第四章 从流量池中培育线索，找出优质商机
《获客》第四章 从流量池中培育线索，找出优质商机,页面无弹窗的全文阅读!
企业以赢利为目的，服务于用户。所有的企业都希望用户能够以高客单价持续消费。以内容为饵料，获取潜在用户之后，只是万里长征的第一步，将潜在用户变为用户，再将用户转化为高频率、高客单价用户，则需要采用线索培育（潜在用户培育）策略。
如果从客单价和下单频次两个维度将企业的用户群体做一个切分，可以得到一个四象限图，如图4-1所示，包括A、B、C、D、E五个用户群体。企业的核心诉求之一，便是找到更多的潜在用户群体A，转化为用户群体B，并努力使用户群体B向用户群体E转移，尽量留在E的位置。用户群体A即线索，企业需要尽可能扩大群体A的潜在用户数量，才会有更多的机会使之转化为真正消费的用户。获得用户群体A，已经在获客策略章节中重点论述过。潜在用户培育就是让更多的A转化到E并尽量维持较长时间，在此过程中，要保证完善的用户体验以提升用户满意度和忠诚度。
图4-1 用户群体细分
不同的企业，根据售卖产品和服务的不同，目标用户定位不同，业务流程不同，对A、B、C、D、E五大用户群体的管理模式也不尽相同。潜在用户群体A群体向E群体的转换，是潜在用户培育的重要环节，B、C、D则需要用户成功部门的协作。
潜在用户培育策略，重点关注新用户的转化，有可能上百条线索只能产生一个转化，尤其是一些B端用户，可能花了很大的精力跟进，最终却没能成单。如果比作办案，销售线索就是找到最终作案者的那些蛛丝马迹，为后期用户跟进提供了最基础的信息支持。然而，多达90%的销售线索最终都流失掉了，主要原因之一就是缺乏有效的潜在用户培育过程：擅长线索培育的公司，能产生比以往多出50%的销售线索，成本却可以节约33%。企业使用线索培育，降低了60%的投入成本。已经培育的线索，带来的销售额比未经培育的线索多出了47%。[1]
1.线索培育核心策略
将大量早期潜在用户线索逐步转化为销售可跟进状态的过程，缩短成交时间；根据用户的兴趣和生命周期推送相关的信息内容；借助营销自动化工具，实现个性化推送，提升效率。
2.线索培育面临的问题
（1）无法甄别优质线索。企业从众多渠道获取的线索中，80%属于过时和无效的，销售团队需要花费大量人力、时间去审查每条线索的质量。
（2）无法识别最佳购买时机。用户对于产品/服务的采购是有计划和时效性的，而当销售团队拿到线索时，销售不了解用户背景，以致失去了与用户接洽的最佳时机。
（3）缺乏有效跟进机制。企业用大量时间甄别出合格线索后，为缩短销售周期，往往采用粗放管理，从而导致整体效率低下、业绩和产出也都因人而异；而销售团队由于无法充分利用有效线索，为了完成业绩指标，还需要花更多的时间去寻找目标，得不偿失。
线索培育与营销自动化系统密不可分，即通过自动化操作与早期线索建立关系，在交接给销售团队之前，就把他们转化为满足销售跟进条件的潜在用户，这是一个把小鱼养大的过程。用户都是由销售线索转化来的，销售线索中既包括意向用户，也包括无意向用户，意向用户可能还包括初步沟通、有意向、确定合作以及流失等状态。
由于销售线索所处状态不同，在培育潜在用户时，第一步就需定义线索，对潜在用户进行准确分类，以保证企业对销售的工作情况有全面的掌控，识别销售机会以及成单可能性。第二步，对线索进行定性和定量分析，标签化和线索打分。第三步，通过内容和渠道2个维度，配合完成线索培育。第四步，不断测试和优化，完善潜在用户培育策略。简而言之，线索培育可以通过以下几步完成：线索定义—线索打分—线索培养—线索方案测试与优化，如图4-2所示。
图4-2 线索培育步骤图
线索定义：明确用户画像和线索阶段
当线索以数据呈现出来后，第一步要明确“好”线索，即明确哪些是市场认可线索MQLs（marketing quali ed leadss），哪些是销售认可线索SQLs（sales quali ed leadss）。
分析线索，一般会有2种形式，定性分析和定量分析。
定性分析：打标签，一般会有事实型标签、分析型标签、预测型标签3种形式。
定量分析：线索打分，一般需经过线索匹配（显性线索打分）、线索兴趣（匿名线索打分）、线索行为打分、购买阶段/时间段打分4步。
线索定义可以重点从定性分析即打标签着手，明确线索性质。标签，是从信息中抽取出来用于说明其特征的数据，是结构化的数据，通常是人为规定的特征标识，用高度精炼的特征进行描述，是对线索的定性分析。
第一，标签可以使原本无法描述、搜索和定位的数据也可以被描述、搜索和定位；第二，不同的标签有不同的权重，有助于后续的线索打分，且能满足个性化需求；第三，通过标签可以将信息之间建立某种联系，最终为海量信息建立起相互关联的信息网。
针对标签的不同类型：事实型标签、分析型标签、预测型标签，如图4-3所示，其中事实型标签、分析性标签是客观存在的，属于统计型画像，而预测型画像更强调预测的准确度。
图4-3 3种标签类型
事实型标签
事实型标签，即根据用户的事实型行为打标签，可以通过4W着手，即who（谁）、when（什么时候）、where（在哪里）、what（做了什么）。
1.who（谁）
who（谁），即用户识别，其目的是为了区分用户。互联网主要的用户识别方式包括Cookie、注册ID、微信微博、手机号等，获取方式由易到难，不同企业的用户信息数据化程度有所不同，用户识别的方式也可按需选取。对于高客单价企业，进入到线索阶段后，一般已经具有了基本人口统计、公司信息、BANT信息，用户识别相对简单。
2.when（时间）
when（时间），这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”一般指以天为单位计算的时长，指某行为自发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。在用户行为中，普遍认为近期发生的行为更能反映用户当下的特征，因此过往行为将表现为在标签权重上的衰减，即所谓的“时间衰减因子”，如图4-4所示。
图4-4 事实型标签
3.where（在哪里）
where（在哪里），就是指用户发生行为的接触点，里面包含内容和网址。内容是指用户所作用对象标签；网址则指用户行为发生的具体地点。内容决定标签，网址决定权重。
4.what（做了什么）
what（做了什么），就是指用户发生了怎样的行为，即用户的行为类型，例如线上搜索、微信阅读、观看直播、参加线下活动、下载电子书、产品试用等，根据行为的深入程度添加权重。
从4W着手，可以简单勾画出一个用户行为的标签权重公式：标签权重=时间衰减（何时）×网址权重（何地）×行为权重（做什么）。举个直观的例子，“B用户今天在产品页面试用了产品”反映出的用户标签可能是“获客”；而“A用户一周前在微信收藏了内容营销类文章”反映出的标签可能只是“内容营销0.448”，如图4-5所示，这些不同用户的标签及相应的权重将在后续的营销决策中发挥指导作用。
图4-5 标签权重
分析型标签
分析型标签，是对于线索数据的进一步加工。最典型的方式是RFM模型，即从最近一次消费R（recency）、消费频率F（frequency）、消费金额M（monetary）这三个维度分析某一个潜在用户的价值。
1.最近一次消费R
即用户最近一次的购买时间。消费时间最近的用户是最有可能对提供的商品或服务有反应的群体。离上一次购买很近的用户，人数如增加，则表示该公司是个稳健成长的公司；反之则要有所预警。
2.消费频率F
即用户在限定期间内所购买的次数。最常购买的用户，也是满意度最高的用户。如果相信品牌及商店忠诚度的话，最常购买的用户，忠诚度也最高。增加用户购买的次数意味着从竞争对手处偷取市场占有率。
3.消费金额M
即用户的购买金额，可分为累积购买及平均每次购买。消费金额是所有数据库报告的支柱，也可以验证“帕累托法则”——公司80%的收入来自20%的用户。
3个变量可以用三维坐标系进行展示，x轴表示recency，y轴表示frequency，z轴表示monetary，坐标系的8个象限分别表示8类用户，可以用图4-6进行描述。
图4-6 RFM模型分析
预测型标签
预测型标签需要基于事实型标签和分析型标签做出预测。
预测型标签的生产流程：特征抽取→监督学习→样本数据→评估→标签产出，是经典的机器学习流程，如图4-7所示。在设计标签时要注意以下几点。
图4-7 预测型标签的生产流程
尽量窄化范围，减少某个标签可能的意义范围。
标签要统一：风格一致，如活泼的或严肃的；版面样式一致，字体、字号、颜色、空白、分组方式一致，视觉上强化标签群组的系统性本质；语法一致，名词“餐厨”，动词“做饭”等同一层级不要混用。
易理解：标签所指示的系统范围应该能够让人充分理解，有助于用户快速扫描，推论出应用所提供的内容。
在打标签的过程中，可以用简单的方法快速走通整个流程，然后再进行每个环节的优化。同时，在进行线索定性过程中，要及时通过头脑风暴进行优化。
相关利益者（市场部和销售部）闭门会议，展开头脑风暴。
深入以下问题：目标市场是什么样的？销售人员觉得获得的销售线索数量是多了还是少了？数据库现有线索的质量？转化好的线索有什么特征？什么样的线索不受欢迎？
确定“好”是多好：设置基准级别。
确定“好”线索的标准，并定期审查，不断迭代培育机制。