数据驱动「付费转化」的3个思路

前言

3400字，阅读约12分钟

“提升付费”永远是大部分企业的重中之重，本文基于这个主题提出3个亲历有效的思路

1. 产品路径漏斗转化，cover产品全生命周期
2. 北极星指标，拎出重中之重
3. 付费模型，一个死角也不放过

对于以上3个思路，我会分别从「是什么、适合什么场景、优势、弊端、怎么做」 等方面来展开。

思路1: 产品路径漏斗转化

1. 是什么？

量化业务的付费转化漏斗的每个路径转化率，提升各级转化率，最终达到提升付费的效果

2. 适合什么场景？

适合业务发展的初级阶段，这个阶段对业务漏斗还比较模糊，业务优化空间应该非常大，完全可以靠优化各级转化率来达到提升最终付费的目的 也适合【具有多条相似转化路径的业务】的场景，可以通过对比各业务之间的各级转化率，找出目标业务和优秀业务之间的转化率差距较大的路径，通过产品迭代/运营等手段来重点优化这些差距大的路径

3. 优劣

优势：能够清晰看到（多条）业务整体的漏斗现状，对于转化率高或者低的路径一目了然，有利于针对性的做优化。弊端：很有可能做成了“表面工夫”，也就是在提升某些路径转化率后，只做到把更多的用户更顺利的送进了付费界面，但是最后乐意付费的还是原来那小波人，总体上并没达到“提升付费”的目的。要避免这个弊端的话，请继续往下看。

4. 怎么做？

概括起来还是指标体系的那一套，我们分为3步法：

步骤1: 绘制产品路径图

简单来说，就是梳理出“在该产品生命周期里，用户的付费前的行为路径”，拿「美团外卖APP」举例，其产品基本的路径图如下：

步骤2: 建立多个维度

这个步骤是OLAP的主要特点、核心概念，旨在直接仿照用户的多角度思考模式，预先为用户组建多维的数据模型。维度是指用户的分析角度，而用户又被分为“固有属性”和“变化属性”，前者是指用户本身自带的一些不变的属性，比如“城市”、“性别”、“下载渠道“、“下载日期”等，后者是指会根据用户的行为而发生变化的属性，比如”是否付费“、“是否退费“等。一旦多维数据模型建立完成，我们便可以快速地从各个分析角度获取数据，也能动态的在各个角度之间切换或者进行多角度综合分析，具有极大的分析灵活性。

步骤3: 量化产品路径（转化率）

结合1和2，我们就可以计算不同维度下产品各个路径间的转化率，并绘制成图，该图作为产品关键路径的评价体系，能够量化该产品过去、当前的发展情况，帮助产品管理人员清晰的知晓哪些路径转化率高、哪些路径转化率低。

5. 举个例子

本验证采用数学证明的方法，还是拿美团外卖APP举例：

背景：

美团外卖APP的产品，产品最终目的是让用户走到【菜品支付成功】这个步骤，然而产品设计初期，这个步骤的转化率仅有5%（100个新增用户最后只有5个人支付成功），这个转化率远远没有达到产品经理的预期。于是产品经理希望通过OLAP找到产品支付路径上的折损位置，并优化该位置来把支付成功转化率从5%提升到8%。

思路：

1. 数值：

设备数 = 达到每个步骤的用户数 上级转化率 = 下级设备数 / 上级设备数 新增付费率 = 最终支付成功的设备数 / 新增设备数，也是我们优化产品路径的最终提升目标

2. 维度：

设备类型，下载渠道

3. 分析：

1）从【设备类型】维度上看各级转化率，发现平板设备的登录流程比手机要低很多。产品经理通过调研，发现是由于大部分平板没安装sim卡，导致后台不好获取手机号、用户也不能很方便的输入手机验证码，导致平板设备用户在一开始的注册登录流程就被卡住。因此我们重点优化平板设备的登录流程，如果能够把平板的这步转化率优化到和手机一样，那么平板设备最终的付费率将比手机还要高出3个百分点。

2）从【下载渠道】维度上看各级转化率（假设这里ios、华为是我们的2大主要用户渠道），发现华为设备的支付成功转化率比苹果相对高出了60%。产品经理通过调研，发现是由于ios设备走的支付流程不同于华为，ios会优先走“苹果支付”，而苹果支付的支付速度和成功率远低于安卓设备上的“微信/支付宝”等支付方式。因此我们重点优化ios设备的支付路径，如果能够把支付速度提上来、把用户支付难度降低，那么这步的支付成功率至少不会低于华为。（美团外卖现在做了“美团月付”，能够在不需要用户输入密码的情况下自动扣款）

综上，我们通过例举在美团外卖APP的【使用-支付】路径的多维分析过程，并用数学换算法，来优化了美团外卖APP的转化路径，解释了“如何从产品本身出发，优化产品的关键路径、以提升用户付费率？”的问题。

思路2: 北极星指标

1. 是什么？

这个指标会像北极星一样指引着团队朝着增长黑客过程的终极目标努力，使他们不会被某个短期的增长手段冲昏头脑。这样的短期手段可能会带来一时的增长假象，但是无益于长期的可持续增长。—— from《增长黑客》

找到和付费转化强相关的指标，通常这个指标代表了该产品的核心卖点，使劲提升它，就能相应的提升付费。

2. 适合什么场景？

1. 适合业务发展的初级阶段，在业务模式的设计之初，就要清晰的定位其核心卖点，也就是“用户使用你的产品，能够获取到什么样的价值”。后续的业务优化都要围绕这个卖点展开。在夯实卖点地位的前提下，可以再分散一些精力到与卖点相关联的附加业务里。

2. 适合在【思路1】的提升效果不大的阶段。“为什么你努力提升各级转化率，最终付费却始终上不去？”可能是因为你的核心卖点都没有夯实。所以此时还是要回头来认真思考：业务的北极星指标是什么？我们所做的一切对于这个指标有直接或间接的正向影响吗？

3. 优劣

• 优势：相当于“擒贼先擒王”的效果，抓准了北极星指标，往往能够在付费上获得不错的提升。

• 弊端：业务不同阶段的北极星指标可能不同，也就是说，它可能是一个持续在变化的指标，需要数据分析师和业务人员紧密保持信息同步。

4. 怎么做？

提供一个思路：量化出所有和付费核心指标相关的指标，计算一个他们之间的相关性系数，从中筛选出相关性系数较大的指标，再结合实际业务选定一个，这个选定的指标一定要符合几条标准，官方解释是：

1. 能够反映用户从产品获得核心价值
2. 能否为产品达到长期商业目标奠定基础
3. 能否反应用户活跃程度
4. 指标变好，能否预示公司在往好的方向发展
5. 是否简单，直观，容易获得，可拆解
6. 是否是先导指标，而非滞后指标

基本上是最全的6条标准了，在此基础上，我补充1点：尽量不要直接把“付费相关”的指标（比如GMV、付费率等）作为北极星指标，往往容易最终干了一堆加法也没达到提升付费的目的；而是回到业务本身，结合业务模型确定这个指标。

思路3: 付费模型

1. 是什么？

这是综合了上面2种思路的、最系统的思路。

1. 从业务角度出发，它是一道产品设计题：找到用户的“啊哈时刻”，而每个用户的这种时刻可能都不太一样，你不能说每一个小明的啊哈时刻都是“当他get到我们的业务核心价值”，没准有的小明的啊哈时刻是看上了我们业务的小红。需要全部考虑。

2. 从数学角度出发，它就是一个逻辑回归：

利用现有数据对分类边界建立回归方程，以此进行分类。其中等号左边代表用户是否付费，等号右边x代表影响用户付费的一系列因素，这些因素既包括“ta是男还是女”这样永远不会改变的固有特征，也包括“ta喜欢在早上用我们的产品还是喜欢在半夜用我们的产品”这样可能随时发生变化的行为特征。

2. 适合什么场景？

（反正不适合业务发展初期）

它适合在业务比较成熟的阶段，此时业务发展比较缓慢，难以找到精准的突破点，但是历史积累的数据量足够大，我们可以拿来训练模型。

3. 优劣

• 优势：全局、系统的评估所有业务的影响因素，并量化所有因素的影响系数：哪些是对付费有正向影响的？有多大的正向影响？这可能会帮助我们找到一些曾经没有关注过的盲区，比如说：没想到小明不止喜欢早上喝豆浆，他去酒吧竟然也点豆浆喝！

• 弊端：有时候容易出现一些“我特么早就知道了”的尴尬局面，比如：我早就知道用高端机的用户比用老年机的用户付费率更高啊，还要你跑个模型告诉我？

怎么避免弊端：这就要靠你讲故事了，啊不，这就要靠你足够了解吃透业务了，能够对模型结果作出合理的解释。

4. 怎么做？

首先需要量化出用户付费路径上的一切相关特征，包括用户自带的固有属性（如渠道/城市），和行为操作的变化属性（如点击某模块），进行逻辑回归建模。这样能够最全的考虑所有的影响付费的因素，并且得到各个因素的影响系数。再通过适当的人为干预，提升优秀的因素、降低差的因素，间而能够提升付费。

具体例子就不在本文赘述，有机会再单独出一篇详细案例。