无Cookies营销番外篇1️⃣用户/价值/品牌

1297 阅读 0 评论 1 点赞

本文主笔@JaronTam 校对绘图@Yoki@SUGA |SUGA苏嘉出海数字化小组原创文章

1 前言

1.1 ⛓卖家和用户的关系

2 用户价值数字化管理

2.1 用户

2.1.1 ⚗互联网用户增长衰减

2.1.2 规模性独立站（站群）变现

2.1.3 广告流量的货币化

2.2 用户价值

2.2.1 用户价值指标体系

2.2.1.1 平均订单价值 AOV(Average Order Value)

2.2.1.2 产品价值 Product Value

2.2.1.3 用户价值 Customer Value

2.2.2 RFM指标模型

2.2.2.1留存期

2.2.2.1.1 客户留存指标

2.2.2.1.2 用户增长飞轮

2.2.2.1.3 用户周期(Lifetime)

2.2.3 客户生命周期价值(Customer time Value)

2.2.3.1 用户状态属性

2.2.3.2 用户价值属性

2.3 如何实现用户价值模型

2.3.1 面试题：把大象装进冰箱，要几个步骤？

2.3.1.1 关键数据指标

2.3.2 用户体验

2.3.2.1品牌需要克制

2.3.3DIKW模型用户价值创造

3 总结

前言

有件事非常诡异，在和跨境卖家们交流中，发现大部分朋友都沉迷小学生算数题：

一个水池有一个进水管和一个排水管。只开进水管，2个小时可以把水池放满，之后关闭进水管，只开排水管，需6个小时可以把水池排空。
问：从空水池开始，同时打开进水管和排水管，多长时间可以把水池放满?
解：设水池的体积是“1”，进水速度是1/2（1小时进1/2池子的水），排水速度是1/6（1小时排1/6池子的水）
时间=体积/(进水速度-排水速度)=1/(1/2-1/6)=3 (小时)
答：需要3小时可以放满

事实上，这个解答并不符合实际的情况，因为位于水池底部的排水管的排水速度并不是恒定的，而是和水的深度有关，具体关系式可以用伯努利定律得出。

当然本身泳池进水题目就非常脱离实际——毕竟一边进水一边放水，只有傻瓜才会做的事

然而，更脱离实际的是，很多卖家都在重复如此“傻瓜”的行为：

用户走掉了？没有关系，继续引流呗！

（然后发现，尽管流量增加会让营收增加，结果确实利润无法提升甚至开倒车）

很多交流会或者分享上，很多卖家都关心的问题，基本集中在如何引流，或者说哪里存在流量洼地，流量成本等；

然而在数字化独立站的无Cookies时代营销（中）ETL篇，我们解构过流量的本质，是用户链接我们(站点)形式，流量背后关键是用户，而不只是表面的流量数据。

所以荒诞而普遍的是，只关心用户引入，而漠视自己池子里的用户流失

——过于重视流量，结果就是“为何我总是增收不增利”

——“为何关不掉那该死的出水口?？”，然后只能陷入不断加大进水口的投入，无限的恶性循环

所以，本番外篇，说的就是，如何关掉这个该死的出水口?

⛓卖家和用户的关系

要理解卖家和用户的关系，需要先理解用户；要理解用户，需要两个学科：

并且，需要的是两个学科的有机结合而非单独的分开应用，才能完成用户理解

这里简单叙述苏嘉SUGA一个内部共识：数字化独立站匹配内部流程&用户需求量化并使用自动化方案实现过程；

也就是

用户价值数字化管理

数字化是一个伪命题（表面上科学，实则忽悠老板）还是实操可落地的项目&方案，是不可证伪的热点话题。

苏嘉SUGA的一贯主张：数字化转型是提升团队在无Cookies营销世界中生存能力的必然选择

而在数字化转型过程中，听到或者提及最多的一个词：以用户为中心。为什么呢？

因为，现代化团队需要明确“用户”的概念，同时必须在数字化转型中意识到传递团队产品&服务价值的重要性。

让我们开始论证以用户为中心为何那么重要：

用户

大部分卖家存在一个概念误区，“我的产品好，就可以好卖”；

无论是选品型卖家，还是产品型卖家，都会存在产品赛道选择决定独立站增长容错空间的观念：

“七分靠选品，三分靠运营”

确实，跨境电商初始阶段，ebay/Amazon等电商平台带来B2C的现代化电商模式，高效地缩短从外贸工厂到海外消费者的输出环节；此时卖家的核心驱动是产品没有错，因为更好的产品意味更高的市占率。

尤其随着亚马逊生态的发展，Review为产品链接主要权重，让“产品为王”一度成为每个Amazon卖家的口头禅

而随着(独立站+Facebook广告平台)模式兴起，带来更广的销售渠道的同时，也吸引越来越多竞争者。在这个阶段，铺货型卖家的进场也加速跨境电商生态的成熟化，也分化为规模型卖家和产品型卖家：

一方面，随着跨境电商平台/独立站渠道销售功能的完整化，运营能力更强的铺货型卖家替代外贸型卖家，成为主流卖家是必然的事情
然而另外一方面，纯生产的工厂卖家开始追赶铺货型卖家的运营能力，形成独特的工贸一体化

规模型卖家，选择上必然是“产品为王”转变为“渠道为王”模式，发展的侧重点也从产品是不是满足用户需求转变为发掘更多盈利向+爆发性产品，追求显性回报(GMV)而非隐性回报(用户价值CLV)

	规模型卖家	产品型卖家
投入	营销费用为主（大媒体/搜索引擎广告，红人营销）	产品研发为主，营销费用为辅
周期	营销端回报周期短	产品/供应链开发周期长
量化	以广告投入产出比计量，确定性明显	以用户产出价值衡量，存在不可确定因素
有利	团队管理简单，业务规模化更容易营销见效迅速，投入产出模式有效复用	竞争可持续性优势用户/品牌价值沉淀
不利	规模受限于营销成本/无竞争优势隐性测试成本过高，让利于渠道/广告方无法获取产品最大利润&积累用户复利	价值周期长，短线变现空间需时间沉淀产品规模化存在沉没成本(Sunk Cost) 组织结构多样化，需要复合/专业人才

⚗互联网用户增长衰减

我们通过上表进行了规模型和产品型卖家的对比，不过在当下时代，两者遇到的共同难题没有把列入其中：

互联网人口高速增长带来的红利在消失

得益于数字化时代增速，互联网人口（即社媒用户，PC/移动端等触点型用户）快速增长同时，也让互联网社媒（尤其Facebook应用第三方数据上）的广告库存/广告算法/广告效益等发展进入高速道路——规模型卖家因此利用Dropshopping（长尾产品供给）+Facebook广告（快速匹配用户需求）独立站模型高效&重复变现。

规模型和产品型卖家之间的差异，往往体现在获客、留存、活跃三个维度。

对规模型卖家来说，快速获客是买量增长策略成长关键，表观指标为ROAS，细分拆解还有单用户创收，然而本质是流量竞争平台下的增长杠杆和成本，意味着用户规模的上限取决于流量平台效能&投入程度。

（这也是为何目前站群卖家在Facebook中痛苦的原因，Facebook广告效能已经整体崩盘，原因在我们下文）

对产品型卖家来说：

用户是需求的集合，因此各细分产品赛道上可获取的用户规模上限，由产品满足用户需求的普适程度决定；
其次，不同赛道竞争剧烈程度和产品/品牌护城河构建的难度（产品力）决定了各赛道中可分到的用户多少。

规模性独立站（站群）变现

凡是谈论到独立站，站群模式必然是中国卖家绕不开的话题之一：

站群，其实最开始使用互联网术语，是在SEO工作中，通过建立强大的链接资源库从而推动关键词排名上升，在搜索引擎端获取到最大规模的流量；

广告流量时代的站群，道理其实是类似的，不过这时代共享的是——像素(Pixel)

对站群卖家而言，在转化链条上最接近购买行为的广告最值钱，因为站群的变现效率取决于：

➢ 有效广告库存

➢ 投放效率

越接近转化的广告，损耗/测试成本越低，其带来的流量就可以达到越高的ROAS

因此同步像素(Pixel)有效减少站群网站的因为像素数据不同而造成的测试成本消耗，有效广告库存量可提升从而优化投放（转化）效率，因此规模化卖家更倾向利用站群体量打造站群广告流量飞轮：

站群越多，测试广告体量越大，优化广告效率越高

但关键系数在于——流量变现效率必然存在极限值，导致站群体量亦然，Why？

广告流量的货币化

流量变现效率极限取决于广告平台的电商广告货币化率上限，即由卖家投广告ROI/GPM(千次播放/点击产生的GMV)决定，表面观察是电商货币化率的区别，本质是平台广告分发效率的差异化

一个问题：广告平台是流量的生意吗？
是，特别是以MAU为核心的流量指标是入局互联网广告的核心，在于流量池也是数据池，通过沉淀大量用户数据，做算法的优化，从而实现VV和ARPU的双升
也不全是，在货币化过程中，流量的变现效率也存在资源禀赋的差距，表面观察为广告ARPU的差距，背后则是平台能容纳的广告数量上限，以及广告本身的转化效率问题

用户总时长到广告收入的差距，在表面观察上是由广告版位的有效广告、可容纳的广告量(ad load)和广告价格(ECpm)决定的，而本质上的差距在于平台所能容纳的有效广告的量和有效广告消耗速度

能容纳的广告量是由广告能带来的经济效益决定的，广告(无论有效or无效)消耗速度由广告平台用户浓度决定

从2019年到2021年期间，由于众所周知的原因，社媒广告用户呈现爆炸性增长，直观感受是：

广告消耗速度↑/卖家广告收入↑

但广告流量因用户增长而增长，必然也存在广告用户增长速度减缓而呈现广告平台的极限；

而更严重的是，Facebook广告收入的崩盘不单单因为ATT针对，还因为竞争对手的加入:

Z世代用户比起Facebook更喜欢停留在TikTok，意味着TikTok已经侵蚀Facebook用户使用时间，才是Facebook广告效能下降的最大危机。

PS：某程度上，所谓流量红利，本质是某用户（社媒/电商）平台在快速用户增长状态呈现的信息传播稀缺；

题外话，我们对于新兴出海平台并不看好个人机会，比如，拼多多Temu，TikTok短视频等出海平台：
TikTok作为内容输出平台，现阶段没有良好的创作者分成机制（对比Youtube的创作者广告分成）；
短视频APP的网络效应介于梅特卡夫与双边效应之间，用户同时提供内容&消费内容，兼具一定的社交属性；
因此以内容为承载的用户间互动连接是短视频APP的增长引擎；
短视频APPDAU/使用时长的增长，取决于内容创作是否完成用户数据积累和算法优化；
因此没有良好的创作者分成机制，会导致TikTok平台上的创作者会呈现流失严重现状（转移到其他内容平台）
而对于拼多多Temu的不看好，则在于Temu存在非常高的法律风险问题；此外拼多多作为美股上市公司，出海更像维持市值而作出的增量尝试，不推荐尝试。

电商行业，包括其中分支跨境电商团队本质上也属于互联网行业：

很多卖家会错误把GMV增长视为北极星目标，或者将自身增长公式定义为产品交易价值公式

好处是，管理相对简单，单/多渠道推广，细分渠道标准，考量团队广告ROI投入产出即可

坏处是：随着消费者在在消费广告追求精神满足和个性化推荐，广告竞争的时代已经朝着用户竞争时代发展

(用人话就是，新增用户获客成本已经高于产品利润，继续应用广告营销增长模式，利润空间会越加稀薄)

用户竞争时代，卖家和用户之间需要更接近用户体验管理的方式，而非强硬的产品推广交易关系，而是从用户习惯出发，根据用户发掘信息的路径设计我们产品走进用户方案——体验回报ROX(Return on Experience)

当然，问题是，卖家如何保证体验回报ROX(Return on Experience)实现并支撑团队发展？

答案是，用户价值

用户价值

大部分卖家团队对于用户价值难以理解的地方，在于如何量化——尤其对比产品价值

产品价值量化相对简单：

对产品客单价进行拆分：人力成本+产品成本+渠道成本+净利（提成从净利中按业务阶段分不同百分百计算）

以瑞幸Luckin产品结构举例，量化产品成本结构之后

继而汇总成为整体GMV营销效果的评估——规模型卖家优势在于低成本建立巨大的流量池优势，持续获取用户

这里的低成本，不单单只有低流量成本，还包括大量的性价比产品；

规模型独立站卖家增长底层，和瑞幸在竞争激烈的咖啡市场跑出来的背后主因其实一致：

——舍弃咖啡馆的空间属性/平台的质量背书后，主打提供高性价比/高便利性的咖啡，实现破坏性创新：

规模型卖家在产品主打方案是，大量上架1688/速卖通产品，物美价廉成为海外消费者接触规模型卖家推广广告后的转化主因：

厂家/供应链：产品得到大量曝光机会

卖家：使用低成本广告费测试人群数据，积累数据“像素”，规模化投放团队

广告平台方：广告费/用户消费倾向数据

买家：物美价廉的产品

但产品价值营销存在的局限性，在于低流量成本不可持续；

同时规模型卖家也缺少产品开发，与竞争对手拉不开竞争优势；

（规模型卖和产品质量不可兼得，唯一例外是SheIn，高度数字化供应链中台实现源源不竭的合格产品敏捷响应——和抖音/TikTok一样，使用高敏捷的内容中台&UGC内容轰炸用户心智）；

依赖营销广告增长不是问题，因为本质是投入产出比的精算规划——那么用户价值和产品价值的差异在哪里？

从量化的角度，我们对用户价值数据指标&效应进行解释：

用户价值指标体系

所谓价值(Value)，首先直观量化是我们产品的客单价：

**平均订单价值 AOV(Average Order Value)**

但如何看产品价格背后的意义，会形成两种不同的角度的价值：

**产品价值 Product Value = 用户数×平均订单价值 AOV(Average Order Value)**

**用户价值 Customer Value = 用户消费频率(Frequency)×平均订单价值 AOV(Average Order Value)**

从营销主的角度，产品价值必然是客观性的：产品/服务从开发到最后被迭代，它能产生的最大价值必然是产品本身客单价乘以最大用户覆盖数（产品用户最大覆盖数，往往代表着不同产品对应的不同用户群体）
用户价值体现则是用户主观性，是用户认为产品或服务能否解决问题的主观想法：意味着我们不仅需要提供逻辑上帮助用户解决问题的产品/服务，并以此量化出用户了解和认可我们的产品/服务的价值；用户价值的量化逻辑是产品客单价乘以用户消费频率；

消费频率(Frequency)存在两种衍生：

独立站复购类型按如下区分：

90天内重复购买率达到1％～15％：用户获取型
90天内重复购买率达到15％～30％：用户混合型
90天内重复购买率达到30％以上：用户留存型

独立站交叉购——当产品类别复购系数过低，比如眼镜/大件家具

提升产品/服务功能性从而提高AOV
创造产品生态——复购低单价高产品搭配复购高单价低产品从而形成产品矩阵

品牌案例Outer：从极致单品到一种户外家居生活的想象｜BrandStar专访

?RFM指标模型

最近一次消费(Recency) + 用户消费频率(Frequency) + 消费金额(Monetary) = ？

亲密度

卖家和客户之间的关系如同暧昧的情侣，若即若离——该如何量化情侣，不对，如何量化卖家和用户的亲密度呢？

客户消费的过程是持续变动的：

在距上一次购买时间满1个月之后，在数据库里就成为消费为2个月的客户
反之，同一天，最近一次消费为3个月前的客户作了其下一次的购买，他就成为最近一次消费为1天前的顾客

但如果我们挽回呢？所谓用户体验(User Experience，简称为UX或UE)管理，是根据用户的身份/行为/信用数据量化用户的状态，以此决策对用户做或是不做某些动作的动作(Action)，并得到或是不得到反馈(Feedback)的过程

RFM模型，实则是通过用户的购物行为监测从而量化为用户心理的量化数据，并根据数据排序(Ranking)：

只有当我们拥有了用户的排序细分，才能针对细分用户进行精细化的动作——而不是简单粗暴的群发性营销

比如针对【重要价值客户】应该维系用户关系促使复购/交叉购持续，针对【重要保持客户】则是客户流失挽回。

关于时间，有个非常有趣的地方

我们发现目前大部分独立站的研究都不引入时间的指标

然而SUGA苏嘉的角度中，时间恰恰是最重要的指标，如果是从订阅电商的角度，甚至没有之一

?留存期

一般来说，独立站由于产品不同，展开分析需要具体个案具体分析，但有些指标数据是相通的，比如用户周期：

新用户激活期——如产品/服务使用周期为周，属于高频需求类产品，理想激活时间是1~3天，周期时长为第0周
新用户留存期——留存率降幅明显（正常现象），平均留存率差值均大于2%
长期用户留存期——产品/服务留存率趋于稳定且缓慢下滑，每周约以低于1%的速度降低
流失召回期——产品的留存率有跌有涨，开始进行流失召回策略，测试出成效措施。而当留存率下降幅度突然加大，逐渐脱离趋势辅助线预测值，需要考虑到此时用户已使用产品将近留存期极限，拉回流速度已经比不过用户流失速度。

不同用户周期对应的用户需求是不一样，所以才需要RFM模型排序区分

而留存期需要长期时间观察，指引效果有两个：

现金流周期——当用户处于长期用户留存期的时候，意味着用户价值变现是相对稳定的；

吸引新客户的成本是留住现有客户的 6-7 倍
把产品卖给老客户的概率是卖给新客户的 3 倍
总结：5％的客户留存率增长往往意味着公司利润 30％的增长
根据美国贝恩公司相关调查：
而哈佛商业评论研究提出数据导向是，“用户留存率提升 5% 会刺激收入增长 25%-95% ”

产品迭代周期——当用户留存期缩短（如上图从40周开始减少），即留存期越加短暂往往意味产品需要迭代

附上客户留存数据指标

客户留存指标——留存线索、流失率、留存率

符合产品预期的线索 (PQLs Product-qualified leads)

PQL是指带有体验过产品且感受到价值的用户的线索

——这个定义有些复杂，首先这个线索是来源于激活用户，使用产品/服务传递后的用户体验/反馈价值：

激活用户：指在产品/服务内完成关键行为，体验过Aha Moment的用户
Aha Moment：多译为“顿悟时刻”，也有译为“啊哈时刻”，由德国心理&现象学家卡尔•布勒(Karl Bühler)首创，对这个表达的定义为：在思考之前某个并不明朗的局面过程中，突然对产生明确或者深入的认识后，而产生的一种特殊的&愉悦的体验。

➖客户流失率 (Customer Churn Rate)

本期内流失客户数/上期末客户数=(上期末客户数-本期末客户数+本期内新增客户数)/上期末客户数

➗金额流失率 (Revenue Churn Rate)

Revenue Churn Rate一般有两种口径：

毛流失率 = (本期内流失RR+减值RR)/上期末RR
净流失率 = (本期内流失RR+减值RR-增值RR)/上期末RR

存在一种理想状态“负净流失”(Net Negative Churn)：金额净流失率<0，金额净留存率>100%
由于增值超过流失和减值带来的负面影响，已有客户的总商业价值是不断成长的；
所以即使暂缓获取新客户，业务也可以保持健康运转。

✖客户留存率（Customer Retention Rate）

(本期末客户数-本期内新增客户数)/上期末客户数

♻金额留存率（Revenue Retention Rate）

Revenue Retention Rate同样有两种口径

毛留存率 = (本期末RR - 本期内新增RR - 回流RR - 增值RR)/上期末RR
净留存率 = (本期末RR - 本期内新增RR - 回流RR)/上期末RR

金额留存率相比于客户留存率，额外反映了不同规模客户的商业价值不同，还反映了客户商业价值在两个周期之间的变化（如增加&升级服务带来的价值提升）

净留存率可以更完整地反映短期趋势，而毛留存率更好地反映了长期趋势；
背后的逻辑是，产品和服务的价值是可长期持续的，而销售Upsell是不可长期持续的。

用户增长飞轮

在《精益创业》中，埃里克·莱斯提出了驱动创业增长的三大引擎，都有各自对应的关键绩效指标（KPI）：

黏着式增长引擎——重点是让用户成为回头客，并且持续使用产品/服务
病毒式增长引擎——指数性本质：如果每个用户能带来1.5个新用户，那么用户数将会指数增长直到饱和
付费式增长引擎——通常，在确知产品/服务具有黏着性和病毒性前就启动这一引擎，是过于仓促的行为

付费式增长，是规模化飞轮的最好工具——问题在于不单单规模化体量，成本也同样规模化
规模型独立站卖家以付费式增长引擎规模化体量之后，才会发现成本增长速度远高于营收增长速度
原因在于：我们前文提及的互联网人口高速增长红利在衰退，从增量市场转为存量市场
客户获取成本(CAC)在大环境下，必然只会越加上扬，从付费增长变为付费衰退

从某种程度上讲，赚钱是识别一个商业模式是否可持续的UOS(终极指标 Ultimate Oscillator)：
如果从客户身上所赚的钱超过获取客户的花费，并且在时间段上维持，增长引擎就是可持续的；
因为企业不需要外部投资者的钱，并且每天都在增赚钱；
但是，就其本身而言，赚钱本身并不是一种驱动增长的引擎——它只是让企业现金流越来越多；
只有反过头来把一部分营收再用于获取客户时，营收才有助于本身增长，找出增长引擎控制器的两个调节旋钮；
也就是本文的两个重点，客户终生价值(CLV)和客户获取成本(CAC)

如同我们在最开始提出的小学生水池问题一样，拉新是企业增长的手段之一，但永远不会是唯一手段：

保留现有用户群，学会利用用户数据并通过个性化召回策略让用户重新启用产品/服务，堵住那“该死的出水口”

?用户周期(Lifetime)

用户生命周期，形容的是从用户开始接触产品到离开产品的整个过程

因此对应的是用户消费习惯&行为模型的改变：

比如我们常见的海盗模型(AARRR)，理论依据也是来源于对用户行为模型&生命周期的研究

So，什么是客户生命周期价值(Customer time Value)

?客户生命周期价值(Customer time Value)

从定义解构，分为两部分：①客户现在已经创造的交易/隐形价值 & ②之后预期会创造的交易/隐形价值

用户状态属性：过去/未来

——从产品价值衡量来说，产品/服务只有交易那一刻才能体现价值，因此独立站卖家衡量状态，看GMV最简单

——但从用户价值观察，用户如同英语类似，有现在进行时 doing ，也有将来式 will do

因此用户价值的最大化，是将 will do 确定为 will be going to do ，用一个简单的实践公式：

AOV客单价=50USD，获客成本CAC75USD，客户维护成本15USD/月，求解如何盈利？

?用户价值属性：交易/隐形

如同我们说过客户获取成本CAC由大环境影响从而居高不下，但并不代表我们对其无能为力，如同我们过去分析过付费/自有/被动流量的关系：

用户同意可以分为：付费用户/自有用户/被动用户，三者区别在于

我们通过Newsletter和社交媒体帐户分享内容，即自有流量(Owned Media)触达用户，以此类推付费&被动用户

如果用户喜欢/认同所看到的内容，他们中的K因子(K-Factor)会与他们的亲人/朋友(Earned Media)谈论它，并且在社交媒体(Shared Media)上分享看到的内容。

若果从用户的角度出发，假设意见领袖/kol被我们的深度内容触动，因此分享与他们的粉丝并形成病毒式传播——下方是来自LinkedIn的一个例子：

一篇帖子在社交媒体(Social Media)上分享并获得了大量参与(15,000 多条反应和 800 多条评论)
然后，帖子由另一位意见领袖分享，后者将其推广给与内容互动的新受众(新增的 10,000 多个反应和 400 多个评论)
下一个意见领袖或者K因子继续滚动，形成病毒式传播链：所谓病毒式传播，其实是使受众可以在参与信息的制作和传播过程中，同时成为信息的发布者和转发者，以人际圈席卷的模式，携带信息迅速蔓延的传播方式，即“传者主动传播——受众接受——受众转变为传者自愿再传播”模式。

这其实也是著名的梅特卡夫定律(Metcalfe'law)：

“一个产品的用户越多，则此产品对用户的价值越大，而且能吸引更多用户使用此产品”

网络的价值与连接用户数的平方（N^2）成正比关系，每增加一个节点都让网络价值快速增长。

同样也是超线性规模缩放(Superlinear Scaling)的前置条件

——因为真实世界存在的网络并不是一个规则的结构，而是规模大小不一并且呈群落状的结构，以家庭/学校/共同兴趣的圈子是相对紧密的结构，每个小圈子是由中心人物(如女团中C位的角色)与更多人联系。

小圈子用户达到一定规模，必然会有K因子(K-Factor)或者超级用户引爆传播，也就是用户隐形价值所在

至此，我们已经掌握了一个相对简单且只涉及单个用户购买行为的用户价值电商模型（相信我，真的是相对简单）

补上完整公式：

客户生命周期价值 CTV 客单价 AOE ✖ 消费频率 Frequency ✖留存期 time

（原图请关注飞书专栏或者飞书号或者企微号）

问题是，如何实现？

如何实现用户价值模型

我们转载的独角喵喵老师文章，随便说说：为何大厂做不好跨境电商？，当中有提及到跨境电商不相信方法论

文章节选：
一，跨境电商不相信方法论
字节尝试了至少三次，目前看起来胜算都不大。拼多多目前还看不出来，但风言风语也不少。“黑话大户”阿里其实是做的最好的，但近年来趋势也不乐观。
那这不是很诡异吗？按理说互联网这些组织管理方法论最先进，但一复制到跨境电商就不work了，没理由这么多北大清华海归高材生干不过一堆专科生吧？
但事实就是这样。专科生比北大清华强在哪里？不是英语更好方法论更高级，而是能在一个很细分的领域不断钻研。比如你让一个清华毕业的同学去研究列支敦士登这个国家有啥网红，他肯定是干不下去的，但是专科生可以。反之你让一个专科生去研究人工智能最新技术他大概率也是干不下去的，但清华毕业的可以。
而且清华毕业的人普遍“聪明”，精通职场之道，懂得向上管理，他会知道费劲巴拉去一个个找列支敦士登网红不如给领导写一个“欧洲各国电商分析”大报告。所以大厂项目很多做到后面一看，业务没啥起色，每个人都成了“xxx项目lead".
所以小猫一直有种感觉，就是跨境电商的管理优势并不是什么所谓“科学方法论”的优势，而是充分细化分工和强执行力的配合：因为我每个流程都很具体，所以我不需要那些虚的，你把分给你这块执行到位就行。
这也可以解释为什么在大厂里阿里是做的最好的：因为在被各种黑话洗礼之前，阿里铁军一直是以执行力著称的。而天天大喊“组织管理学”的字节，是项目最容易半途而废的。
其实从员工人数上来看也很有意思，跨境电商的王者Shein大概有小几万名员工（相关报道中说1-5万都有，鉴于没有可靠信息，暂估算2-3万），销售额超过200亿美金，而互联网王者字节营收600多亿美金，有10万人。
怎么理解呢？apple to apple的比较，两者人效似乎差不多，但字节大部分的人和营收都来自互联网，跨境应该只占很小一部分。而shein这么一个单一板块已经占到了字节1/3的体量，不得不佩服。

某方面，跨境电商卖家的确更重视执行力多于方法论

?毕竟你告诉我用户多有价值；但如果无法落地，还是等同大家都知道ATM机柜存有现金，但都无法把钱转化为自己的财富一样?

所以用户价值模型，关键不是如何论证，而是如何实现？

面试题：把大象装进冰箱，要几个步骤？

很多人都应该有听到过这个问题的回答：第一步打开冰箱；第二步，把大象塞进冰箱里；第三步，把冰箱关上。

然而这看似一个冷笑话谜语，本质考验的是，答题者有没有拆分问题细节的能力，一个带有主谓宾的需求：

主语：你
谓语：放冰箱
宾语：大象

但实际上依然是很模糊需求——大象需要怎么放冰箱了？为什么要放冰箱了呢？

需求不清晰，所以真正的第一步，其实是需要梳理需求，而梳理的最好办法是通过给主谓宾加上细分形容词

为XX原因
放XX样的大象
XX样的冰箱

而组成以上细节的，则是关键数据指标——我们又该如何判断，什么是好的关键数据指标呢？

关键数据指标

常规的独立站数据指标有哪些？

然而以上就是我们最需要关心的“大象”数据吗？或者说，到底什么是有关键数据指标标准？

从运营角度看，什么是关键数据指标？

结合本文主题——用户价值，就会发现独立站最好的关键数据指标，更应该是客户体验数据（而非流量数据）：

跳出率——意味着产品/服务与目前测试用户匹配程度

弃购率/转化率/订阅率——目前测试用户意愿程度（不跳出但弃购，意味着产品/服务与用户匹配，但存在其他因素所以不转化；根据福格行为模型：动机/能力/促发场景，三者促发行为）

客诉率/互动率——客户体验管理程度，对客户来说，响应速度及时不及时/产品是否送达，是满足与否关键

触达率/复购率/交叉购率——对客户从满足一次到满足多次，普通用户导向忠诚用户，最后打造K因子模型

K因子模型——病毒营销背后的核心关键点，另外有说法是病毒因子/病毒系数K-Factor，几乎所有的增长黑客、用户裂变和病毒营销背后，都离不开它
表格中和病毒系数K值相关的三个要素和变量分别是：

Custs(0)，即初始种子用户Customer；

i，即每个用户发送的邀请数量Invitation；

Conv%，即每个用户邀请成功转化率Conversion Rate；

计算K因子的公式非常简单：将每个用户的邀请数乘以邀请成功的转换率，即：K = i * Conv%
从图表数据可知，在初始用户量为 10 ，K因子为 2 的情况下，在经历 12 轮增长后，总用户量从10变成了81910
K因子属于用户隐藏价值，某程度也展示我们用户模型是否存在自增长：
0≤K<1：用户不会自增长，不存在病毒营销，因为平均每个用户无法带来另一个完整用户，属于亚线性增长
K≥1：用户将以指数方式增长，也就是病毒式增长引擎，因为平均每个现有用户发展一个或者多个新用户，实现线性或者超线性增长

和过去文章不同的是，我们本次文章的示意图，是从部分图片拓展为全局，因为我们希望强调一点：

关键数据指标之间存在耦合现象

转化率（访客中真正发生购买行为的比例）是和购买所需时间（客户需要花多长时间才能完成购买）相绑定；二者相结合可以告诉我们更多关于现金流的信息；
K因子的另外一个说法，病毒式传播系数（Viral Coefficient，平均每个用户邀请来的新用户数）和病毒传播周期（Ciral Cycle Time，用户完成一次邀请所需的时间）共同推动产品的普及率；

当我们开始组合思考独立站用户模型背后的关键数字时，就会注意到关键数据指标背后隐藏着更重要的数据指标：GMV、周期性现金流，还有产品普及率

（原图请关注飞书专栏或者飞书号或者企微号）

?用户体验

数字化时代，时不时会蹦出一些新名词，这是每个探索数字化的小伙伴最头痛的事

（也是苏嘉Tech公众号接到最多的“投诉”——名词术语太多，需要Google理解一下）

比如，什么是客户体验管理(Customer Experience Management)？

我们在本文中介绍过用户价值模型，还有用户价值指标体系，用户行为数据指标，三者是综合认知用户的方法论+数据采集标准，目的是了解用户是什么样的群体，存在什么需求，从用户的角度如何看我们；

我们在广告流量货币化中，或者说此前的不同的文章多次提及到一个观点的谈论：营销能力自带时代属性

传统数字广告时代：用户追踪能力差，数字媒体广告充当广域广告角色，提高广播能力，盈利能力未革新

程序化广告时代：用户追踪能力高，效果性广告提供ROAS计算模型，高效提升广告主盈利&广告决策能力

隐私广告时代：用户追踪能力更高，但用户隐私意识觉醒，从消费者数据营销时代过渡消费者数据体验时代

什么是消费者数据体验时代？

提出的ROX(Return on Experience)衡量公式的黄峰老师，在他的著作《全面体验管理》中是这样解读客户体验如何影响增长的：

更高额购买：溢价方面，低价竞争升级为体验增值；
更深度认同：在转化上，心智占领升级为心智认同；
更多自然传播：在获客/信息传播上，品牌应从买流量转为聚合传播，注重自然流量的累积，同时依靠心智认同人群的自发分享，用优秀体验为品牌带来增量；
更长期关系：在复购上，品牌应从单向营销转为关系共建。

消费者数据体验时代，通过散布在不同体验触点的零散数据实现结构化分析，对用户体验定量，继而商业优化：

从用户体验的角度，用户价值则是用户主观判断能否帮助自己解决特定问题：

用户体验的主体是用户，只有用户说有价值，才是真的有价值，用户说差，不管运用多强大的理论都没意义
用户价值是在用户体验时产生的，用户需求必然被真实场景约束，因此没有使用产品却声称的价值，没有意义
用户体验是主观感受，哪怕我们的产品/服务实现用户问题的解决方案，但用户自己认为并没有解决，或者解决得不好，同样会降低用户对产品价值的判断。

狭义上的用户体验，是网页设计/互动，产品设计/使用，用户交互

但实际上的用户体验，是我们整体和用户交互的过程是否足够丝滑

用户的广告/社媒/内容/站点/邮件/PWA等虚拟触点交互，延伸整个产品/服务过程中的所有用户真实物流感知，从广告文案是否引起用户不适，到背后的订单分配系统是否能合理地满足用户的需求，都属于用户体验

品牌需要克制

因此用户价值创造，除了需要关注影响用户本身需求的因素，重点还在于我们如何实现：

当从我们本身视角关注用户价值时，需要专注自己产品/服务的场景和领域

头部卖家可能会覆盖到方方面面，大多数独立站卖家团队需要的是，选择自己关注的目标用户的需求或者价值，而不是替用户完全实现全链路的价值。

用一句白话说，就是“不是用户需要什么（什么好卖），我们就都要满足他们（就卖什么）”。

这跟在讨论用户需求时提到的“我们不需要考虑所有用户的需求”是一个道理。

在品牌星球讨论会过程中，有个句给我印象非常深刻：品牌需要克制

以程序化广告为例子，重复多次的广告信息固然可以加深消费者的记忆，但不是同样的广告重复得越多越好；

当网站上有其他竞争对手的产品同时存在时，重复同样的广告是有效的；
但重复推送广告次数太多，用户会失去新鲜感，从而成为衰退用户；
此外，如果网站的内容与广告中的产品一致性太低，转场丝滑度太低，必然导致用户流失。

DIKW模型用户价值创造

人与人知识水平在拉大，思考/整理方法也是知识，很多人只学了收集，但不学习逻辑，归纳，总结，判断

结合一下ChatGPT热度，说下SUGA苏嘉对于“思考”的思考：

有一个研究人工智能的朋友在自媒体里面写了，这次ChatGPT实现了一个非常厉害的闭环：、

优化生成模型 -> 采样用户Prompt -> 人工标注答案排序 -> 训练更契合当前用户群体的RM -> RM优化生成模型

意味着ChatGPT的学习速度和训练速度是已经足够能力自我提升迭代

——我们不觉得这是一件恐怖的事情，人工智能会不会毁灭人类，很难说

——但人工智能必然比人类会积累数据

所以真的可能发生的事情，是人与人的知识“贫富差”会越来越大

DIKW（data 数据 info信息 know知识 wisdom智慧）金字塔模型本来形容的就是，大量的数据经过梳理之后形成信息，并从中总结出逻辑完成知识积累，最后蜕变成为预测性的智慧

引用知乎看到的举例：
https://zhuanlan.zhihu.com/p/140338649

Data：我手头有鸡蛋、西红柿；

Information：我找到一个菜谱，可以用手头有的东西做一盘番茄炒蛋；

Knowledge：我不断实践，做出来自己满意的番茄炒蛋；

Wisdom：我专门写了一本书讲番茄炒蛋的历史、不同国家的做法、营养价值、适合搭配的主食等。

从马太效应来说，强者越强，所以会发现数据信息甚至知识的存储和搜索越来越方便的时候，智慧反而会越来越成为“富人”的专利——懂得使用思考工具的人或者形成了自己的逻辑闭环的原因，他们的思考速度会如ChatGPT一样会越来越快

信息差是现代化商业提及频率非常高的黑话（术语），侧面反映的问题是大部分商业团队学习停留在信息层积累

但随着科技手段的越来越进步，信息收集能力差距在拉平，意味着在未来能自我归纳总结并且推导的团队才是赢家

很多时候，一个智库最关键的东西不是如何去累积数据/信息/知识体量，而是有没有从 Data » Wisdom 的能力（ChatGPT目前看起来非常优秀，原因在于已经完成了良好的学习闭环，学习能力可以飞轮增速）

大部分人或者团队没有整理，归纳和推导的习惯，对团队积累还是很漠然的，或者说更多集中于战术实践拓展

有朋友也好奇过为何SUGA苏嘉为什么要去做公众号和飞书留言板？为什么要去写独立站MarTech知识的文章，以及运营一个独立站内容的知识星球？

本质上这是SUGA苏嘉 Data → Info → Know → Wisdom 的进化步骤

SUGA苏嘉在数字化独立站如何选择SaaS工具提及到在订阅电商中应用的数字化管理手段总结的三大手册，其实也是我们在DIKW模型下，如何总结(订阅)电商过程中创造用户价值的思考过程：

如同知乎Up主的例子：
Data：通过买量/自然流量/用户自发分享，不同触点获取用户，同时获得用户的初始数据——身份/行为/信用

用户增长团队在数据团队统一的数据指标中，选取用户数据并设计埋点方案，工具团队配置自动化采集

Information：根据数据归类，对用户个体图计算(Graph Computing)，形成基于知识图谱的用户画像；

工具团队在全团队整体工作流程，实现应用工具之间数据打通，并以此为基础，进行流程挖掘(PM，Process Mining)

流程挖掘（PM，Process Mining）则是基于客观数据的自下而上的流程优化技术，核心在于业务系统中真实流程的挖掘和可视化呈现

因此流程挖掘作用于全团队整体工作，呈现不同视角下的流程路径，直观地展示瓶颈和异常点，提供分析改进的有力依据

此处，我们说的流程挖掘是应用于客户数据分析以及敏捷响应用户需求

数据团队/用户团队需要对用户数据ETL(抽取 extract 、转换 transform 、加载 load )，将不同触点收集的数据归纳并整理为统一格式，并以此为基础上对用户归因/分层

用户归因（术语是，单一客户视图 Single Customer View ，SCV）：收集有关潜在客户和已转化客户的所有数据，并将其合并到单个记录中

用户分层：Marketing is not for everyone，尤其不同触点习惯的用户——有些喜欢邮件交互，有些更习惯简单沟通，因此针对不同习惯，用户采购层级等不同方面对用户分层，并设置对应方案

Knowledge：我们在订阅品牌：品牌的数字孪生探讨过涌现现象

https://wiki.swarma.org/index.php/%E6%B6%8C%E7%8E%B0

用户价值模型也好，客户旅程分析也好，本质是发掘出单一用户群体化的涌现特征，将用户群体行为量化

用户价值模型——从全团队角度审计业务模式，根据客户生命周期价值决策推广/运营/内容/数据支出

用户旅程分析——从用户角度出发，反思和用户交互过程是否需要优化，提供更优质的互动

Wisdom：有些时候，用户也未必能说清楚他们本身的真实需求（包括我们都一样），好比说iPhone民主化，最后给到用户手上必然是各种功能大杂烩，不伦不类的怪物

用户预测，本质是让用户生活更高效、更有趣
所以乔布斯和苹果团队预知到并实现的是

去掉繁杂的键盘

提供方便操作的触屏

塞进电脑级别的计算能力

提供多任务处理的系统

让通信功能退居二线，提供娱乐模块

PS：预测能力不需要每个卖家团队都具备，因此不深入展开讨论