bts防弹少年团演唱会

bts防弹少年团演唱会

CXL Live 2018回顾:每位演讲者的前5个课程

《CXL Live 2018回顾:每位演讲者的前5个课程》

CXL” live>是我们关于增长和优化的旗舰会议。 2018年版的CXL Live汇集了来自22个国家的400名从业者,每个人都在一个美丽的度假胜地“锁定”了整整三天。


这次活动让与会者回归……

……以及第一次参加者:

此事件再次由唯一且唯一的Michael Aagaard主持:

以下是每个发言者的5个提示/想法/课程(很难将其缩小到5个!)。

布莱恩艾森伯格 – 告别购买按钮

  • 我们将来用来购买东西的界面不会是屏幕。
  • 声音越来越快,现在投资它的时间。 57%的人在他们的设备上通过语音订购了一些东西。 亚马逊为他们的Alexa部门雇佣了更多的人,而不是谷歌为整个公司雇用的人 – 这不是预感,这将成为焦点
  • 移动的实际年份是10年前(iPhone的发布),我们仍然有可怕的移动体验。
  • 亚马逊在这四大支柱之上建立了增长点:
    • 以客户为中心
      • “最重要的一件事就是专注于顾客” – 杰夫贝索斯
      • 他们可能会相信“客户永远是对的”,但他们如何行事? [郁郁葱葱的例子]
    • 创新文化
      • Prime是一份6页的备忘录:灵感来自Costco会员模型 – 作为测试而构建
    • 企业敏捷
      • 两个披萨方法 – 组织执行
      • 你收到多少封电子邮件? 透明度与敏捷性相关(您的CEO是否知道您上个月运行了多少次测试?)
    • 持续优化
      • 协调客户和业务目标
      • 不仅仅是提升 – 这会对客户产生什么样的影响?
  • 亚马逊是一个巨大的灰熊,我们是它试图抓住的鱼。 为了生存,我们不需要打败灰熊,只需要比其他鱼更快。 最快的鱼获胜。

Hana Abaza – 在变革中茁壮成长,推动增长并在Shopify学到的经验教训

  • 到处都有低调的果实。 在此之后可能会破坏长期目标。
  • 你必须更加系统地定位。 不再呕吐独角兽和彩虹
    • 营销可以打磨粪便。 定位可以将粪便变成肥料。
    • 定位不是营销组成的东西,而是市场营销所揭示的东西
    • 消息和品牌是定位的表达
    • 如果您处于一个成熟的行业,定位需要关注您与谁的关系。
  • 大多数营销人员说,他们知道不是每个人都在目标市场,但他们并不总是这样。
  • 事实不会改变思想 – 对销售和客户都是如此。
  • 你需要明确目的 – 否则其他一切都将崩溃,你无法确定优先顺序。

Ed Fry – 客户数据运营:释放您隐藏的增长引擎

  • 您需要在每个接触点进行超个性化操作:
    • 了解客户的一切。
    • 个性化是一个数据问题,而不是营销问题。
    • 数据是孤立的 – 坐在不相互交谈的不同工具中。 有5k营销工具 – 完全压倒性的! 疯狂! 这是“Frankenstack”。 这会拖累我们作为营销人员尝试做的所有方面。
  • 解决方案是客户数据平台(CPD)。 买CDP? 不要被愚弄 – 寻找这些必须具备的功能/特征……
    • 统一的客户档案
    • 将原始客户数据转换为新特征
    • 查询,构建和更新客户群
    • 映射和同步配置文件数据
  • 权力在于如何使用客户数据。 您可以从您的工具,团队和数据中获得哪些经验?
  • 自由的5个步骤:
    1. 找到理想的客户档案。 就共同定义达成协议。
    2. 映射整个客户旅程。 跟踪和追踪所有客户路径/旅程。 绘制每个生命周期阶段和变体,并为每个阶段命名。 为每种体验分配内容和渠道
    3. 雇佣和解雇 – 工作的工具。 经验发生在循环中。 确定您的频道。 使用数据丰富。
    4. 在工具之间集成配置文件数据。 映射所有关键配置文件和数据。 丰富 – 了解这是否是理想的客户。 创建细分,跨工具跨数据同步。
    5. 协调1:1个性化[大规模]。 防爆。 电子邮件:使用数据通过从各个来源(例如以前的对话,Facebook,对讲机……)提取数据来发送高度个性化的消息。 作为一个团队一起探索编排思想。 一次完成1个工作。

Ezra Firestone – 现在电子邮件营销的作用

  • 电子邮件和广告是两大沟通渠道。 平均花费1美元用于电子邮件返回38美元。
  • 最适合电子邮件的结构
    • 品牌标题和标语
    • 标题
    • 与CTA相关的标题
    • 提醒人们你关心他们
    • 美学上升
    • 符合品牌精神,与网站一致
    • 更新的页脚
    • 添加相关内容的链接
    • 88%的人在智能手机上积极查看电子邮件,需要进行移动优化
    • 移动是收入的约50%,更短的形式更好
    • 66%的取消订阅发生在下午5点到晚上10点之间
  • 定位电子邮件开启者和答题器,向打开但未点击,点击但未购买的人投放广告。
  • 嵌入在Facebook上托管的博客视频,以便您可以跟踪消费并向他们做广告。
  • Messenger将成为近年来最大的渠道。 例如:中国的微信
    • 亲密的沟通是我们实际进行对话的方式,而不是电子邮件或广告
    • 比任何营销渠道更多的活动和参与,比电子邮件,付费,实体邮件更好
    • 信使子价值5至10倍电子邮件子
    • 60-80%的开放率和点击率
    • 即时交付
    • 从Facebook新闻Feed购买
    • 为您的品牌建立Messenger受众群体永远不会像现在这样容易或负担得起。

Alexa Hubley – 观看浪漫喜剧的主要客户营销

  • 客户营销 – 我们的工作是大规模建立关系,以便他们爱上我们。 我们希望他们从屋顶上唱出他们爱我们的程度。
  • SaaS客户的两个最可怕的词 – “定价变化” – 避免让客户感到震惊
  • 创造亲密感
    • 难以扩展
    • 专注于细分规划
    • 在unbounce – 在改进的Google Sprints结构中工作。 理解 – 决定 – 原型 – 最终确定 – 发布(开始时的数据和研究,在发布之前决定中间目标,QA)。 未爆炸的14k客户 – > 14个团体/同类群组
  • 佑你的客户。 他们使用幽默 – 创建了一个首席折扣官 – CDO – “幽默来销售交易”活动,其中包括多个电子邮件和直接邮件。
  • 通过recriprocity建立信任。 当人们感到特别时,他们会对优惠做出积极回应。

Tara Robertson – 如何通过优化客户营销和保留来实现10倍增长

  • 保留是最重要的 – 如果那是穷人,没有其他事情重要。 专注于留住客户。 翻转您的渠道 – 只有5%的收入来自优化,但92%的收入来自保留。
  • 流失的2个原因:
    • 客户看不到价值(感知价值)
    • 环境(战略变化等与你无关)
  • 主要焦点 – 开始测试您的定价模型和价值主张(与客户产生共鸣的因素)
  • 为流动的客户创建赢回活动
  • 使用定性研究:发送调查并使用激励(10个问题)。 调查结束后安排面试,以加深理解。 只问开放式问题。 要求提供残酷和诚实的反馈(尝试获得负面/不良反馈),以显示要改变的内容。

Bangaly Kaba – 十亿之路:从Instagram成长中吸取的教训

  • 关注边际用户(=非高级用户) – 很重要,因为每次点击对该用户来说都是昂贵的。 存在增长以消除采用障碍。
  • 影响需要“理解工作”。 持续影响需要从第一原则开始 – 理解,识别,执行与识别,证明,执行(后者是错误的方法)。
  • 每天跟踪生态系统健康 从保留开始。 了解增长会计 – 新的,复活的与搅动的=净增长(也可以在功能级别,而不仅仅是产品)。 努力定义有意义的产品指标 – 团队成功的推动者。
  • 迭代愿景。 你想要的最终状态是什么? 有远见。
  • 缩小并解决更大的问题。
    • 理解:漏斗分析识别机会 – 由于登录屏幕设计不良,每天75,000人无法登录
    • 识别:增加FB登录入口点的突出性
    • 执行:事情并不总是按计划进行 – 更新不起作用,因此不得不迭代

Candace Ohm – 数学家的增长优化指南

  • 要了解收购,您必须了解终身价值。
  • 您有两种类型的用户:偶尔用户和频繁用户。 频繁的用户 :成长的关键。
    1. 增加参与度
    2. Virality:为您推荐产品的用户数:如果您的K因子大于1,则呈指数增长
    3. 网络效应:优步效应。 每个额外的用户都会呈指数级增长
  • 如果你没有专注于正确的事情,曲线的斜率将向上移动但保持平坦。 Spiceworks专注于增加用户,但它仍然活着。 2016年,他们进行了大规模裁员,不得不改变策略。
  • Dropbox:首先通过病毒式传播实现增长。 朋友推荐朋友。 所以他们优化了推荐流程。 Dropbox:推荐我的朋友和家人 – 生成一个很好的个性化电子邮件。 推荐的朋友可以轻松跟进,这对两者来说都是一个胜利。 建立信任。 每个人都赢了。
  • 优化让人们变得更频繁的用户。

Guy Yalif – 为营销人员揭开AI的神秘面纱

  • AI擅长什么? 一次管理很多。 加速学习。 听力和反应24×7。 精确行事(样本量可能很大)。 AI有助于完成更多工作,提供更多。
  • 人工智能之前 – 我们提出了一个想法,做50/50的流量并获得一个胜利者向大家展示。 我的观众都一样吗? 不会.AI可以按比例进行1:1个性化。
  • 什么时候不使用人工智能 – 当你是一个小型创业公司时 – 先找出你的市场; 如果你没有内部或外部的人提出想法。
  • AI可以显着提高您的测试速度。 即使您没有掌握传统测试,也可以使用AI。
  • AI非常适合您的流量来源发生变化,以及最佳变化的情况。

乍得桑德森 – A / B测试的统计陷阱

  • p值倒数的显着性。 P值是在正常情况下事件发生的概率。
  • 在A / A测试中,p值的分布是随机的
  • 如果我们正在运行AB测试并且我们正在添加试验,那么我们添加的试验越多,我们发现错误的几率就越高
  • 不要因为看到重要性而停止测试。请提前确认样品量。 每周运行一次测试或考虑客户行为随时间变化的其他时间间隔。
  • 测试中访问者的数量越大,检测到显着差异的可能性就越高。

Els Aerts – 没有研究没有什么

  • 针对您的情况进行研究。 不要复制其他人的模板或最佳实践。 为您自己的模型做研究。 如果你使用其他人的最佳做法,你就是赌博。
  • 从用户开始。 痴迷于用户。 从客户需求开始,向后开始。 它并不敏感,这是业务。 客户推动增长。
  • 面对面的主持用户测试很棒。 一对一。 允许您将用户放在您的面前。 进行适度的用户测试,而不是焦点小组。 数据是观察到的行为,而不是客户的意见。
  • 焦点小组非常适合构思。 焦点小组不是用户测试!
  • 有效数据的三件事
    1. 招募合适的用户。 测试目标受众(现有受众和目标受众)
    2. 写一个好的场景。 不要问问题,设置任务。 目标:观察行为(不寻找意见)
    3. 成为一名屁股主持人。 主持人是适度用户测试的最大优势和最大弱点。

马特罗奇 – 如何优化大企业(有很多遗产)

  • 很容易说你需要这样做这个,但魔鬼在执行中
  • 优化成功的7个驱动因素
    • 您需要有一个标准化的流程
    • 预算(工具和资源)
    • 组织的结构。 通常最难在CRO中找到合适的东西。 筒仓无效。
    • 技巧。 价值=(知识+过程)x技能x态度
    • 态度(人)。 爱好者“只是得到它”。 打样机“必须证明”。 丹尼尔“只是不想知道”而需要离开。
    • 文化。 您在公司内部的态度,意见和传统。 文化需求:数据驱动,失败许可,关注长期客户价值。
    • CEO。 通过他们的买入,你可以成功,没有它,你就是每一步都在奋斗
  • 大小加剧了问题,但年龄是真正的问题。
  • 没有获得大的AB测试胜利并不意味着你没有优化。
  • 你可以优化任何东西 – 即使是最糟糕的噩梦。

Mats Einarsen – 从创建大规模实验文化中汲取的经验教训

  • 不要以为人们会得到它 – 我们使用的许多术语都是超载的。 你想确定你是非常明确的,并确保人们接受培训,以了解这些条款。
  • 培训你的员工。 让每个人都在同一条线上。 创建结构化课程。 跟踪谁接受过培训。 特别是新人。 做抽查。 与团队成员随机讨论第二类错误。 教人们如何转换。
  • 系统地回收假设。 Mats使用电子表格。 我在哪里测试过这个? 我可以在其他哪些页面上测试这个假设?
  • 决定成为规则。 不良的测试习惯往往会蔓延到整个组织。 保持严格的决策过程作为重要的第一名。 测试速度排在第二位。
  • 一切都必须经过测试。 你需要测试一切。 错误修正,战略举措,法律要求,已知胜利,已知损失。

Renee Thompson – 如何在B2B优化中获胜

  • 什么使B2B与众不同?
    1. 离线销售 – 通常
    2. 销售周期长 – 18个月或更长时间
    3. 有一个购买团队(而不是个人)
    4. 高风险 – 如果不适合则不能发回
  • 没有单一的衡量指标,有很多:
    • 信息
    • 引线质量
    • 订婚
    • 它们是否符合您的目标人口统计数据,…
    • 你如何将这一切与商业价值联系起来?
  • 如何缩短长期销售流程? 同情。 激活:
    • 将它们移动到下一个阶段
    • 电子邮件
    • 体验(轻推等)
  • 优化铅质量,而不是数量。 你会赚更多的钱。
  • 免费电子邮件服务(gmail,yahoo等)的潜在客户不会成为用户:价值比商业电子邮件少2.7倍。 要求表单上的公司电子邮件地址。

Yu Guo – 在Airbnb上进行实验:平台,流程和人员

  • 通过实验,Airbnb的增长是由移情驱动的,证据推动。 加速增长意味着扩大实验工作。
  • 所有新员工都通过数据大学。 目标是通过提供按角色和团队扩展的数据教育,使Airbnb的每位员工能够做出数据知情决策。
  • 每个人都可以看到所有实验。 知识回购 – 开源。 不仅存储数据,还存储测试所带来的知识。 学习,后续步骤等改善知识共享。
  • 数据驱动的决策制定了端到端生命周期的指导原则。 这确保了团队之间的决策一致性
  • 有一个实验委员会:内部咨询,以帮助棘手的设计,设置和解释。

Vab Dwivedi – Dell.com的电子商务和客户体验优化实践

  • 让客户着迷,你真的在​​表达客户的声音。
  • 以可消费的方式提供分析。 通过数据推动决策制定,消除情绪和意见。
  • 充当知识渠道。 通过简报和开放论坛分享测试结果。
  • 敏捷,以业务的速度移动,不要阻碍产品开发。
  • 戴尔推出了全新的Dell.com前端和后端。 在将它推送给所有人之前,在较小的片段上进行测试。 他们预计会很快获胜,但“真的不起作用” – 每次访问收入-33%。 经过更多的研究,他们引入了UI增强功能,其中24个。 结果:每次访问收入-45%。 原因都是技术性的(错误)。

Merritt Aho – 五月最佳创意获胜(他们通常会这样做)

  • 我们产生了几乎无穷无尽的坏主意。 我们的确可能有30%的时间。 找到有效的想法是我们的​​当务之急。 但根据你的学习,你的奖金有多大? 没有人在仅靠学习的基础上开展职业生涯。
  • 从记忆中最容易获取的想法似乎支配着我们的思想。 在一系列可能的决定中,我们通常会选择我们记忆中的第一个。 这不仅仅是懒惰。 头脑风暴不是正确的答案。 想法在团队头脑风暴会议中死亡。 他们没有深入思考。
  • 你必须相信最好的想法不是来自你意识的最有希望的想法。 最好的想法是一个过程的结果。 数量超过质量。 3-5人。 主题专家+背景非常不同的人(火花)。 消除分心。 缩小你的注意力:谈论具体的事情。
  • 在会议期间深入。 只是全力以赴。 用一些非常愚蠢的想法来解决它。 我不希望你过滤掉这些想法。 你永远不会知道一个想法什么时候引发别人的想法。 只要保持它,直到速度减慢。 建立在别人的想法上。
  • 以后要做好决定 – 只有在真正需要做出决定时。 这使您能够扩大您的受众群体。 没有人得到批评,没有人在会议中得到评价。

Gary Angel – 将用户体验分析扩展到真实(非数字)世界

  • 商店(实体)在20年内没有变化,网上有。 但现在一切都在变化(亚马逊Go商店 – 在线到实体)。
  • 优化实体店必须发生,或者它不是真正的全渠道。 目前在实体店中测量的是什么?
    • 门数(有多少顾客进入)+卖多少钱
    • 内心体验是一个谜
    • 我们无法回答的关键问题 – 我们没有的基础信息,所以我们无法优化
      • 有兴趣却没有买?
      • 考虑一个新的产品类别?
      • 关联互动可以提高转化率吗?
  • 技术帮助我们监控行为
    • 无线上网。 它无处不在,始终对您进行地理跟踪。
    • 被动嗅探器。 与wifi类似,但更准确一点。
    • 电话。 地理定位也适用于移动应用程序(实际上非​​常准确)。 小代码片段
    • 摄像机。 安全是的,但也做双重测量
    • 允许我们回答基本问题
      • 什么参与,什么时候出售?
      • 商店的面积是否表现不佳?
      • 人员配备水平是否合适?
      • 需要多少本地化?
  • 测量物理空间
    • 楼层映射(路径分析) – 跟踪路线,停止/暂停的位置,他们在每个站点停留的时间
      • 与我们在URL分析中看到的相同(相同的前提)
    • 功能分析。 利用空间“推动”客户进入某些空间,增加冲动购买等。
    • 漏斗放弃。 人们在哪里离开? 他们看什么?
    • 内容归因。 有什么吸引人的? 什么样的员工表现如何?

Moe Kiss – 追求客户幸福:为什么客户体验跨设备至关重要

  • 没有“app user”这样的东西 – 我们在整个用户旅程中使用多个设备。
  • 拥抱客户行为的随机性。 示例:客户在一天内检查订单状态超过100次
    试图进入线性的旅程视图是行不通的。
  • 与分析师交谈,找出你正在做什么样的用户拼接。
  • 通过查看指标来挑战数据孤岛(由不同设备拆分的指标)。
  • 创建一个关于令人沮丧的用户问题的实验。

Rachel Sweeney – 构建由云和AI驱动的优化框架

  • 如果您想做数据科学,请聘请数据科学家。 您需要数据科学家的广泛知识,深度和技能。
  • 如果您想开始一个机器学习项目,请决定项目区域。 找到一个特定的东西,你可以创建一个模型,学习如何做。
  • 压力测试和建立信任。 使用LIVE Data进行试点测试。
  • 机器学习是新的。 知道你是否可以相信它。 只需要一名团队成员就可以让团队反对它。
    提示:建立人们熟悉的基准(例如95%,与统计显着性相似)。
  • 机器学习将是巨大的。

结论

这只是从每个发言者分享的100个提示中挑选出的5个提示。 这种体验不能通过博客文章传递。

你需要来CXL Live

相关文章

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注