Bagaimana Mencapai Retensi Terus Menerus dari Pengguna Baru?

Saat dividen lalu lintas memudar, ke mana APP bisa pergi untuk meminta pertumbuhan pengguna? Beberapa APP memilih untuk mengonversi dari pengguna super; beberapa APP memilih untuk menenggelamkan pasar untuk mendapatkan lebih banyak lalu lintas baru; beberapa APP meningkatkan chip insentif dari pembagian pengguna sebagai ganti pembagian pengguna ...... tetapi kecemasan operasi APP tidak pernah berhenti, berapa lama metode ini dapat mempertahankan pertumbuhan? Di mana titik pertumbuhan berikutnya dari operasi pengguna?

Sumber daya yang perlu dikembangkan

Saat ini, biaya proses memperoleh target pengguna dan kemudian mengubahnya menjadi pengguna produk mereka sendiri menjadi sangat mahal. Dan dalam lingkungan persaingan yang brutal seperti itu, merupakan tren yang diakui di industri untuk bekerja dengan baik dalam pengoperasian pengguna baru dengan bantuan kecerdasan data. Namun, bagaimana menggunakan teknologi kecerdasan data untuk memaksimalkan efek pertumbuhan adalah kurva belajar.

Sumber daya pengguna belum dikembangkan

Untuk memahami kecemasan operator aplikasi, Personal Push melakukan analisis data besar pada pengguna aktif aplikasi populer di pasar, seperti informasi, video, dan alat. Hasil analisis menunjukkan bahwa kecuali untuk beberapa aplikasi yang menggunakan hadiah uang tunai untuk pembagian pengguna, rata-rata pengguna aktif bulanan dari tiga kategori utama aplikasi adalah 27,8% dari stok. Dengan kata lain, aplikasi masih memiliki lebih dari 70% sumber daya pengguna yang masih harus dikembangkan.

Mengapa aplikasi tidak masuk ke nilai 70% pengguna ini? Atas dasar wawasan data, dorongan pribadi juga melakukan penelitian pada beberapa operasi aplikasi. Penelitian menemukan bahwa sebagian besar aplikasi memiliki kemampuan potret pengguna yang tidak memadai, yang membatasi pengembangan operasi pengguna yang disempurnakan.

Misalnya, sekitar 60% pengguna lama di aplikasi ini memiliki preferensi potret yang tidak lengkap atau tidak valid, sedangkan preferensi pengguna tidak aktif yang baru terdaftar sama sekali tidak diketahui. Artinya, aplikasi tidak ingin mengeksploitasi 70% sumber daya pengguna ini, tetapi mereka kurang memahami pengguna yang tidak aktif ini, dan tidak ada cara yang baik dan cara yang baik untuk memahaminya.

Klik " Pelajari Lebih Lanjut " untuk mendorong bisnis aplikasi & game Anda dengan layanan promosi aplikasi ASO World sekarang.

Hambatan data dan teknologi, mengakibatkan sistem persona APP sulit berfungsi

Jika aplikasi ingin merevitalisasi pengguna, aplikasi harus benar-benar memahami mereka terlebih dahulu. Oleh karena itu, potret pengguna adalah cara penting bagi aplikasi untuk memahami pengguna, dan juga merupakan alat yang diperlukan untuk menyempurnakan operasi. aplikasi dapat menemukan karakteristik pengguna yang berbeda melalui potret pengguna, menempatkan tag yang berbeda pada pengguna, dan kemudian mengelompokkan pengguna sesuai dengan kombinasi tag, dan kemudian melakukan operasi grup.

Saat ini, banyak aplikasi mulai memperhatikan penerapan potret pengguna, dan beberapa perusahaan besar akan menggunakan alat data pihak ketiga untuk membantu berdasarkan sistem potret pengguna mereka sendiri, dengan tujuan menyempurnakan operasi melalui potret pengguna yang akurat. . Namun, masih banyak masalah yang perlu diselesaikan jika aplikasi ingin potret pengguna cukup akurat.

Optimalisasi potret pengguna aplikasi adalah proses bertahap, yang memerlukan beberapa kondisi yang diperlukan seperti pengendapan waktu, akumulasi data, dan penyempurnaan model algoritme. Misalnya, aplikasi tidak dapat secara akurat memahami preferensi pengguna yang baru terdaftar, yang intinya terletak pada kurangnya waktu untuk berinteraksi dengan pengguna, mengandalkan beberapa informasi yang diisi oleh pengguna saat pendaftaran dan tidak cukup akurat.

Masalah ketidaklengkapan potret aplikasi silent user terletak pada kurangnya kontinuitas dan stabilitas akumulasi data aplikasi bagi pengguna yang tidak aktif, tidak mampu memahami perubahan migrasi kebutuhan pengguna. Aplikasi pada periode start-up terkendala oleh dana dan tenaga, dan pengembangan potret pengguna tidak cukup kuat, sehingga diferensiasi yang buruk dari potret pengguna menjadi berguna. Ini bukan hal-hal yang dapat dilakukan dalam semalam untuk aplikasi, dan itu juga merupakan hambatan saat ini.

Gunakan persona untuk mengaktifkan 70% sisa sumber daya pengguna

Aplikasi ingin memecahkan masalah potret pengguna yang akurat, di satu sisi, perlu memiliki kesabaran dan dapat mengulangi dan memperbarui potret pengguna secara terus menerus; di sisi lain, ia dapat membuat papan pendek potret penggunanya sendiri dan meningkatkan akurasi potret pengguna dengan keunggulan penyedia layanan data pihak ketiga dengan dimensi penuh, kontinuitas yang baik, dan stabilitas yang kuat; akhirnya, ia juga perlu menggabungkan dengan skenario penggunaan operasi aplikasi dan membuat inovasi untuk potret penggunanya sendiri. Terakhir, perlu juga melakukan inovasi pada aplikasi profil penggunanya sendiri yang dikombinasikan dengan skenario penggunaan operasi aplikasi.

Ringkas metode aplikasi persona melalui penelitian mendalam

Model prediksi pengguna baru

Pengoperasian aplikasi sering kali menggunakan layanan data pihak ketiga untuk melakukan pekerjaan dengan baik pada pengguna baru yang memulai dengan dingin, tetapi saat menggunakannya, mereka akan menemukan bahwa tag yang disediakan oleh layanan data pihak ketiga memiliki kecocokan yang rendah dengan tag pengguna mereka sendiri dan tidak dapat menutupi jumlah penuh. Ambil label tingkat konsumsi sebagai contoh, aplikasi yang berbeda memiliki definisi yang berbeda untuk label tingkat konsumsi pengguna. Kelompok pembelian aplikasi menghabiskan lebih dari 300 dianggap konsumsi tinggi orang, sementara 100.000 model di aplikasi mobil milik model low-end.

Oleh karena itu, aplikasi untuk data pihak ketiga tidak dapat digunakan secara langsung, yang terbaik adalah membuat label khusus yang cocok dengan sistem pelabelan mereka sendiri melalui pemodelan data dari kedua sisi.

Personal Push User Portrait telah bekerja sama dengan aplikasi informasi, dan kedua belah pihak telah mengeluarkan label potret baru yang lengkap dan disesuaikan melalui pemodelan data bersama, dan akurasi prediksi label telah mencapai 70% setelah pengujian. Dalam proses cold start, aplikasi merekomendasikan konten yang menarik bagi pengguna baru melalui tag yang disesuaikan, dan tingkat retensi pengguna baru pada hari berikutnya meningkat sebesar 18%.

Pelengkap potret pengguna senyap

Dalam dividen lalu lintas yang menipis saat ini, lebih berharga bagi sebuah aplikasi untuk mengaktifkan pengguna yang diam daripada menarik pengguna baru. Melakukannya tidak hanya menghemat biaya pertumbuhan, tetapi juga memfasilitasi kesinambungan dan stabilitas akumulasi data aplikasi, dan menyediakan data berharga untuk pengembangan dan aplikasi data aplikasi.

Aplikasi untuk membangunkan pengguna yang diam, tidak hanya secara brutal mendapatkan kembali pengguna, tetapi perlu membedakan penyebab internal dan eksternal kehilangan pengguna, sesuai dengan pengguna yang berbeda dan situasi yang berbeda, untuk membuat metode dan solusi operasi yang berbeda. Penyebab internal dapat ditemukan dari data internal aplikasi, tetapi untuk penyebab eksternal keheningan pengguna, kita perlu menggunakan kemampuan data tiga pihak untuk memahami perubahan preferensi perilaku online pengguna selama periode hening dan lingkari pengguna yang perlu dibangunkan. Bagi pengguna yang perlu dibangunkan ini, tidak cukup menggunakan data yang mereka tinggalkan di aplikasi beberapa hari yang lalu, tetapi juga perlu menggabungkan dengan data eksternal, wawasan tentang migrasi kebutuhan dan minat pengguna, melalui pemilihan saluran dan konten yang disesuaikan, sehingga pengguna dapat hidup kembali.

Fitur potret pengguna yang disesuaikan

Di dunia saat ini di mana preferensi minat pengguna terus-menerus menantang imajinasi manusia, sulit untuk menemukan keseimbangan antara kehalusan potret pengguna dan biaya pembuatan aplikasi. Labelnya terlalu kasar, tingkat diferensiasinya tidak cukup untuk menargetkan pengguna secara akurat. Dengan tag yang lebih halus, lebih banyak data dan waktu yang lebih lama diperlukan untuk mengumpulkan, dan biaya tidak dapat dikendalikan. Dalam dilema seperti itu, operasi aplikasi dapat membuat dan memperbarui fitur yang membedakan secara real time melalui kemampuan pemodelan data dari penyedia layanan data pihak ketiga, dikombinasikan dengan penelitian mendalam mereka sendiri di bidang tertentu, untuk membantu mengoptimalkan potret pengguna.

Misalnya, untuk label penggemar bola basket, fitur pembeda tradisional didasarkan pada tingkat preferensi aplikasi bola basket pengguna. aplikasi jika Anda ingin label lebih akurat, Anda dapat menggabungkan perilaku spesifik pengguna saat menonton pertandingan, adegan offline tertentu untuk menyesuaikan fitur dan menghasilkan label pengguna yang lebih akurat.

Singkatnya, Internet seluler akan memasuki era pertumbuhan ke dalam, persyaratan aplikasi untuk operasi yang disempurnakan akan menjadi lebih tinggi dan lebih tinggi, dan peran potret pengguna dalam operasi yang disempurnakan akan menjadi semakin menonjol.

Aplikasi hanya melakukan potret pengguna yang baik dan baik, untuk benar-benar memahami dan memahami kebutuhan pengguna, untuk melakukan pekerjaan yang baik dari produk dan layanan, untuk mencapai konversi yang baik dari 30% pengguna super, sambil merevitalisasi 70% sisanya sumber daya pengguna. Aplikasi ini hanya dapat melakukan pekerjaan yang baik dalam memahami dan memahami kebutuhan pengguna, dan melakukan pekerjaan dengan baik dalam produk dan layanan, sehingga mencapai konversi 30% pengguna super dan merevitalisasi 70% sisa sumber daya pengguna.