零售品牌怎么用个性化体验拉动增长？

随着消费的不断升级，用户消费的重点从单纯的“商品”，逐渐转移到更进一步的“购物体验”。现如今，整个零售行业都在谈论“体验感”，试图向销售模式中注入更多的个性化服务，从根本上提升用户个性化体验，真正盘活私域流量，引导消费转化。

个性化体验带给用户和企业的是一场双赢，它在给用户带来便捷、贴心和优惠的同时，帮助企业降低获客成本，提高用户转化率，预测并避免用户流失。

在9月23日的WRE CPG快消行业技术专题论坛上，火山引擎零售行业解决方案总监彭志就针对个性化体验领域，进行了一场干货满满的解说，对用户个性化体验进行了深度剖析，并分享了火山引擎是如何帮助企业解决实现个性化体验道路上的种种挑战，助力零售行业降本增效。

今天我们来一起聊聊个性化体验在零售行业内的应用。

大家每天刷头条、刷抖音，你总都能在信息流或者视频流里不断收到自己喜欢的内容，这使得用户体验非常好。这其实就是个性化体验，或者说智能推荐的优点，也正是这种体验，才让大家更多地留存在了平台上。

事实上，这种个性化体验不仅仅可以用在C端的产品上，还可以用在整个增长的方法论上。

火山引擎内部有一个观点，用户的个性化体验跟营销的ROI是密不可分的。

从用户体验而言，我们希望能够让他看到感兴趣的东西，尽可能地少去接触无用信息，以免造成不必要的信息干扰。

从营销运营的角度，我就可以省掉一些不必要营销开支，包括广告投放、短信促活的资源，甚至于包括激励红包的一些手段，那么最终就会有一个可观的效益。这就是用更低的成本带来更快速的用户成长，也可以叫做“把用户增长的资源花到了刀刃上”。

什么是个性化体验？

用一句话概括个性化体验，就是针对正确的人，在正确的时间点，做正确的事情。

从营销的角度，做正确的事就是推商品、推短信或者各种各样的营销激励。我们可以用抽象化的方式将其拆解成几个步骤。

首先按照不同的业务目标做相应的场景建模。在不同的用户生命周期阶段，我们有着不同的业务场景目标。

• 从新客培育的角度来看，我们更多地关注那些进入站内、APP或小程序的客户，他们进行了浏览但没有购买，那么我们要想办法快速形成转化。以往大家依赖于过往经验和规则进行营销，但缺少细分的策略；

• 从宏观运营的角度，我们则关注提升整体用户活跃度指标，这时就需要以另外一种视角去判别最终需要触达的用户，建模的方式也会有一些区别；

• 从销售指标的视角，就是在平常做campaign时，在营销预算投放方面，我们希望能够圈出那些销售转化更高的用户。

有了上述场景之后，我们对用户生命周期进行明确的刻画。以前我们按照RFM模型，观察整个流程和频率来分析销售贡献。事实上，如果数据量级足够多，对客户特征的刻画足够明确时，我们可以将其转化为一个个的特征向量。此时机器也可以主导一些判断，例如应该在什么时间点，针对什么用户做触达。

当然，最核心的是在触达的内容层面，其策略建模也最为复杂，我们需要考虑用户对商品的偏好、长期的价值以及行为习惯。

• 商品偏好指用户对什么内容感兴趣；

• LTV指我们应不应该给他券或者折扣；

• 行为习惯指用户会在什么时间点到平台中产生哪些行为。

最终这三个方面会组建为一个预测模型和经济模型，并以此触达。这里有一点要注意，算法所驱动的所有触达都是一次性的，但仅一次的触达无法做到准确推算，因此在触达过后，我们将回收捕捉到的所有信息，在算法模型中进行持续反馈和优化，并不断滚动训练用户的行为轨迹。

这整个算法模型的运作流程是怎样的？

首先是全生命周期的流程化运营，以前的全生命周期更多的是站在一个业务指标的视角上，观察用户处于哪个阶段，再用不同的方式去触达。这种方式在早期非常管用，但它一般服务于单次KPI，它的策略是人为发起的，触达时机也是由运营活动来决定的。

当整个模型训练地足够持久、数据积累足够多时，机器就能决定触达时机。我们把用户的生命周期画成一个向量维度，当算法感知到它的状态即将发生跃迁时，例如一个单次购买的用户，机器预测到他下次可能会形成复购，此时我们就可以按照其长期价值和整个会员生命周期的净值，给予不同的营销内容，类似商品的选择、券的激励以及红包类的资源等。

个性化体验应用场景

下面我就通过几个场景进一步举例：

场景1：持续优化用户活跃

早两年，大家做私域时更关心如何蓄积客户量，但今年，很多私域会员资产积累到一两千万时，都面临了一个比较头疼的问题，就是会员活跃度不高。

相对于前两年，现在大家会花更多的精力在促活上，但现在大部分的品牌方和零售商，促活策略比较固化，一般是按照购买经验、购买记录圈定用户人群。

如果通过算法建模的能力，我们就能更加精细化地服务于促活场景，火山引擎的零售行业解决方案中囊括了字节内部用户增长所用的活跃度模型和程序化文案的技术，能够很好地帮助零售企业解决促活问题。

在这种触达场景里面通常会有几个变量。第一是对人群活跃度的刻画准不准；第二是刻画用户到底对什么商品感兴趣；第三是能不能组织好短信的文案，做个性化的触达。用户在不同时间点收到短信打开的概率和看到不同的文案内容的唤醒率都是不一样的。

还有一种通过自增长裂变的成长体系的方式，包括在群里通过红包、金币或者积分游戏，鼓励用户不断地打开应用，这些方式的用户唤回成本更低，其次留和活跃度的效果也会更好。火山引擎的零售行业解决方案中，也把字节内部的成长体系、积分体系和一些合作伙伴的开放体系，以SDK的方式集成，来帮助大家。

场景2：优化私域留存和转化

当用户来了、活跃了之后，要如何用更好、更精确的方式进行留存和变现？这里推荐算法和人券匹配的能力就起了作用。

券需要更多精细化的刻画，例如用户在平台的整个生命周期状态以及能带来的长期价值。火山引擎内部现在的ROI模型对用户在多渠道所产生的整体长期价值有着非常精细化的刻画，已经细粒度到每一个DeviceID。

早期，我们和手机3C的客户，把场景应用在信息流分发和APP分发上，给客户带来了非常高的收益增长，现在我们又把这方面的能力带给电商类、新零售类的客户。

我们可以针对全站非常多的场景，从搜索，到首页的猜你喜欢，到商品分类页，一直到商品详情页，甚至于未来会在PUSH短信上、小程序或者H5的落地页上，都能根据用户行为和后续产生的购买转化，进行更精细化的刻画，给予用户更好的体验。

实现个性化的挑战

现在火山引擎对接的很多商户，在整个合作过程中都有很好的DAU和GMV增长和可观的收益，但大部分的品牌商和零售商，还面临着很多挑战。

挑战1：冷启动、数据稀疏性难题

做私域的步伐有先有后，企业数字化的程度也不一样，但大家都普遍面临一个问题，就是在冷启动和数据稀疏性上，特别是当用户第一次来的时候，我们到底该用什么样的策略？

随着像联邦学习这类技术的逐渐成长，我们把这方面的解决能力与电商和广告投放的伙伴进行合作，现在我们希望把这块能力输出到整个泛零售行业，去帮助大家构建起更精准的冷启动的场景和更精细化特征的匹配。

挑战2：个性化体验无法一步到位

另外一方面，个性化体验能力的构建是一个不断成长和不断打磨的过程，很难一步到位。当然有很多品牌零售商户在很多层面具备一部分能力，包括数据埋点、APP工具、数据中台的建设，这些都是为未来去打造真正的个性化的体验服务所必备的一些条件。

火山引擎助力实现个性化体验

火山引擎是字节体系内做技术ToB的服务主体，最早服务于集团内部所有业务，包括数据中台的搭建、推荐算法的构建以及营销ROI的提效。现在火山引擎对外服务的时机也非常成熟，因为大家不管是数据中台的搭建，还是在私域流量的建设，在渠道和数据层面已经具备很强的能力。

当然，有很多的品牌方整个数字化转型处在相对早期的阶段，所以火山引擎提供了从数据到算法几个层面产品的服务，以满足不同阶段、不同数字化能力的客户。如果企业有自己的数据平台，我们可以在上面加算法；如果没有数据中台，我们也可以提供从UBA到A/B Test，再到用户画像管理相应的底层数据能力。

对于整个个性化体验，火山引擎提出了“用户智能引擎”的概念，其最核心部分就是整个算法、建模以及相应的以目标为导向的一套方法和框架。

此前在与一家鞋服类电商平台的合作中，我们就通过“用户智能引擎”在整个促活、站内转化，以及沉睡用户预测和召回等场景里，于广告CTR、广告投入ROI、站内转化DAU和GMV等各个方面，都取得了比较显著的效果。

现在我们也希望把这块能力输出到整个零售行业，帮助大家通过个性化体验，拉动业务快速增长。