lao mai
京东到家消息推送
首先回顾下通用方法论:
产品目标（理想态分析）：通过消息触达用户，实现相应的转发目的
核心指标：消息点击率
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0.5%
结论：效果不好需要策略进行优化
发下问题的方法论：
版本0.0问题分析
理想态：所有人点击
未达到理想态：大多数每点击，怎么拆解？
pm对用户理解还较少，提出新的分析思路：反向看点击的人，对比点击的人和没有点击的人有什么差异，试着分析其中的规律
分析了两个人群之后，确实有一些差异
进一步分析：
a.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
b.活跃用户中，Android点击率23%、iPhone点击率3.5%。差异巨大，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：
a.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
b.运营可以根据标签配置不同的文案和推送通道
c.增加短信的推送通道（解决ios关闭推送）
推送规则：iPhone增加了短信通道，Android仅进行APP推送
版本1.0 -效果回归
推送效果：点击率提升到1.5%
a.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
b.iPhone点击率0.7%，Android用户点击率2.4%，iPhone转化率依然不高
首先分析短信通道问题，发现：
a.APP中没有埋点，多以点击短信连接后无法调起app
b.而且短信中的短连接没有加统计标识，打开的移动网页不知道这是短信带来的流量
然后对没有点击的各用户群格子抽样分析，发现：
没有点的用户都是曾经很少或没有买过肉蛋奶商品的用户。在活跃用户中表现尤其显著。同样补充抽样点击用户，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：
a.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，用户内容推荐
b.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
c.根据用户标签和候选内容，生成基于每个用户兴趣的内容
d.设置推送频率限制，在允许推送的频率内，当某用户存在可以推送的内容时，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
*[ ] 中内容由候选集合中相关字段自动填写
推送系统：用户标签和候选内容的集合，标签系统去挖掘各种用户的兴趣，候选内容挖掘商家动态，内容匹配规则将两者结合起来，加上一定的频率控制，推送给用户
版本2.0 -效果回归
推送效果：点击率提升至2.5%
a.iPhone用户点击率2.1%，Android2.6%，两者很接近了符合预期
b.优化内容后，各类用户的点击率都有所提升
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，并随即抽取用户详细分析，发现：
a.个推荐维度在不同品类上有不同表现（肉类在历史店铺上新转化率高、奶类比较低）
b.不同用户对同一种推荐维度的点击率也差异较大
c.同一用户对不同时间段点击率也有一定差异
— —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系统
版本3.0：基于反馈的推荐系统
产品方案：
a.将推送时间纳入推送控制
b.继续丰富推荐使用的标签
c.将每个人的点击行为作为推荐优化的重要依据，不停迭代
小结
消息推送的效率的本质：
给合适的用户 在合适的时间和合适的地点发送合适的消息
[合适] 最初由pm定义，最终根据数据反馈确定
在这样的案例下，产品一步步进化，从功能到策略、从简单策略到复杂，我们依次优化了消息推送的四个要素（用户、时间、内容、反馈），达到了相对理想的状态
在这个过程中我们仅以问题驱动，并未加入优先级判断的分析
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或者2.0版本就终止进化了
.
网友评论