1703881891
EM
1703881892
1703881893
实际上，这位先生在澳大利亚运营着一家经销汽车贷款的网络公司。在一个竞争力剧烈和高成本双面夹击的市场环境里，他不知道该如何转换点击付费广告（PPC）的流量。
1703881894
1703881895
1703881896
1703881897
这则反馈是一个很好的例子，它展现出了好几种处理方法，这些方法我们都能用得到。针对他的反馈，我提出了以下分类：
1703881898
1703881899
由于他想知道如何将我的技术应用于点击付费广告（PPC）上，也就是要将点击付费广告流量进行转换，因此我将这第一类细分称为“点击付费广告转换”。
1703881900
1703881901
接下来，他想知道如何将我的技术应用于销售非信息产品上。他谈论了很多有关在线培训讲座中的销售漏斗、信息产品的销售、辅导服务以及其他相关的事情，但是他不知道该如何将其运用到自己的业务中。所以我将这第二类称为“其他销售：非信息产品”。
1703881902
1703881903
在这之后，他想知道如何才能将他的技术应用于线下销售流程中，因为他的业务还不能在网上直接进行交易。他只能通过电话来监管澳大利亚网上汽车贷款报价的问题。所以我称这第三类为“线下销售流程”。
1703881904
1703881905
这基本上就是你想得到顶部20%反馈所应完成的流程（如果你顶部20%反馈不到100份，那么继续下延20%）。这代表你完成了第一次数据筛选。
1703881906
1703881907
1703881908
1703881909
通过合并与整合分类来缩小你的用户细分
1703881910
1703881911
在你第一遍仔细检查数据时，你很可能会得到几十种不同的分类。但是做这件事的主要目的并非是为了得到无数的用户细分，而是为了用3～5个用户细分来覆盖你市场中的80%用户。所以你需要对数据再进行一次筛选。
1703881912
1703881913
你需要在第一遍数据筛选时找出那些虽被贴上了不同的标签但却非常相似甚至是相同的类别。对于这些，你可以使用相同的名字，并且把它们合并到一个类别中。
1703881914
1703881915
举个例子，我已将我们例子中的第一类贴上了“点击付费广告转换”的标签，但后来我注意到我在另一个反馈中标记上了另一个类别标签“转换点击付费广告流量”。
1703881916
1703881917
对于所有的实际用途和目的来说，这两个分类代表着同一个问题。因此我将这两者都重命名为“点击付费广告转换”。这就是你的第一遍数据筛选。
1703881918
1703881919
在第二遍数据筛选中，你想找出只会小概率发生的多亚用户细分，然后把它们合并到一个更大的用户细分中。
1703881920
1703881921
举个例子，我注意到有很多人在建立他们自己的调查漏斗系统时会有一些非常具体的技术问题，因此我创建了一个叫作“技术问题”的分类，通过这种方法将这些反馈合并成一个更大的用户细分。
1703881922
1703881923
现在，你即将知道到底什么会成为你的“亚细分用户”。现在你要做的是将那些亚细分用户一一合并成不同的类别。
1703881924
1703881925
举几个出现在我调查中的亚细分用户例子：
1703881926
1703881927
• 首次访客转换（Cold Traffic Conversion）
1703881928
1703881929
• 点击付费广告转换（PPC Conversion）
1703881930
1703881931
• 点击付费广告准则（PPC Compliance）
1703881932
1703881933
• 谷歌右侧广告转换（AdWords Conversion）
1703881934
1703881935
• 必应转换（Bing[7] Conversion）
1703881936
1703881937
我认为这些都属于同一个分类。所以在保留这些单独的亚细分用户名称以及每个反馈的数量时，我已将它们归类成一个更大的用户细分，我将其称之为“点击付费广告／首次访客转换”。
1703881938
1703881939
在将所有亚用户细分合并为不同分类后，再根据每个分类所涵盖的反馈数量来降序排列这些分类。
1703881940
[
上一页 ]
[ :1.703881891e+09 ]
[
下一页 ]