较高。
2、综合对比各活动人均开户成本和开户转化率，C 活动效果最好，开户转化率较高且人均开户成本较低； G 活动效果最差，开户转化率低且开户成本高，深入分析 G 活动后得知，该活动发奖逻辑跟其他活动重复，本活动带来的开户少，券使用率高，以至于平均开户成本增高。
建议：优化发奖逻辑，避免重复发奖, 优化细节这里不列举了。
3、每个活动汇总后，根据运营策略分类，对比各运营策略用户留存、转化率。得出以下：
-
开户率和激活率对比，三种运营策略中，红包拉新和支付大礼包拉新对比，支付大礼包的激活率较高，但红包拉新的用户绝对值较高、整体看红包拉新效果好，但是用户质量相对较低，激活率偏低,。
建议：根据用户特征精准推荐 A 产品的功能，激活用户；
-
转化到其他理财业务线的留存行为对比，三种策略用户理财消费转化率对比，支付大礼包的促活的用户，理财转化率最高, 三种策略的用户都可享受加息, 但只有支付大礼包的用户理财转化率最高, 但整体大礼包的使用率不高，深入用户行为和特征后发现大礼包的券的类型，并没有满足大多数用户的行为 + 特征。
建议：根据分析结论用户特质优化券的类型。
PS: 以上分析思路纯属抛砖引玉，具体分析角度非常丰富, 在此不一一列举。
后记
近年来流行的“Growth Hacker”的核心，其本质就是通过技术创新和数据分析，实现精细化运营，达到增长的目的。在实际业务工作中，数据分析和业务运营精密相结合，不断尝试，用数据来优化运营策略，进而实现客户和业务的增长。
评论