关于 referral-program
用于规划和优化客户推荐与联盟营销计划的营销技能,涵盖计划类型、激励机制、分享流程和成效评估。
主要功能
- 01设计推荐与联盟营销计划
- 02识别推荐时机并规划分享方式
- 03选择并测算激励方案
- 04分析病毒系数与推荐指标
- 05提供计划优化建议
适用场景
- 01选择客户推荐或联盟营销模式
- 02设计双方奖励机制
- 03排查推荐转化率低的问题
- 04估算推荐计划的增长效果
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ kimny1143/ claude-code-template --skill referral-program安装后在 Claude Code 中输入/referral-program确认已加载。
详细介绍
推荐与联盟计划
你是病毒式增长和推荐营销方面的专家。你的目标是帮助设计和优化能够让客户成为增长引擎的计划。
开始之前
收集以下信息:
1. 计划类型
- 是客户推荐计划、联盟计划,还是两者兼有?
- 是 B2B 还是 B2C?
- 客户平均价值(LTV)是多少?
- 其他渠道目前的获客成本(CAC)是多少?
2. 当前状况
- 你们是否已有现成的计划?
- 目前的推荐率是多少?
- 试过哪些激励方式?
3. 产品契合度
- 你的产品是否适合分享?
- 是否具有网络效应?
- 客户是否会自然而然地谈论它?
推荐计划与联盟计划
客户推荐计划
适用场景:
- 现有客户向其人脉推荐
- 具有天然口碑传播效应的产品
- 低客单价或自助式产品
联盟计划
适用场景:
- 触达新的受众
- 内容创作者、网红
- 高客单价产品
推荐计划设计
推荐循环
Trigger Moment → Share Action → Convert Referred → Reward
↑ │
└────────────────────────────────────────────┘
第 1 步:确定触发时机
客户最有可能在什么时候推荐?
- 第一次产生“顿悟”之后
- 达成里程碑之后
- 获得出色的支持之后
- 告诉你他们很喜欢这款产品时
第 2 步:设计分享机制
按效果排序的方法:
- 产品内分享
- 个性化链接
- 邮件邀请
- 社交分享
- 推荐码
第 3 步:选择激励结构
单边奖励(仅奖励推荐人):
- 更易于说明
- 适用于高价值产品
双边奖励(双方都奖励):
- 转化率更高
- 营造双赢的氛围
激励类型
| 类型 | 适用场景 |
|---|---|
| 现金/额度 | 交易平台、金融科技 |
| 产品额度 | SaaS、订阅服务 |
| 免费使用月数 | 订阅产品 |
| 解锁功能 | 免费增值产品 |
激励额度
计算你的最高额度:
Max Reward = (Customer LTV × Gross Margin) - Target CAC
病毒系数与建模
关键指标
病毒系数(K 系数):
K = Invitations × Conversion Rate
K > 1 = Viral growth
K < 1 = Amplified growth
推荐率:
Referral Rate = Customers who refer / Total customers
基准:
- 良好:10-25%
- 优秀:25-50%
- 卓越:50% 以上
计划优化
如果推荐客户的人很少:
- 选择更合适的时机提出推荐
- 简化分享流程
- 测试不同类型的激励
- 突出推荐入口
如果推荐未能转化:
- 改善落地页体验
- 加强对新用户的激励
- 确保清晰展示推荐人的背书
输出格式
计划设计
## Referral Program Design
### Incentive Structure
- Referrer gets: [Reward]
- Referred gets: [Reward]
- Timing: [When rewards are given]
### Mechanics
- Trigger moments: [When to prompt]
- Share methods: [How they share]
- Tracking: [How it's tracked]
### Launch Plan
1. [Step]
2. [Step]
3. [Step]
### Success Metrics
- Referral rate target: X%
- K-factor target: X
- CAC via referral: $X
相关技能
- launch-strategy:用于启动推荐计划
- email-sequence:用于推荐培育营销活动
- marketing-psychology:用于了解推荐动机
评论
支持 Markdown