利用数据拉动ToB产品销售方法

编辑导语：随着市场的不时开展推进，以及互联网的继续开展，如今产品市场在销售进程中会遇到资源难以合理分配的状况，这时我们就需求经过产品市场去提升多产品售卖状况；本文作者分享了关于怎样用数据手腕拉动ToB多产品销售，我们一起来理解一下。

随着ToB市场不时开展，融资、市场竞争逐步加剧，ToB企业为了新融资故事、新营收增长点，都会选择从单一产品逐步开展成为多元产品矩阵，掩盖更多业务场景。

但在实践多产品销售进程中，我们时常会遇到无限营销资源难以合理分配，BD销售与市场团队存在售卖分歧，不同产品商业奉献差距宏大，产品运营绝对独立，高关联度产品难以掌握最佳售卖机遇，低关联度产品难以停止穿插售卖等诸多理想成绩。

那么，明天就聊一聊如何经过产品市场去提升多产品售卖状况；在实践销售进程，「提升多产品售卖状况」这一命题会触及到多个环节以及对应关键角色：

多产品架构的设计：产品经理
多产品组合解决方案的设计：售前解决方案经理
销售提成、销售考核战略的制定：商机运营经理
市场营销（产品运营）：产品市场、产品运营、数据分析师
作为一个产品市场，我们十分希望不同产品可以更好停止组合售卖。一方面，多产品的售卖可以为业务奉献更多营收，不论是带来更多的资源耗费还是附加效劳消费；另一方面，多产品的售卖可以无效进步厂商的不可替代性，添加客户粘性，降低流失风险。最初，经过不同产品的组合，也能进一步提高服务质量，降低售后服务本钱。

虽然我们可以经过站内互相引流、不同售卖优惠活动、产品组合解决方案、最佳理论的产品组合推行，甚至销售BD的产品搭配考核等不同方式，来拉动多产品组合售卖；但作为一个数据驱动的产品市场（伪），我们明天就来换个视角去考虑这个成绩。

详细的看「提升多产品售卖状况」这一成绩，我们可以会细化成好几个成绩：用户在购置什么产品后，在运用产品到什么水平，就会还需求购置什么关联产品，怎样压服他们购置关联产品；这就需求找到不同产品之间的关联性之后，当用户身处在不同生命周期阶段时，我们对用户停止关联产品的价值传递。

那么，详细举措可以拆解为：断定中心产品—解析产品关联度—判别目的受众分群&最佳营销机遇—输入产品价值&自动化营销—数据反应迭代。

一、断定中心产品
想要完成无效的组合售卖，目前很多厂商会选择一拖多的方式停止；因而，断定中心产品尤为重要。

在断定中心产品的进程中，初创企业以及成熟企业有着些许不同。

关于初创企业而言，一方面，很多初创企业在企业晚期都是经过单一产品停止PMF，在占据一定市场份额后，逐渐展开产品矩阵。另一方面，这个晚期单一产品能够是后续其他产品的技术底座或许数据底座；关于这样的企业而言，将主力产品作为整个多产品组合的中心产品似乎成了独一的选择。

关于成熟公司而言，在占领某个新市场时，能够是多个产品同时面世发布。这时我们可以从两个维度选择中心产品：

产品品牌及产品价值维度：目前客户价值最高、口碑最好的主力产品；
产品商业奉献维度：AURP值或用户数量高的高流水产品。
在这里，能够会疑惑我们为什么不选择粘性产品、高利润产品？相较于主力产品，粘性产品关于客户的价值能够是在于主力产品处理中心业务成绩后的再优化，而非处理业务中心成绩；比方在企业上云这个大业务场景下，云服务器资源是推销的中心产品，容器相关产品是提升云服务器资源的运用效率，而非购置的中心产品。

在广告监测场景下，反作弊、渠道剖析、转化剖析是推销的中心功用，而后续的留存剖析等分析模型是后续的精细化功用。

高利润产品异样如此，商业奉献是绝对于厂商本身而言的，这对客户而言价值无限；由于高利润产品并不一定代表购置这些产品的企业就一定具有更深的钱包深度以及购置志愿。很多时分，高利润产品是主力产品的附加品，用以奉献利润，均衡收支。

二、解析产品关联度
在断定中心产品后，我们就要开端解析中心产品与其他产品之间的关联度。联络是普遍存在的，关联的存在是具有价值的。在停止解析产品关联度时，可以从产品/处理方案设计维度和运营剖析维度停止展开。

一方面，我们经过多个不同功用的产品来组成垂直或许横向的完好业务场景解决方案或许行业解决方案，停止产品的售卖；比如说企业数字化营销途径，普通会从用户行为剖析开端，然后自动化营销、个性化引荐、个性化预测这样子的线性演进流程；或许企业上云途径，普通从云服务器开端，然后在研发运维场景围绕容器或许中间件的相关产品停止横向展开。

那么，想要使得产品契合客户的业务开展途径，就需求产品经理、解决方案架构师针对特定行业或许业务场景，将行业了解表现在产品规划上，并将之设置成产品Roadmap，从而停止逐一地完成；或许以解决方案方式将横向或许存在递进关系的产品停止组合，增强产品关联度，并经过各种市场行为停止营销。

另一方面，虽然我们可以经过产品规划以及设计解决方案增强产品关联度，但由于实践使用者或许企业所处阶段、运用状况、业务视角不同，用户在实践运用进程中能够运用的产品与我们所预估的产品组合不尽相同。

以数据分析产品举例，当客户创立超越一定数量的用户分群后，他关于分群运营的需求逐步提升，那么我们能够以为为客户引荐相关个性化自动营销产品能够是一个十分好的机遇；或许，当客户树立了多个独自的事情剖析图表，那么引荐相关漏斗分析模型或许留存分析模型，也许是他正在方案的下一步。但也有能够，客户的需求就是到此为止，不会有更深的业务需求。

虽然凭仗行业经历，我们可以揣测出客户停止穿插组合购置的局部能够，但实际上客户需求的并不止这些，抑或我们在停止客观推断进程中存在偏向。

那么，为了更无效的停止验证，这就需求停止数据挖掘。这里我们可以自创关联引荐的相关规则，复杂解说一下关联引荐，关联引荐具有三个中心数据：支持度，置信度，提升度。

支持度：权衡某一关联的使用场景的多少（换成人话：关联组合呈现的频次）；
置信度：权衡某一关联在使用场景的占比（换成人话：关联组合的条件概率）；
提升度：权衡某一关联引荐的使用的好坏（换成人话：组合引荐购置某产品概率 / 直接购置某产品的概率）。
一个无效的复杂关联规则应具有较高的置信度以及较高的支持度。假如规则的支持度较高，但置信度较低，则阐明规则的可信度差；假如规则的置信度较高但支持度较低，则阐明规则的使用时机很少，一个置信度较高但普遍性较低的规则并没有太多的实践的使用价值。

借此，我们可以疾速发掘不同产品之间的关联关系。详细规则以及算法完成，感兴趣的同窗可以参考Apriori算法等数据挖掘的关联剖析算法，或许直接把这个Ticket直接交给心爱的BI同窗；在完成相关的数据挖掘后果之后，我们就能失掉相关的产品关联度，理解哪些产品合适搭配销售。

三、目的受众分群&判别最佳营销机遇
我们晓得了哪些产品合适组合售卖之后，新成绩也由此发生：随着客户的产品运用时长、资源消耗量、功用运用度越初等数据的愈加，关于产品的留存就越高，关于产品的信任度越高，能够购置其他关联产品的可能性越高。

但我们该在什么恰当的时分引荐给目的客户呢？

全生命周期、全渠道的营销只会形成客户心思上的抵触情绪；因而，为了处理这一成绩，我们需求对人群停止分群。分群需求结合人本属性、行为目标、业务目标三个维度，发掘其中的魔法数字。魔法数字（Magic Number）这个名词最先是在 Unix 程序设计中被提及，是指在算法中的常量数字或许标识。如今则常见于AARRR增长模型，用于完成用户留存的拉升。

但在实践使用进程中，魔法数字在AARRR 增长模型的不同阶段都可以有着奉献，在提升多产品售卖状况这一命题下，则是应用相关性剖析来洞察影响特定产品组合购置的相关关键目标变化。

1. 人本属性
在停止多产品售卖进程中，我们时常呈现一股脑想要把很多产品一口气都卖给用户的状况。

但不同产品之间的决策者、评价者、使用者存在或多或少的差别，甚至同一款产品中的不同账号角色都能够决议了我们能否可以顺利的卖出相关产品；因而，不论停止较重的线下营销活动还是线上自动化营销，对用户停止打签分群是一个十分重要的举措。

企业所处行业：行业标签代表着企业能够存在的具有行业特性的通用需求，比方银行关于平安、可用性有高要求。
企业规模、所处融资状况：企业规模、所处融资状况可以协助我们疾速判别企业的推销思绪，比方中小企的产品能够需求对一些云原生产品绝对感兴趣，协助他们疾速的低成本搭建起产品。
企业业务规模、用户量：同理，经过企业业务规模、产品用户量，结合规模增长状况判别企业的推销思绪。
现有产品推销状况（RFM）：现有产品推销状况，理解企业现有业务构建状况，判别企业后续推销思绪。
以上借助第三方API（企业信息：天眼查、APP产品信息：易观）都可以停止调用，或许调用自有的CRM、DMP、CDP数据，协助我们丰厚自有标签状况。

2. 用户行为目标
用户行为目标次要是从用户行为层面，发掘能够的关键目标，察看用户的实践运用状况停止判别，比方：

站内相关产品以及内容（产品引见/搜素查询/体验）的阅读状况；
相关用户的产品后台日登陆状况；
产品运用的日活泼状况、留存状况；
产品中心功用运用日、周、月频次；
产品中心功用运用总量；
不同中心功用的运用状况比照；
3. 产品运营目标
产品运营目标次要从整个产品层面，发掘能够的关键目标，比方：

产品全体数据量的提升；
产品全体的资源耗费以及金额状况；
关联产品的守旧状况；
这里要阐明的是，想要发掘相关用户行为以及产品运营的相关目标数据，需求在产品设计上线时就停止相关埋点，确保相关数据的采集。（否则的话，啥数据都没有，可以跳过下面的内容）

在找到跟购置转化相关的特征后，我们可以经过格兰杰因果关系检验去验证上述的相关后果。这里复杂引见一下格兰杰因果关系检验： 由于我们只是找出了跟购置相关的行为特征以及属性特征，但我们不晓得这些特征是否是购置的缘由，所以就要经过Granger causality test去验证这些特征是否是购置的缘由。

原理：两个经济变量X、Y之间的格兰杰因果关系定义为：若在包括了变量X、Y的过来信息的条件下，对变量Y的预测效果要优于只独自由Y的过来信息对Y停止的预测效果，即变量X有助于解释变量Y的未来变化，则以为变量X是引致变量Y的格兰杰缘由。

原假定和能否回绝：X 和 Y 是不存在因果关系, 当经过格兰杰因果检验后计算出来的 p 值大于0.05 则承受原假定, 否则回绝原假定。

当把相关属性特征停止验证后，我们就可以经过后续剖析找到转化的最佳工夫点（Aha moment）。

另外，复杂的数据分析关于很多市场运营、产品运营来说，过于复杂且假如数据资产过少，想要做到无效的数据分析也十分困难；因而，我们可以选择穷举测试以及用户访谈。

穷举测试非常简单粗犷，经过相关线上营销渠道（产品内的引导触点、产品外的EDM触点等）将能够关联的一切产品停止周期性价值传递，停止屡次、重复的营销推行，这也是目前很多厂商在做的事情。

在这个进程中，除了产品守旧以及产品关键行为目标的触发规则外，还会设定定时器、周期性、市场活动方案、功用运用等不同的触发规则。

穷举测试可以协助我们较低成本、疾速的展开营销，经过用户在相关推行资源的点击、相关EDM的翻开/内容点击状况，来评价用户关于我们所推送内容的兴味水平。

结合用户的互动反应，我们可以决议进一步的业务传递，想要完成整个流程就需求营销自动化帮我们完成相关的分支。然后再依据一切用户的反应，去提取关键行为。

但在这一进程中，会由于结合单个产品的奉献等人为缘由，形成推行资源的分配不均衡的成绩。（毕竟曝光工夫无限，无效的资源位也无限）虽然穷举测试可以协助我们较低成本、疾速的展开营销；但这样就会带来存在极大的概率成绩或幸存者偏向，并且形成十分多的信息乐音，会对客户的运用体验形成较大的影响；因而同时，采集回收数据的进程能够绝对更长一些，转化效率绝对无限。

除了线上穷举测试之外，我们还可以采用用户访谈办法，让我们疾速播种结论；但结论次要集中于人本属性以及产品运营目标，且能够由于抽样样本量的大小以及受访者、采访者质量等成绩，形成结论的偏向，需求与其他方式一同运用。

四、输入产品价值&自动化营销
当我们播种到关联产品以及关键行为后，剩下的事情就非常简单，我们只需求将日常预备的产品GTM停止提炼，经过我们所拥有的各种渠道停止营销；在自动化营销的进程中，我们次要是为了获取用户的反应，而非单纯的曝光；由于在收到用户的互动反应后，我们才干更好的去评价用户关于产品的了解志愿，以便停止愈加个性化的内容传递。

比方：

经过自动化营销工具，将产品线上局部的Onboarding Card、Mailbox等产品内的引导资源停止整合，并依据用户分群以及关键行为数据停止触发。
经过EDM/短信/智能电话等产品外的引导资源，经过触达互动效果，标志用户后续志愿。
经过leads CRM工具，将相关数据目标变化或异动推送给售后、售前工程师，为Upsell提供产品提示。
经过官网，停止关联产品官网的互相引流，促销活动进程中产品组合优惠，互相组合的工具集。
可以看到，我们可以发现多产品组合售卖的进程中，我们究竟应该使用什么营销手腕或许输入包装产品组合的价值物料其实并不重要（也是因为ToB企业的营销手腕就那么几种，产品的业务价值也是素日不断在积极迭代的）。

如何经过数据挖掘产品之间的关联性，找到最佳的营销机遇，才是产品市场在多产品售卖进程中所要关注的重点。