如何管理to b産品?編輯導語：随着市場的不斷發展推進，以及互聯網的持續發展，如今産品市場在銷售過程中會遇到資源難以合理分配的情況，這時我們就需要通過産品市場去提升多産品售賣情況；本文作者分享了關于怎麼用數據手段拉動ToB多産品銷售，我們一起來了解一下，今天小編就來聊一聊關于如何管理to b産品?接下來我們就一起去研究一下吧!

如何管理to b産品

編輯導語：随着市場的不斷發展推進，以及互聯網的持續發展，如今産品市場在銷售過程中會遇到資源難以合理分配的情況，這時我們就需要通過産品市場去提升多産品售賣情況；本文作者分享了關于怎麼用數據手段拉動ToB多産品銷售，我們一起來了解一下。

随着ToB市場不斷發展，融資、市場競争逐漸加劇，ToB企業為了新融資故事、新營收增長點，都會選擇從單一産品逐漸發展成為多元産品矩陣，覆蓋更多業務場景。

但在實際多産品銷售過程中，我們時常會遇到有限營銷資源難以合理分配，BD銷售與市場團隊存在售賣分歧，不同産品商業貢獻差距巨大，産品運營相對獨立，高關聯度産品難以把握最佳售賣時機，低關聯度産品難以進行交叉售賣等諸多現實問題。

那麼，今天就聊一聊如何通過産品市場去提升多産品售賣情況；在實際銷售過程，「提升多産品售賣情況」這一命題會涉及到多個環節以及對應關鍵角色：

多産品架構的設計：産品經理

多産品組合解決方案的設計：售前解決方案經理

銷售提成、銷售考核策略的制定：商機運營經理

市場營銷（産品運營）：産品市場、産品運營、數據分析師

作為一個産品市場，我們非常希望不同産品能夠更好進行組合售賣。一方面，多産品的售賣能夠為業務貢獻更多營收，不管是帶來更多的資源消耗還是附加服務消費；另一方面，多産品的售賣能夠有效提高廠商的不可替代性，增加客戶粘性，降低流失風險。最後，通過不同産品的組合，也能進一步提高服務質量，降低售後服務成本。

雖然我們可以通過站内相互引流、不同售賣優惠活動、産品組合解決方案、最佳實踐的産品組合推廣，甚至銷售BD的産品搭配考核等不同方式，來拉動多産品組合售賣；但作為一個數據驅動的産品市場（僞），我們今天就來換個視角去思考這個問題。

具體的看「提升多産品售賣情況」這一問題，我們可以會細化成好幾個問題：用戶在購買什麼産品後，在使用産品到什麼程度，就會還需要購買什麼關聯産品，怎麼說服他們購買關聯産品；這就需要找到不同産品之間的關聯性之後，當用戶身處在不同生命周期階段時，我們對用戶進行關聯産品的價值傳遞。

那麼，具體動作可以拆解為：判定核心産品—解析産品關聯度—判斷目标受衆分群&最佳營銷時機—輸出産品價值&自動化營銷—數據反饋叠代。

想要實現有效的組合售賣，目前很多廠商會選擇一拖多的形式進行；因此，判定核心産品尤為重要。

在判定核心産品的過程中，初創企業以及成熟企業有着些許不同。

對于初創企業而言，一方面，很多初創企業在企業早期都是通過單一産品進行PMF，在占據一定市場份額後，逐步展開産品矩陣。另一方面，這個早期單一産品可能是後續其他産品的技術底座或者數據底座；對于這樣的企業而言，将主力産品作為整個多産品組合的核心産品似乎成了唯一的選擇。

對于成熟公司而言，在占領某個新市場時，可能是多個産品同時面世發布。這時我們可以從兩個維度選擇核心産品：

産品品牌及産品價值維度：目前客戶價值最高、口碑最好的主力産品；

産品商業貢獻維度：AURP值或用戶數量高的高流水産品。

在這裡，可能會疑惑我們為什麼不選擇粘性産品、高利潤産品？相較于主力産品，粘性産品對于客戶的價值可能是在于主力産品解決核心業務問題後的再優化，而非解決業務核心問題；比如在企業上雲這個大業務場景下，雲服務器資源是采購的核心産品，容器相關産品是提升雲服務器資源的使用效率，而非購買的核心産品。

在廣告監測場景下，反作弊、渠道分析、轉化分析是采購的核心功能，而後續的留存分析等分析模型是後續的精細化功能。

高利潤産品同樣如此，商業貢獻是相對于廠商自身而言的，這對客戶而言價值有限；因為高利潤産品并不一定代表購買這些産品的企業就一定具有更深的錢包深度以及購買意願。很多時候，高利潤産品是主力産品的附加品，用以貢獻利潤，平衡收支。

在判定核心産品後，我們就要開始解析核心産品與其他産品之間的關聯度。聯系是普遍存在的，關聯的存在是具有價值的。在進行解析産品關聯度時，可以從産品/解決方案設計維度和運營分析維度進行展開。

一方面，我們通過多個不同功能的産品來組成垂直或者橫向的完整業務場景解決方案或者行業解決方案，進行産品的售賣；比如說企業數字化營銷路徑，一般會從用戶行為分析開始，然後自動化營銷、個性化推薦、個性化預測這樣子的線性演進流程；或者企業上雲路徑，一般從雲服務器開始，然後在研發運維場景圍繞容器或者中間件的相關産品進行橫向展開。

那麼，想要使得産品符合客戶的業務發展路徑，就需要産品經理、解決方案架構師針對特定行業或者業務場景，将行業理解體現在産品規劃上，并将之設置成産品Roadmap，從而進行逐一地實現；或者以解決方案形式将橫向或者存在遞進關系的産品進行組合，加強産品關聯度，并通過各種市場行為進行營銷。

另一方面，雖然我們可以通過産品規劃以及設計解決方案加強産品關聯度，但由于實際使用者或者企業所處階段、使用情況、業務視角不同，用戶在實際使用過程中可能使用的産品與我們所預估的産品組合不盡相同。

以數據分析産品舉例，當客戶創建超過一定數量的用戶分群後，他對于分群運營的需求逐漸提升，那麼我們可能認為為客戶推薦相關個性化自動營銷産品可能是一個非常好的時機；或者，當客戶建立了多個單獨的事件分析圖表，那麼推薦相關漏鬥分析模型或者留存分析模型，也許是他正在計劃的下一步。但也有可能，客戶的需求就是到此為止，不會有更深的業務需求。

雖然憑借行業經驗，我們可以推測出客戶進行交叉組合購買的部分可能，但實際上客戶需要的并不止這些，抑或我們在進行主觀推斷過程中存在偏差。

那麼，為了更有效的進行驗證，這就需要進行數據挖掘。這裡我們可以借鑒關聯推薦的相關規則，簡單講解一下關聯推薦，關聯推薦具有三個核心數據：支持度，置信度，提升度。

支持度：衡量某一關聯的應用場景的多少（換成人話：關聯組合出現的頻次）；

置信度：衡量某一關聯在應用場景的占比（換成人話：關聯組合的條件概率）；

提升度：衡量某一關聯推薦的應用的好壞（換成人話：組合推薦購買某産品概率 / 直接購買某産品的概率）。

一個有效的簡單關聯規則應具有較高的置信度以及較高的支持度。如果規則的支持度較高，但置信度較低，則說明規則的可信度差；如果規則的置信度較高但支持度較低，則說明規則的應用機會很少，一個置信度較高但普遍性較低的規則并沒有太多的實際的應用價值。

借此，我們可以快速挖掘不同産品之間的關聯關系。具體規則以及算法實現，感興趣的同學可以參考Apriori算法等數據挖掘的關聯分析算法，或者直接把這個Ticket直接交給可愛的BI同學；在完成相關的數據挖掘結果之後，我們就能得到相關的産品關聯度，了解哪些産品适合搭配銷售。

我們知道了哪些産品适合組合售賣之後，新問題也由此産生：随着客戶的産品使用時長、資源消耗量、功能使用度越高等數據的更加，對于産品的留存就越高，對于産品的信任度越高，可能購買其他關聯産品的可能性越高。

但我們該在什麼恰當的時候推薦給目标客戶呢？

全生命周期、全渠道的營銷隻會造成客戶心理上的抵觸情緒；因此，為了解決這一問題，我們需要對人群進行分群。分群需要結合人本屬性、行為指标、業務指标三個維度，挖掘其中的魔法數字。魔法數字（Magic Number）這個名詞最先是在 Unix 程序設計中被提及，是指在算法中的常量數字或者标識。現在則常見于AARRR增長模型，用于實現用戶留存的拉升。

但在實際應用過程中，魔法數字在AARRR 增長模型的不同階段都可以有着貢獻，在提升多産品售賣情況這一命題下，則是利用相關性分析來洞察影響特定産品組合購買的相關關鍵指标變化。

1. 人本屬性

在進行多産品售賣過程中，我們時常出現一股腦想要把很多産品一口氣都賣給用戶的情況。

但不同産品之間的決策者、評估者、使用者存在或多或少的差異，甚至同一款産品中的不同賬号角色都可能決定了我們是否能夠順利的賣出相關産品；因此，不管進行較重的線下營銷活動還是線上自動化營銷，對用戶進行打簽分群是一個非常重要的動作。

企業所處行業：行業标簽代表着企業可能存在的具有行業特性的通用需求，比如銀行對于安全、可用性有高要求。

企業規模、所處融資情況：企業規模、所處融資情況可以幫助我們快速判斷企業的采購思路，比如中小企的産品可能需要對一些雲原生産品相對感興趣，幫助他們快速的低成本搭建起産品。

企業業務規模、用戶量：同理，通過企業業務規模、産品用戶量，結合規模增長情況判斷企業的采購思路。

現有産品采購情況（RFM）：現有産品采購情況，了解企業現有業務構建情況，判斷企業後續采購思路。

以上借助第三方API（企業信息：天眼查、APP産品信息：易觀）都可以進行調用，或者調用自有的CRM、DMP、CDP數據，幫助我們豐富自有标簽情況。

2. 用戶行為指标

用戶行為指标主要是從用戶行為層面，挖掘可能的關鍵指标，觀察用戶的實際使用情況進行判斷，比如：

站内相關産品以及内容（産品介紹/搜素查詢/體驗）的浏覽情況；

相關用戶的産品後台日登陸情況；

産品使用的日活躍情況、留存情況；

産品核心功能使用日、周、月頻次；

産品核心功能使用總量；

不同核心功能的使用情況對比；

3. 産品運營指标

産品運營指标主要從整個産品層面，挖掘可能的關鍵指标，比如：

産品整體數據量的提升；

産品整體的資源消耗以及金額情況；

關聯産品的開通情況；

這裡要說明的是，想要挖掘相關用戶行為以及産品運營的相關指标數據，需要在産品設計上線時就進行相關埋點，确保相關數據的采集。（否則的話，啥數據都沒有，可以跳過上面的内容）

在找到跟購買轉化相關的特征後，我們可以通過格蘭傑因果關系檢驗去驗證上述的相關結果。這裡簡單介紹一下格蘭傑因果關系檢驗： 因為我們隻是找出了跟購買相關的行為特征以及屬性特征，但我們不知道這些特征是否是購買的原因，所以就要通過Granger causality test去驗證這些特征是否是購買的原因。

原理：兩個經濟變量X、Y之間的格蘭傑因果關系定義為：若在包含了變量X、Y的過去信息的條件下，對變量Y的預測效果要優于隻單獨由Y的過去信息對Y進行的預測效果，即變量X有助于解釋變量Y的将來變化，則認為變量X是引緻變量Y的格蘭傑原因。

原假設和是否拒絕：X 和 Y 是不存在因果關系, 當經過格蘭傑因果檢驗後計算出來的 p 值大于0.05 則接受原假設, 否則拒絕原假設。

當把相關屬性特征進行驗證後，我們就可以通過後續分析找到轉化的最佳時間點（Aha moment）。

另外，複雜的數據分析對于很多市場運營、産品運營來說，過于複雜且如果數據資産過少，想要做到有效的數據分析也非常困難；因此，我們可以選擇窮舉測試以及用戶訪談。

窮舉測試非常簡單粗暴，通過相關線上營銷渠道（産品内的引導觸點、産品外的EDM觸點等）将可能關聯的所有産品進行周期性價值傳遞，進行多次、反複的營銷推廣，這也是目前很多廠商在做的事情。

在這個過程中，除了産品開通以及産品關鍵行為指标的觸發規則外，還會設定定時器、周期性、市場活動計劃、功能使用等不同的觸發規則。

窮舉測試能夠幫助我們較低成本、快速的展開營銷，通過用戶在相關推廣資源的點擊、相關EDM的打開/内容點擊情況，來評估用戶對于我們所推送内容的興趣程度。

結合用戶的互動反饋，我們可以決定進一步的業務傳遞，想要完成整個流程就需要營銷自動化幫我們完成相關的分支。然後再根據所有用戶的反饋，去提取關鍵行為。

但在這一過程中，會由于結合單個産品的貢獻等人為原因，造成推廣資源的分配不平衡的問題。（畢竟曝光時間有限，有效的資源位也有限）雖然窮舉測試能夠幫助我們較低成本、快速的展開營銷；但這樣就會帶來存在極大的概率問題或幸存者偏差，并且造成非常多的信息噪音，會對客戶的使用體驗造成較大的影響；因此同時，采集回收數據的過程可能相對更長一些，轉化效率相對有限。

除了線上窮舉測試之外，我們還可以采用用戶訪談方法，讓我們快速收獲結論；但結論主要集中于人本屬性以及産品運營指标，且可能由于抽樣樣本量的大小以及受訪者、采訪者質量等問題，造成結論的偏差，需要與其他方式一起使用。

當我們收獲到關聯産品以及關鍵行為後，剩下的事情就非常簡單，我們隻需要将日常準備的産品GTM進行提煉，通過我們所擁有的各種渠道進行營銷；在自動化營銷的過程中，我們主要是為了獲取用戶的反饋，而非單純的曝光；因為在收到用戶的互動反饋後，我們才能更好的去評估用戶對于産品的理解意願，以便進行更加個性化的内容傳遞。

比如：

通過自動化營銷工具，将産品線上部分的Onboarding Card、Mailbox等産品内的引導資源進行整合，并根據用戶分群以及關鍵行為數據進行觸發。

通過EDM/短信/智能電話等産品外的引導資源，通過觸達互動效果，标記用戶後續意願。

通過leads CRM工具，将相關數據指标變化或異動推送給售後、售前工程師，為Upsell提供産品提示。

通過官網，進行關聯産品官網的相互引流，促銷活動過程中産品組合優惠，相互組合的工具集。

可以看到，我們可以發現多産品組合售賣的過程中，我們到底應該應用什麼營銷手段或者輸出包裝産品組合的價值物料其實并不重要（也是因為ToB企業的營銷手段就那麼幾種，産品的業務價值也是平日一直在積極叠代的）。

如何通過數據挖掘産品之間的關聯性，找到最佳的營銷時機，才是産品市場在多産品售賣過程中所要關注的重點。

作者：是小鍋阿，公衆号：市場狗

本文由 @是小鍋阿 原創發布于人人都是産品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!