ユーザーのインポートで異常が発生し、原因が特定できない場合、どのように解決すればよいでしょうか？この記事では、生鮮食品スーパーマーケットを例に、既存顧客維持率が通常の新規出店のベンチマークよりも低いという問題への対処方法を分析し、店舗の顧客ライフサイクルの改善を支援し、皆様の参考になれば幸いです。

事業背景：ある生鮮食品スーパーマーケットの新店舗は、導入期に100万人のユーザーを獲得しましたが、成長期に入ったのはそのうちわずか15%でした。既存顧客の維持率も、一般的な新店舗のベンチマークを下回っていました。この店舗のユーザーライフサイクルを改善するにはどうすればよいでしょうか？

この問題を解決するために、ユーザー戦略をいくつかのステップに分割します。

1. オンボーディング フェーズから成長フェーズまでの一般的なユーザー パスと特性を特定し、重要な領域の最適化に重点を置きます。

2.補助金・インセンティブ制度、リーチ制度を確立する。

3. 従業員の離職を防ぐための管理システムを確立する。

I. 最適パスベースのユーザーコンバージョン戦略（1対Nオーダー）

まず、成長ステージに入ったユーザーの典型的な行動経路と特性を理解する必要があります。まず、成長ステージの定義について説明します。私たちは、ユーザーが安定した再購入サイクルに入るまでの期間と注文回数を、ユーザーの成長ステージと定義しています。私たちのインサイトから、35日以内に3回注文したユーザーの離脱率が大幅に低下することがわかりました。これは、成長ステージを定義するための私たちのノーススター指標です。

ユーザー ジャーニーのインサイトを実施する目的は何ですか?

最初の目的は、導入段階から成長段階まで、ユーザーにとってパス 1 とパス 2 のどちらが優れているかを分析することです。

2つ目は、最適なパスに基づいて運用戦略を立てることです。

たとえば、この生鮮食品スーパーマーケット アプリには、ユーザーが 1 ～ 3 件の注文を完了するための強力なコンバージョン パスがいくつかあります。

1. パス1：クーポンリスト - 使用へ進む - クーポンセクションで注文する
2. パス2：ホームページ検索コンバージョン
3. パス3: ホームページアクティビティゾーン

導入期間中、クーポンパスを通じて3回の注文を完了したユーザーの60%がこれを達成しました。これは、アプリで新規ユーザーを維持するための最適なパスは、新規ユーザーギフトパック補助戦略であることを示しています。私たちはクーポンパック戦略に一連の調整を加えました。たとえば、新規ユーザーのタスク進捗リマインダー製品をリリースしました。ユーザーが注文するたびに、次回の注文の割引と3回の注文完了後のサプライズギフトパックが、どのページの上部にも表示されます。これは非常にシンプルなインセンティブシステムです。この製品は、1人の新規顧客をN人の新規顧客に転換するファネル効果の改善に大きな効果があり、2回以上の注文に転換するユーザーの割合が40%から67%に増加しました。

このモデルは、「最初の注文 + 各注文後の即時インセンティブ」というコンセプトに基づいて構築されており、新規ユーザーの認知を事前に固定し、0～3 件の注文を完了するように誘導します。

II. 補助金とインセンティブ

補助金戦略策定：

最初のステップは、製品のプロモーションとユーザーをマッチングさせる戦略を確立することです。

第二に、利用者補助金の評価制度を確立する。

まず、アウトリーチシステムにおいて、ユーザーとプロモーションオファーのマッチングは非常に重要です。例えば、今日はイチゴのプロモーション、明日はリンゴのプロモーションだとすると、運用担当者にとって最大の悩みの種となるのは、どのユーザーにプッシュ通知やSMSメッセージを送信するかということです。無差別に全員をターゲットにし、毎回ユーザーに迷惑をかけてしまうか、ユーザーのクリックデータに基づいて単純なセグメンテーションを行っても、正確性に欠けることが判明するケースが多々あります。

この問題を解決する核心は、選好時系列モデルを用いることです。選好予測は、レコメンデーションシナリオにおいて重要なタスクです。その原理は、ユーザーが過去に購入した商品の順序と商品インタラクション行の時間減衰に基づいて、このモデルを用いてユーザーの次の購買行動を予測することです。

選好時系列モデルの操作は、SPSS分析を通じて取得できます。

これがユーザー注文の基本テーブルデータである場合、そのデータを使用して分析モデルを構築できます。

目標は、この注文データを使用してマイニング モデルを構築し、ユーザーの購買習慣を明らかにして次に何を購入するかを予測することです。

私たちは、データ モデルが予測に役立つ SPSS を使用して時系列分析ワークフローを構築しました。

このデータ ストリームの出力は次のとおりです。

以下はユーザー時系列分析結果の翻訳です。

ユーザーがリンゴと卵を購入した場合、次の注文でリンゴを購入する信頼度は 100% です (これは実験データの過剰適合による 100% の確率です。実際の注文データでは、信頼度が高いほど、ユーザーがリンゴと卵を購入した後、次の注文でリンゴを購入する可能性が非常に高いことを示します)。

2つ目の質問は、ユーザーへの働きかけと活動助成金の評価システムをどのように構築するかということです。

評価指標は、GMV増加率とROIの2つです。例えば、グロースステージのユーザーオペレーションでは、グロースステージのユーザーを選別し、実験グループとランダムに抽出した一部のユーザーをコントロールグループに分け、A/Bテストを実施します。例えば、実験グループのユーザー数を100万人、コントロールグループのユーザー数を10万人とします。実験グループには20-5割引クーポンを配布し、ターゲットSMS通知によるコンバージョン介入を行います。一方、コントロールグループは介入を行わず、自然なコンバージョンを実現します。介入グループのコンバージョン率は10%、コントロールグループのコンバージョン率は6%です。

クーポン発行は必然的にコンバージョン率の向上につながるため、介入戦略が効果的であると言うのは必ずしも説得力がありません。そのため、GMV増加率とROIの向上が期待通りであるかどうかを確認する必要があります。

簡単に言えば、これは 100 万人の介入前と介入後の利益率の比較です。

GMV増加率 = GMV増加 / GMVベースライン。例えば、当社のケースでは、介入なしのGMVベースラインは6万件の注文が自然に転換されたものです。平均注文額を20元と仮定すると、GMVは120万元になります。介入後、平均注文額を15元と仮定すると、GMVは150万元となり、GMVは30万元増加し、GMV増加率は25%となります。

すると、クーポンの費用は50万元、SMSメッセージの費用は0.1元（10万元）と計算され、合計費用は60万元でした。ROIは0.5で、20から5を引いたクーポンは期待に応えられませんでしたね。その後、同じアプローチで45から10を引いたクーポンをテストし、ユーザーの平均注文額をROIが1を大幅に上回るまで増加させました。これにより、このユーザー補助金が効果的であることが証明されました。

最終的には、ROIとGMVの改善率を用いてマトリックスを作成し、補助金、割引、クーポンをすべてマトリックスに組み込むことで、ROIとGMVの改善率が最も高いバブルがどこに位置しているかを確認できます。これは、過去に蓄積された戦略と戦術に基づいています。

III. ユーザー離脱早期警告管理プロジェクト

月平均のローリングチャーン率が10%程度の場合、警告プロジェクト実施前は、チャーン定義に該当するユーザーが毎週スクリーニングされます。MAUが1,000万人の場合、毎週リコール対象となる人数は約100万人です。SMSのクリック率は約0.4%、注文コンバージョン率は5%で、1回あたり最大200人しかリコールできません。リコール効率がいかに低いかは容易に想像できるでしょう。

早期警告モデルは、早期介入によって月平均のローリングチャーン率を約6%まで低減し、コンバージョン率を10%まで向上させることができます。その仕組みをご説明いたします。

1. 最初の部分は模型の組み立てです。
2. 2 番目の部分は、ユーザー セグメンテーションの警告です。
3. 3番目の部分はリコール戦略です。

モデル構築には、解約時間ウィンドウの定義、解約特性の定義、アルゴリズム モデリングの 3 つの部分が含まれます。

解約時間は、解約率の変曲点に基づいて定義されますが、詳細については説明しません。

モデル設計においては、解約特性の定義が極めて重要です。特徴量構築においては、具体的な解約シナリオからモデリング指標を抽出します。例えば、配送サービスの満足度の低さや苦情の未解決が、一部のユーザーの解約に繋がるとします。このようなシナリオでは、配送回数、苦情件数、苦情解決率など、複数の指標を用いてユーザーの解約を予測することができます。これらの指標は、解約と配送の相関関係を分析するために使用できます。同様に、割引の制限や商品種類の制限といったシナリオも、指標を用いて説明できます。

アルゴリズム部分は、二値分類予測モデリング問題です。使用可能なアルゴリズムには、ロジスティック回帰、決定木などがあります。アルゴリズムの評価指標には、AUC、適合率、再現率などがあります。モデリングプロセスでは、これらのデータに基づいてサンプル特徴が選択されます。

リコール戦略に関しては、警告を受けたユーザーは実際には解約していないため、過去の嗜好を分析し、ターゲットを絞ったリコール戦略を策定する時間は十分にあります。しかし、これらの戦略の実施には2つの課題があります。

最初のアプローチは、すべてのユーザーデータをまとめてモデルに入力して予測を生成することです。しかし、この方法ではしばしば問題が発生します。予測される離脱ユーザーはアクティブ度が低い傾向があり、一方でアクティブ度の高いユーザーの離脱回復率は実質的にゼロになるからです。そのため、この問題を回避するために、アクティビティレベルの異なるユーザーごとに別々のモデルを構築することができます。

第二に、モデルが高い精度と高い再現率を同時に達成することは困難です。この場合、警告対象に応じてパラメータを最適化することができます。高コストのリコール戦略（消費者向けバウチャーの発行）は、解約警告の精度に重点を置き、高カバレッジのリコール戦略（アプリ内プッシュ通知）は、解約警告の再現率に重点を置きます。

以上が私の実践的な共有です。ユーザーオペレーションは、インサイトとモデル構築から切り離すことはできません。インサイトには、ユーザーの行動経路、ユーザーの時系列習慣分析と予測が含まれます。モデルは自明であり、時系列予測モデルやユーザー離脱警告モデルなどがあります。アルゴリズムエンジニアによるモデリングに加えて、オペレーションはSPSS分析ソフトウェアを使用してユーザーモデルを構築できます。SPSSの使い方さえ知っていれば、結論に基づいた迅速な仮説実行検証が可能になり、アルゴリズムエンジニアによるいわゆるビッグデータマイニングよりもはるかに高い効率が得られます。最も洗練されたビッグデータマイニングでさえ、長いプロセスです。効率がすべてを決定づけます！

著者: Zhao Wenbiao、WeChat 公式アカウント: ユーザー操作観察 (ID: yunyingguancha)、ユーザー操作およびプライベート ドメイン トラフィック マーケティング分野のベテラン実践者。シナリオベースのユーザー操作とコミュニティ マーケティングに関する実用的な記事や独自の洞察の共有に重点を置いています。