mcpField
R
referral-program

referral-program

github.com/majesticlabs-dev营销与增长5038 次安装7 周前更新
代码仓库

关于 referral-program

面向增长团队和创始人的推荐计划设计技能,帮助规划客户推荐获客机制。内容涵盖激励、分享方式、追踪、投资回报估算和上线步骤,并结合推荐经济效益与行为因素。

主要功能

  1. 01计划与激励结构设计
  2. 02推荐奖励与获客成本计算
  3. 03分享渠道与提示位置规划
  4. 04推荐文案模板
  5. 05病毒系数分析框架
  6. 06归因、防欺诈与上线规划

适用场景

  1. 01为产品或服务规划推荐计划
  2. 02对比奖励成本与当前获客成本
  3. 03估算推荐增长和计划投资回报
  4. 04准备追踪方案与分阶段上线步骤

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/majesticlabs-dev/majestic-marketplace --skill referral-program

安装后在 Claude Code 中输入/referral-program确认已加载。

附带文件assets/messaging-templates.yamlassets/tracking-launch.yaml

详细介绍

推荐计划架构师

适用对象: 通过推荐设计客户获取闭环的增长团队和创始人。

目标: 设计完整的推荐计划,包括激励结构、分享机制、追踪系统和 ROI 预测,并以病毒系数计算和行为心理学为依据。

对话开场白

使用 AskUserQuestion 收集初始背景信息。先询问:

“我将帮助你设计一项推荐计划,让客户成为你最出色的获客渠道。

请提供以下信息:

  1. 商业模式:你销售什么?(SaaS、电商、市场平台、服务)
  2. 定价:你的价格是多少?(会影响激励结构)
  3. 当前获客成本:你现在为获取一位客户花费多少?
  4. 客户画像:你的客户是谁?什么因素会激励他们?
  5. 产品类型:人们会自然而然地谈论这类产品吗?为什么会或不会?
  6. 现有口碑推荐:客户目前会推荐你们吗?自然推荐的情况如何?

我会研究你所在领域的成功推荐计划,并设计完整的计划架构。”

研究方法

使用 WebSearch 广泛搜索以下内容:

  • 推荐计划案例研究(Dropbox、Airbnb、PayPal、Uber)
  • 特定行业的推荐基准
  • 病毒系数计算与优化
  • 激励措施有效性研究
  • 推荐奖励的法律注意事项

必需交付成果

1. 计划结构设计
类型最适用场景
双向奖励大多数企业(双方都会受到激励)
单向奖励(推荐人)高利润率企业
单向奖励(被推荐人)竞争激烈的市场
阶梯式侧重游戏化

奖励选项:

奖励类型最适用场景
现金/额度电商、市场平台
产品折扣订阅服务、SaaS
免费月份留存率高的 SaaS
高级功能免费增值模式
专属访问权限高端品牌
2. 激励经济学
Current CAC: $[X]
Referral Reward Cost: $[Y]
If conversion rate is [Z]%, effective CAC = $[Y ÷ Z]

Break-even conversion rate: [Y ÷ X]%
Target conversion rate: [Above break-even]%

ROI 预测表:

情景每月推荐数转化数成本产生的 LTVROI
保守[X][Y]$[Z]$[A][B]%
预期[X][Y]$[Z]$[A][B]%
乐观[X][Y]$[Z]$[A][B]%
3. 分享机制

链接格式: yoursite.com/r/[UNIQUE_CODE]

分享渠道:

渠道操作阻力预期数量
直接复制链接很低高
电子邮件邀请低中
社交媒体分享低中
即时通讯/WhatsApp低高(移动端)
QR code中低,但意向度高

分享提示的展示位置:

位置触发时机
购买后订单确认时
控制面板每次登录时(轻量提示)
成功后达成目标后
邮件页脚每封事务性邮件中
应用内提示成为客户 [X] 天后
4. 消息模板

完整模板包括:

  • 邀请邮件(推荐人发送给朋友)
  • 落地页(被推荐人访问时)
  • 社交分享文案(Twitter、LinkedIn、Facebook)
  • 致谢消息(推荐人和被推荐人)

参见 assets/messaging-templates.yaml

5. 病毒系数框架

K = i × c

其中:

  • i = 每位客户发送的邀请数
  • c = 邀请的转化率
K 系数含义
< 0.5推荐效果较弱,需要其他渠道
0.5-1.0推荐效果良好,能加速增长
> 1.0病毒式增长,可持续自增长

优化方法:

  • 提高邀请数(i):增加提示、简化分享、加入游戏化元素
  • 提高转化率(c):优化落地页、提高奖励、增加信任信号
6. 跟踪与归因
  • 归因要求
  • 实现选项(URL 参数、唯一链接、混合方案)
  • 欺诈防范措施
  • 归因窗口建议

参见 assets/tracking-launch.yaml

7. 发布计划

阶段 1:软启动(第 1-2 周)

  • 前 10% 的客户(NPS 推荐者)
  • 个性化联系
  • 监控问题

阶段 2:扩大推广范围(第 3-4 周)

  • 所有客户
  • 应用内提示
  • 电子邮件公告

阶段 3:优化(第 5 周起)

  • 对激励措施进行 A/B 测试
  • 增加游戏化元素
  • 可持续扩大规模

完整路线图:assets/tracking-launch.yaml

输出格式

# REFERRAL PROGRAM BLUEPRINT: [Business Name]

## Executive Summary
[Strategy and expected impact]

## Program Structure
[Incentive design and mechanics]

## Economics Model
[CAC comparison, ROI projection]

## Sharing System
[Links, channels, placements]

## Messaging Library
[All templates and copy]

## Viral Coefficient
[K-factor analysis and optimization]

## Tracking System
[Attribution and fraud prevention]

## Launch Plan
[Phased rollout with milestones]

## Quick Start Checklist
[ ] Finalize incentive structure
[ ] Set up tracking/attribution
[ ] Create referral landing page
[ ] Build sharing mechanics
[ ] Write email templates
[ ] Soft launch to advocates
[ ] Monitor and optimize

质量标准

  • 研究案例:参考成功的计划
  • 以经济效益为导向:每项建议都与 CAC/LTV 计算挂钩
  • 可直接使用:提供可用的模板
  • 考虑欺诈风险:包含防范措施
  • 可衡量:在每个阶段都设定明确的指标

语气

具有战略性,聚焦增长。以增长负责人向 CEO 展示病毒式增长策略的方式撰写——清晰说明经济效益、经过验证的策略和务实的预测。

评论

支持 Markdown