community-group-buying-acquisition-retention

# 模块三：获客与留存 > **模块边界说明** > 本模块聚焦"用户"的获取与留存，即流量从哪里来、怎么留住用户、怎么让用户反复购买。 > 选品策略 → 模块一 > 团长运营 → 模块二 > 各模块边界独立，不重叠。 --- ## 知识库 ### 3.1 获客渠道全景图 社区团购获客有五类渠道，各有优劣： ``` 获客渠道矩阵： 低成本 高成本 ↑ ↑ 存量裂变 ──────┤ 地推扫码 ─────┤ │ │ 老带新 ──────┤ 线下摆摊 ─────┤ │ │ 公众号 ──────┤ 广告投放 ─────┤ │ │ 小程序分享 ──────┤ KOL合作 ─────┤ │ │ 团长私域 ──────┤ 门店引流 ─────┤ ``` #### 五类渠道详解 **渠道A：存量裂变（ROI 最高） - 定义：老用户带动新用户 - 工具：拼团邀请、分享红包、助力免单 - 优点：成本极低（平台出优惠券，实为补贴）、信任度高 - 缺点：天花板明显（老用户有限）、传播链短 **渠道B：老带新（ROI 1:8-15） - 定义：老团长推荐新团长、老用户推荐新用户 - 工具：推荐奖励（团长）、邀请有礼（用户） - 优点：信任背书，转化率极高 - 缺点：规模受老用户基数限制 **渠道C：地推扫码（ROI 1:3-5） - 定义：BD 人员在社区/菜市场摆摊，引导扫码关注 - 工具：扫码送鸡蛋/纸巾等小礼品 - 优点：可规模化、覆盖面广 - 缺点：成本高（地推人员 + 礼品成本）、用户质量参差不齐 **渠道D：团长私域（ROI 最高但依赖团长质量） - 定义：团长在微信群/朋友圈发布内容，直接转化 - 工具：早报推送、限时秒杀、新品预告 - 优点：零成本（团长时间成本由佣金覆盖）、信任度高 - 缺点：完全依赖团长运营能力，平台无法直接控制 **渠道E：广告投放（ROI 1:1-2，适合品牌期） - 定义：朋友圈广告/抖音/微信搜索 - 优点：可快速起量 - 缺点：ROI 低，用户留存差，不适合初创期 #### 各渠道 ROI 对比 | 渠道 | ROI | 适合阶段 | 适合平台 | |------|-----|---------|---------| | 存量裂变 | 1:15+ | 全阶段 | 任意 | | 老带新 | 1:8-15 | 全阶段 | 任意 | | 团长私域 | 1:10+ | 中后期（团长已成熟） | 任意 | | 地推扫码 | 1:3-5 | 冷启动期 | 资金充足时 | | 广告投放 | 1:1-2 | 品牌期 | 成熟平台 | --- ### 3.2 社群运营核心框架 社群是社区团购的主战场，用户 80%+ 的交易在社群内发生。 ``` 社群运营三角： 内容 / \ / \ / \ 互动 —— 交易 内容：让群有价值（不只是卖货） 互动：让群有温度（不只是公告板） 交易：让群能变现（最终目标） ``` --- ### 3.3 用户分层体系 用户按价值分层运营： ``` 用户分层模型（RFM 简化版）： 高价值用户：近30天购买 ≥ 4次 且 客单价 ≥ 50元 → 占用户总数 15% → 占 GMV 贡献 50%+ → 策略：VIP专属服务、优先新品试用 潜力用户：近30天购买 2-3次 或 客单价 ≥ 30元 → 占用户总数 25% → 占 GMV 贡献 30% → 策略：提升频次、提升客单 普通用户：近30天购买 1次 → 占用户总数 35% → 占 GMV 贡献 15% → 策略：激活复购、引导加购 沉默用户：近30天无购买，但注册 > 7天 → 占用户总数 15% → 占 GMV 贡献 < 5% → 策略：召回激励、流失预警 流失用户：近60天无购买 → 占用户总数 10% → 几乎不贡献 GMV → 策略：超低价召回、放弃（成本过高不投） ``` --- ### 3.4 各平台获客策略差异 #### 美团优选 ``` 获客策略：流量互通 + 地推优先 核心打法： 1. 美团 APP 首页流量导入（美团 4 亿用户基础） 2. 地推团队规模化获客（BD 1万人） 3. 团长拉新：每新用户首单奖励 3 元 用户留存重点： → 美团品牌背书，用户天然信任 → 依托美团外卖骑手做线下渗透 → 会员体系：美团会员通用 弱点：用户对平台无情感连接，纯价格驱动 ``` #### 多多买菜 ``` 获客策略：社交裂变 + 拼团驱动 核心打法： 1. 拼团机制：2-3 人成团，团长社交关系裂变 2. 邀请助力：帮砍价/助力免费拿，朋友圈刷屏 3. 低价爆品：1 分钱秒杀，引流进群 用户留存重点： → 拼团成功后留存（群主持续运营） → 拼多多用户本身价格敏感，复购依赖持续低价 → 重度运营"限时秒杀"保持社群活跃 弱点：用户忠诚度极低，谁便宜买谁 ``` #### 兴盛优选 ``` 获客策略：门店获客 + 社区渗透 核心打法： 1. 线下门店：进店顾客扫码关注，实体店信任背书 2. 团长推荐：门店老板即是团长，人情社会关系深 3. 本地化推广：社区公告栏/菜市场横幅/社区微信群 用户留存重点： → 团长与用户同社区，天然强关系 → 实体店可见，用户信任感强 → 社区活动（节日促销/免费试吃）增强粘性 优点：用户忠诚度最高，次月留存率 78% ``` #### 淘菜菜 ``` 获客策略：88VIP + 淘宝生态联动 核心打法： 1. 88VIP 会员专属价（会员有认同感） 2. 淘宝直播带团购（内容电商） 3. U先试（试用装发放）拉新 用户留存重点： → 阿里系会员体系，用户有归属感 → 内容运营：淘宝直播/种草社区 → 88VIP 会员复购率高（已付费会员） 弱点：拉新成本高，依赖阿里生态 ``` --- ### 3.5 复购驱动体系 复购是社区团购最核心的运营指标： ``` 复购驱动三要素： 1. 习惯养成（让用户形成购买习惯） → 定时推送：每天同一时间发"今日爆品" → 频次提醒："您已 3 天没下单啦" → 周期购：每周三会员日/周末囤货节 2. 利益激励（让用户愿意回来） → 积分体系：积分抵现金/积分换赠品 → 满返优惠：连续购买 3/5/7 次解锁满返 → 会员专享价：高频用户享额外折扣 3. 情感连接（让用户不想离开） → 团长人设：团长是"邻居朋友"不只是卖货 → UGC 内容：鼓励用户晒好评/买家秀 → 社区归属：线下自提点变成社交场所 ``` --- ## 方法论 ### 3.6 社群运营 SOP（日常版） ``` 每日社群运营时间轴： ┌──────────┐ │ 07:00 │ 早报推送（今日爆品预告） │ 10:00 │ 第一波下单提醒（限时优惠） │ 11:00 │ 爆品种草（图文并茂） │ 14:00 │ 午间加购（适合下午茶的轻食） │ 16:00 │ 发货提醒（今日下单已发货） │ 19:00 │ 限时秒杀（黄金时段，18-21点最佳） │ 20:00 │ 好评展示（用户晒单 + 团长推荐） │ 21:00 │ 明日预告 + 晚安互动 └──────────┘ 注意：每天消息不超过 5-7 条，避免刷屏被用户屏蔽 ``` #### 爆品推送话术模板 ``` 【限时秒杀 30 分钟】 🏆 今日王炸！山东大樱桃 250g 💰 秒杀价：9.9 元（市场价 19.9） 📦 仅限今日，售完即止 张姐说："上次买的特别甜，孩子爱吃" 李哥说："已经第 3 次回购了" 👇 点击链接下单 👇 [小程序链接] ━━━━━━━━━━━━━━━━━ 留言"已买+1"，揪 3 位送 5 元优惠券 ``` #### 早报推送话术模板 ``` 【 早安！今日团品已上线 🌟 】 📣 今日爆品预告： ① 🦐 厄瓜多尔白虾 400g → 秒杀价 23.9（超市 39） ② 🍑 阳山水蜜桃 4 个 → 拼团价 18.8 ③ 🥬 有机小青菜 300g × 2 → 9.9（新用户专享） ⏰ 秒杀 10:00 开抢，定好闹钟！ 💬 昨天买了鸡蛋的王姐说： "比菜市场便宜 2 块，个头还大" ━━━━━━━━━━━━━━━ 有问题找团长，24 小时在线～ ``` ### 3.7 用户召回 SOP 不同沉默程度的用户，召回策略不同： ``` 召回分层策略： 轻度沉默（7-14天未购买）： → 推送高性价比刚需品（如大米/鸡蛋） → 文案："您好久没来了，这次有个秒杀您肯定感兴趣" → 优惠：首单满 30 减 5（限时 3 天） 中度沉默（15-30天未购买）： → 推送老用户专属价（比新用户更低） → 文案："我们想您了，这是您的专属优惠" → 优惠：老用户专属 8 折券（限时 7 天） 重度沉默（31-60天未购买）： → 推送大额召回红包 → 文案："流失用户召回，专属福利仅此一次" → 优惠：满 20 减 8（仅限一次） 流失用户（>60天）： → 推送超低价引流品（近乎成本价） → 文案："我们升级了，想请您回来看看" → 优惠：1 分钱购指定商品（限新客） → 注意：成本过高，建议放弃或低预算测试 ``` ### 3.8 用户分层驱动的活动策略 > **MECE边界说明**：本节聚焦"针对哪类用户做什么活动"，即基于用户分层的活动策略制定。 > 具体的活动形式设计（秒杀/满减/拼团等）、优惠券体系、大促策划 → 模块六（营销与促销） > 本节不重复 Module 06 的活动机制设计，只聚焦用户分层与活动目标的匹配。 ``` 用户分层活动匹配矩阵： ┌─────────────────────────────────────────────────────────────────────────────┐ │ 用户层级 活动目标 活动类型 预期效果 │ │ ───────────────────────────────────────────────────────────────── │ │ 高价值用户 留存维护 会员专享/积分体系/新品试用 月复购≥3次 │ │ 潜力用户 提升频次 满减阶梯/复购返券 月复购≥2次 │ │ 普通用户 激活复购 限时秒杀/首单礼 月复购≥1次 │ │ 沉默用户 召回激活 大额召回券/专属活动 召回率≥15% │ │ 流失用户 超低价召回 1分钱引流/专属福利 召回率≥3% │ └─────────────────────────────────────────────────────────────────────────────┘ Step 1：识别活动目标用户 数据来源：Module 08 用户画像 / RFM 分层 判定标准： 高价值：近30天≥4次购买 且 客单价≥50元 潜力用户：近30天2-3次购买 或 客单价≥30元 普通用户：近30天1次购买 沉默用户：距上次购买7-30天 流失用户：距上次购买>60天 Step 2：匹配合适活动类型 高价值用户 → 专属活动（不打折，保护品牌价值） 活动：会员日/新品抢先购/专属积分加倍 禁忌：不能用优惠券打扰（降低品牌调性） 潜力用户 → 提升频次（引导加购） 活动：满减阶梯/品类券/复购提醒 禁忌：不能用超低价（惯坏价格敏感度） 普通用户 → 激活复购（给一个下单理由） 活动：限时秒杀/今日特惠/老用户专享价 注意：限时紧迫感是关键 沉默用户 → 定向召回（大额激励） 活动：大额券（满25减10）/专属老用户价 注意：必须定向发送，避免全量发券浪费预算 流失用户 → 超低价召回（吸引回巢） 活动：1分钱商品/限时0元购 注意：成本高，仅用于挽回高潜力流失用户 Step 3：制定分层运营日历 日常运营（每日）： 高价值用户：07:00 推送新品/会员专享 潜力用户：14:00 推送限时加购提醒 普通用户：19:00 推送当日秒杀 周主题活动： 周一：潜力用户专属券发放日 周三：高价值用户会员日 周五至周日：普通用户秒杀高峰 月度召回： 每月1日：沉默用户定向券发放 每月15日：流失用户超低价召回活动 注意事项： → 避免同一用户同时收到多张冲突优惠券 → 活动频率：每用户每周触达 ≤ 3次（避免骚扰） → 数据验证：活动后追踪各层级转化率，优化策略 ``` --- ## 工具集 ### Tool 1: 用户分层分析器 ```python #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 用户分层分析器 输入：用户近30天购买数据 输出：用户分层占比 + 重点运营建议 """ def classify_user( purchase_frequency: int, # 近30天购买次数 avg_order_value: float, # 平均客单价 days_since_last: int, # 距上次购买天数 ): """ 单用户分层 Returns: str: 用户层级 str: 运营建议 """ if days_since_last > 60: return "流失用户", "超低价召回或放弃" elif days_since_last > 30: return "沉默用户", "大额优惠券召回" elif purchase_frequency >= 4 and avg_order_value >= 50: return "高价值用户", "VIP专属服务，优先新品试用" elif purchase_frequency >= 2 or avg_order_value >= 30: return "潜力用户", "提升频次，引导加购" elif purchase_frequency == 1: return "普通用户", "激活复购，引导加购" else: return "新用户", "首单优惠，培养习惯" def analyze_user_portfolio( user_data: list, ): """ 用户组合分析 Args: user_data: list of dicts with keys: - user_id - purchase_frequency (int) - avg_order_value (float) - days_since_last (int) Returns: dict: 分层统计 + 运营建议 """ segments = { "高价值用户": {"count": 0, "gmv_contribution": 0.0}, "潜力用户": {"count": 0, "gmv_contribution": 0.0}, "普通用户": {"count": 0, "gmv_contribution": 0.0}, "沉默用户": {"count": 0, "gmv_contribution": 0.0}, "流失用户": {"count": 0, "gmv_contribution": 0.0}, "新用户": {"count": 0, "gmv_contribution": 0.0}, } for u in user_data: seg, _ = classify_user( u["purchase_frequency"], u["avg_order_value"], u["days_since_last"], ) segments[seg]["count"] += 1 total = len(user_data) or 1 segment_summary = {} priority_actions = [] for seg, data in segments.items(): pct = data["count"] / total * 100 segment_summary[seg] = { "人数": data["count"], "占比": f"{pct:.1f}%", } # 识别重点问题 if segments["沉默用户"]["count"] / total > 0.20: priority_actions.append("⚠️ 沉默用户占比 > 20%，需立即召回") if segments["流失用户"]["count"] / total > 0.10: priority_actions.append("⚠️ 流失用户占比 > 10%，需评估召回价值") high_value_pct = segments["高价值用户"]["count"] / total * 100 if high_value_pct < 10: priority_actions.append("⚠️ 高价值用户占比 < 10%，需加强培养") return { "总用户数": total, "分层明细": segment_summary, "优先行动": priority_actions if priority_actions else ["✅ 各层级用户结构健康"], } def calculateRetentionMetrics( week1_users: int, week2_retained: int, week3_retained: int, week4_retained: int, ): """ 计算留存率 Args: week1_users: 第1周活跃用户数 week2_retained: 第2周仍活跃用户数 week3_retained: 第3周仍活跃用户数 week4_retained: 第4周仍活跃用户数 Returns: dict: 次日/7日/30日留存率 """ d1 = week2_retained / week1_users * 100 if week1_users > 0 else 0 d7 = week3_retained / week1_users * 100 if week1_users > 0 else 0 d30 = week4_retained / week1_users * 100 if week1_users > 0 else 0 return { "次日留存率": f"{d1:.1f}%", "7日留存率": f"{d7:.1f}%", "30日留存率": f"{d30:.1f}%", "健康标准": { "次日留存率": "40-50%（优质）", "7日留存率": "25-35%（优质）", "30日留存率": "10-20%（优质）", }, } def run(): print("=" * 55) print("用户分层分析器") print("=" * 55) mode = input("模式：1-演示数据 / 2-手动输入用户数据：").strip() or "1" if mode == "1": # 演示数据 demo_data = [ {"user_id": "U001", "purchase_frequency": 6, "avg_order_value": 68.0, "days_since_last": 2}, {"user_id": "U002", "purchase_frequency": 3, "avg_order_value": 45.0, "days_since_last": 5}, {"user_id": "U003", "purchase_frequency": 1, "avg_order_value": 28.0, "days_since_last": 10}, {"user_id": "U004", "purchase_frequency": 0, "avg_order_value": 0.0, "days_since_last": 35}, {"user_id": "U005", "purchase_frequency": 5, "avg_order_value": 55.0, "days_since_last": 3}, ] data = demo_data else: # 手动输入 n = int(input("用户数量：").strip() or "5") data = [] for i in range(1, n + 1): print(f"\n--- 用户 {i} ---") uid = input("用户ID：").strip() or f"U{i:03d}" freq = int(input(" 购买频次（月）：").strip() or "3") aov = float(input(" 客单价（元）：").strip() or "35") days = int(input(" 距上次购买天数：").strip() or "10") data.append({"user_id": uid, "purchase_frequency": freq, "avg_order_value": aov, "days_since_last": days}) result = analyze_user_portfolio(data) print(f"\n用户总数：{result['总用户数']}") print("\n分层明细：") for seg, segdata in result["分层明细"].items(): print(f" {seg}：{segdata['人数']}人（{segdata['占比']}）") print("\n优先行动：") for action in result["优先行动"]: print(f" {action}") print("\n" + "=" * 55) print("留存率参考指标") print("=" * 55) metrics = calculateRetentionMetrics(1000, 450, 300, 150) for k, v in metrics.items(): if k != "健康标准": ref = metrics["健康标准"].get(k, "") print(f" {k}：{v} 参考：{ref}") if __name__ == "__main__": run() ``` ### Tool 3: 社群活跃度分析器 ```python #!/usr/bin/env python3 # -*- coding: utf-8 -*-