随着ToB市场不断发展，融资、市场竞争逐渐加剧，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渐发展成为多元产品矩阵，覆盖更多业务场景。

但在实际多产品销售过程中，我们时常会遇到有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，不同产品商业贡献差距巨大，产品运营相对独立，高关联度产品难以把握最佳售卖时机，低关联度产品难以进行交叉售卖等诸多现实问题。

那么，今天就聊一聊如何通过产品市场去提升多产品售卖情况；在实际销售过程，「提升多产品售卖情况」这一命题会涉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、销售考核策略的制定：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，我们非常希望不同产品能够更好进行组合售卖。一方面，多产品的售卖能够为业务贡献更多营收，不管是带来更多的资源消耗还是附加服务消费；另一方面，多产品的售卖能够有效提高厂商的不可替代性，增加客户粘性，降低流失风险。最后，通过不同产品的组合，也能进一步提高服务质量，降低售后服务成本。

虽然我们可以通过站内相互引流、不同售卖优惠活动、产品组合解决方案、最佳实践的产品组合推广，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），我们今天就来换个视角去思考这个问题。

具体的看「提升多产品售卖情况」这一问题，我们可以会细化成好几个问题：用户在购买什么产品后，在使用产品到什么程度，就会还需要购买什么关联产品，怎么说服他们购买关联产品；这就需要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，我们对用户进行关联产品的价值传递。

那么，具体动作可以拆解为：判定核心产品—解析产品关联度—判断目标受众分群&最佳营销时机—输出产品价值&自动化营销—数据反馈迭代。

一、判定核心产品

想要实现有效的组合售卖，目前很多厂商会选择一拖多的形式进行；因此，判定核心产品尤为重要。

在判定核心产品的过程中，初创企业以及成熟企业有着些许不同。

对于初创企业而言，一方面，很多初创企业在企业早期都是通过单一产品进行PMF，在占据一定市场份额后，逐步展开产品矩阵。另一方面，这个早期单一产品可能是后续其他产品的技术底座或者数据底座；对于这样的企业而言，将主力产品作为整个多产品组合的核心产品似乎成了唯一的选择。

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

• 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；
• 产品商业贡献维度：AURP值或用户数量高的高流水产品。

在这里，可能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，粘性产品对于客户的价值可能是在于主力产品解决核心业务问题后的再优化，而非解决业务核心问题；比如在企业上云这个大业务场景下，云服务器资源是采购的核心产品，容器相关产品是提升云服务器资源的使用效率，而非购买的核心产品。

在广告监测场景下，反作弊、渠道分析、转化分析是采购的核心功能，而后续的留存分析等分析模型是后续的精细化功能。

高利润产品同样如此，商业贡献是相对于厂商自身而言的，这对客户而言价值有限；因为高利润产品并不一定代表购买这些产品的企业就一定具有更深的钱包深度以及购买意愿。很多时候，高利润产品是主力产品的附加品，用以贡献利润，平衡收支。

二、解析产品关联度

在判定核心产品后，我们就要开始解析核心产品与其他产品之间的关联度。联系是普遍存在的，关联的存在是具有价值的。在进行解析产品关联度时，可以从产品/解决方案设计维度和运营分析维度进行展开。

一方面，我们通过多个不同功能的产品来组成垂直或者横向的完整业务场景解决方案或者行业解决方案，进行产品的售卖；比如说企业数字化营销路径，一般会从用户行为分析开始，然后自动化营销、个性化推荐、个性化预测这样子的线性演进流程；或者企业上云路径，一般从云服务器开始，然后在研发运维场景围绕容器或者中间件的相关产品进行横向展开。

那么，想要使得产品符合客户的业务发展路径，就需要产品经理、解决方案架构师针对特定行业或者业务场景，将行业理解体现在产品规划上，并将之设置成产品Roadmap，从而进行逐一地实现；或者以解决方案形式将横向或者存在递进关系的产品进行组合，加强产品关联度，并通过各种市场行为进行营销。

另一方面，虽然我们可以通过产品规划以及设计解决方案加强产品关联度，但由于实际使用者或者企业所处阶段、使用情况、业务视角不同，用户在实际使用过程中可能使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，当客户创建超过一定数量的用户分群后，他对于分群运营的需求逐渐提升，那么我们可能认为为客户推荐相关个性化自动营销产品可能是一个非常好的时机；或者，当客户建立了多个单独的事件分析图表，那么推荐相关漏斗分析模型或者留存分析模型，也许是他正在计划的下一步。但也有可能，客户的需求就是到此为止，不会有更深的业务需求。

虽然凭借行业经验，我们可以推测出客户进行交叉组合购买的部分可能，但实际上客户需要的并不止这些，抑或我们在进行主观推断过程中存在偏差。

那么，为了更有效的进行验证，这就需要进行数据挖掘。这里我们可以借鉴关联推荐的相关规则，简单讲解一下关联推荐，关联推荐具有三个核心数据：支持度，置信度，提升度。

• 支持度：衡量某一关联的应用场景的多少（换成人话：关联组合出现的频次）；
• 置信度：衡量某一关联在应用场景的占比（换成人话：关联组合的条件概率）；
• 提升度：衡量某一关联推荐的应用的好坏（换成人话：组合推荐购买某产品概率 / 直接购买某产品的概率）。

一个有效的简单关联规则应具有较高的置信度以及较高的支持度。如果规则的支持度较高，但置信度较低，则说明规则的可信度差；如果规则的置信度较高但支持度较低，则说明规则的应用机会很少，一个置信度较高但普遍性较低的规则并没有太多的实际的应用价值。

借此，我们可以快速挖掘不同产品之间的关联关系。具体规则以及算法实现，感兴趣的同学可以参考Apriori算法等数据挖掘的关联分析算法，或者直接把这个Ticket直接交给可爱的BI同学；在完成相关的数据挖掘结果之后，我们就能得到相关的产品关联度，了解哪些产品适合搭配销售。

三、目标受众分群&判断最佳营销时机

我们知道了哪些产品适合组合售卖之后，新问题也由此产生：随着客户的产品使用时长、资源消耗量、功能使用度越高等数据的更加，对于产品的留存就越高，对于产品的信任度越高，可能购买其他关联产品的可能性越高。

但我们该在什么恰当的时候推荐给目标客户呢？

全生命周期、全渠道的营销只会造成客户心理上的抵触情绪；因此，为了解决这一问题，我们需要对人群进行分群。分群需要结合人本属性、行为指标、业务指标三个维度，挖掘其中的魔法数字。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者标识。现在则常见于AARRR增长模型，用于实现用户留存的拉升。

但在实际应用过程中，魔法数字在AARRR 增长模型的不同阶段都可以有着贡献，在提升多产品售卖情况这一命题下，则是利用相关性分析来洞察影响特定产品组合购买的相关关键指标变化。

1. 人本属性

在进行多产品售卖过程中，我们时常出现一股脑想要把很多产品一口气都卖给用户的情况。

但不同产品之间的决策者、评估者、使用者存在或多或少的差异，甚至同一款产品中的不同账号角色都可能决定了我们是否能够顺利的卖出相关产品；因此，不管进行较重的线下营销活动还是线上自动化营销，对用户进行打签分群是一个非常重要的动作。

• 企业所处行业：行业标签代表着企业可能存在的具有行业特性的通用需求，比如银行对于安全、可用性有高要求。
• 企业规模、所处融资情况：企业规模、所处融资情况可以帮助我们快速判断企业的采购思路，比如中小企的产品可能需要对一些云原生产品相对感兴趣，帮助他们快速的低成本搭建起产品。
• 企业业务规模、用户量：同理，通过企业业务规模、产品用户量，结合规模增长情况判断企业的采购思路。
• 现有产品采购情况（RFM）：现有产品采购情况，了解企业现有业务构建情况，判断企业后续采购思路。

以上借助第三方API（企业信息：天眼查、APP产品信息：易观）都可以进行调用，或者调用自有的CRM、DMP、CDP数据，帮助我们丰富自有标签情况。

2. 用户行为指标

用户行为指标主要是从用户行为层面，挖掘可能的关键指标，观察用户的实际使用情况进行判断，比如：

• 站内相关产品以及内容（产品介绍/搜素查询/体验）的浏览情况；
• 相关用户的产品后台日登陆情况；
• 产品使用的日活跃情况、留存情况；
• 产品核心功能使用日、周、月频次；
• 产品核心功能使用总量；
• 不同核心功能的使用情况对比；

3. 产品运营指标

产品运营指标主要从整个产品层面，挖掘可能的关键指标，比如：

• 产品整体数据量的提升；
• 产品整体的资源消耗以及金额情况；
• 关联产品的开通情况；

这里要说明的是，想要挖掘相关用户行为以及产品运营的相关指标数据，需要在产品设计上线时就进行相关埋点，确保相关数据的采集。（否则的话，啥数据都没有，可以跳过上面的内容）

在找到跟购买转化相关的特征后，我们可以通过格兰杰因果关系检验去验证上述的相关结果。这里简单介绍一下格兰杰因果关系检验： 因为我们只是找出了跟购买相关的行为特征以及属性特征，但我们不知道这些特征是否是购买的原因，所以就要通过Granger causality test去验证这些特征是否是购买的原因。

原理：两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。

原假设和是否拒绝：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 则接受原假设, 否则拒绝原假设。

当把相关属性特征进行验证后，我们就可以通过后续分析找到转化的最佳时间点（Aha moment）。

另外，复杂的数据分析对于很多市场运营、产品运营来说，过于复杂且如果数据资产过少，想要做到有效的数据分析也非常困难；因此，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暴，通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）将可能关联的所有产品进行周期性价值传递，进行多次、反复的营销推广，这也是目前很多厂商在做的事情。

在这个过程中，除了产品开通以及产品关键行为指标的触发规则外，还会设定定时器、周期性、市场活动计划、功能使用等不同的触发规则。

穷举测试能够帮助我们较低成本、快速的展开营销，通过用户在相关推广资源的点击、相关EDM的打开/内容点击情况，来评估用户对于我们所推送内容的兴趣程度。

结合用户的互动反馈，我们可以决定进一步的业务传递，想要完成整个流程就需要营销自动化帮我们完成相关的分支。然后再根据所有用户的反馈，去提取关键行为。

但在这一过程中，会由于结合单个产品的贡献等人为原因，造成推广资源的分配不平衡的问题。（毕竟曝光时间有限，有效的资源位也有限）虽然穷举测试能够帮助我们较低成本、快速的展开营销；但这样就会带来存在极大的概率问题或幸存者偏差，并且造成非常多的信息噪音，会对客户的使用体验造成较大的影响；因此同时，采集回收数据的过程可能相对更长一些，转化效率相对有限。

除了线上穷举测试之外，我们还可以采用用户访谈方法，让我们快速收获结论；但结论主要集中于人本属性以及产品运营指标，且可能由于抽样样本量的大小以及受访者、采访者质量等问题，造成结论的偏差，需要与其他方式一起使用。

四、输出产品价值&自动化营销

当我们收获到关联产品以及关键行为后，剩下的事情就非常简单，我们只需要将日常准备的产品GTM进行提炼，通过我们所拥有的各种渠道进行营销；在自动化营销的过程中，我们主要是为了获取用户的反馈，而非单纯的曝光；因为在收到用户的互动反馈后，我们才能更好的去评估用户对于产品的理解意愿，以便进行更加个性化的内容传递。

比如：

• 通过自动化营销工具，将产品线上部分的Onboarding Card、Mailbox等产品内的引导资源进行整合，并根据用户分群以及关键行为数据进行触发。
• 通过EDM/短信/智能电话等产品外的引导资源，通过触达互动效果，标记用户后续意愿。
• 通过leads CRM工具，将相关数据指标变化或异动推送给售后、售前工程师，为Upsell提供产品提示。
• 通过官网，进行关联产品官网的相互引流，促销活动过程中产品组合优惠，相互组合的工具集。

可以看到，我们可以发现多产品组合售卖的过程中，我们到底应该应用什么营销手段或者输出包装产品组合的价值物料其实并不重要（也是因为ToB企业的营销手段就那么几种，产品的业务价值也是平日一直在积极迭代的）。

如何通过数据挖掘产品之间的关联性，找到最佳的营销时机，才是产品市场在多产品售卖过程中所要关注的重点。