在当今互联网时代，随着各平台知识付费、音乐付费、视频付费等模式的开启，“万物付费时代”已经悄然而至。传统的粗犷式运营模式已经不再符合当今的时代潮流，如何在这样一个付费时代做好企业的精准化会员客户策略分析管理，成为当今时代人们尤为关注的话题。
在给大家分享自己的BI会员策略分析管理经验之前，先换位思考跟大家聊一聊我们自己本人作为某些商铺或平台会员群体中的一些痛点。
通常如果我们作为商铺或者平台会员，经常会收到各种特价、新品的促销短信，点开一看就感觉是那种一键撒网式毫无技术含量的群发短信我们在被这样的群发短信和电话轮番轰炸之后，在办理一些会员卡时都不太敢再预留自己的手机号码了，但是往往偶尔又怕错过他们的某些我们确实是感兴趣的会员促销活动，矛盾不言而喻，一旦客户容忍度低，也许就直接将商铺/平台拉黑屏蔽了。
以上类似场景在我们生活中的实际发生频次往往不胜枚举，说明大多数商铺或平台没有把消费者的数据真正用起来，还处于原始的跑马圈地的时代。但实际上对会员的数据分析一方面可以指导销售运营，另一方面还可以提高营销精准度（把对应的促销活动信息推送给最希望和需要收到的客户群体）。会员管理是一个很典型两极化管理，一方面会员的基数需要做大，另一方面会员营销却需要做小，否则很可能事倍功半。
通常我们做会员管理都会有以下几大误区：
1. 只注重开发新顾客，而忽视对老顾客的维护，也不关注顾客的流失情况（而事实上据某大型零售商充分的数据调研分析，一个老顾客的流失往往需要依靠十二个甚至更多的新会员方能弥补）；
2. 不细分客户，对购买特价商品的客户极为关注，反过头来却忽视了对优质客户的照顾；
3. 跟会员国度沟通，沟通形式渠道单一，无特色；
4. 没有客户/会员生命周期管理，没有挖掘客户/会员本身能够产生的附加价值；
5. 把对会员运营管理当成是促销活动来做，而不是经营策略。
本文将从会员数据采集、基础会员数据分析、分析发掘会员价值、会员生命周期管理（下期更新）、会员购买行为（下期更新）研究五个方面，来给大家介绍自己通过BI工具实现会员客户策略分析管理的总结经验和心得，做到比你的会员更加了解会员本身的消费行为，发掘会员潜在价值，让你的会员更加“值钱”。
BI分析工具：FineBI
下载地址：www.finebi.com
一、会员数据采集
首先，我们的目的是进行会员客户策略分析管理，那么我们需要哪些基础数据呢？
理想状态下，通常需要譬如会员的姓名、性别、出生年月日、手机号码、邮箱、地址、公司、月收入情况等等信息。而实际想准确地收集和获取到这些信息有时候会比较困难，比如月收入、手机号码、地址等等。这时往往需要有一些技巧：比如采集会员收入情况数据时，不要让客户直接进行数据输入，让客户可以选择收入范围；另外对于手机号码，有时经常会遇到一些胡乱填写手机号码的情况，其实在这个WIFI时代，往往我们只需要通过一些商场或是其他登录注册/发送上网验证码的方式来获取到客户的手机号码；对于会员地址，我们可以采用给会员免费寄送试用品、小礼物等方式来进行数据获取；对于客户年龄，采用办理会员卡通过身份证绑定获取相关数据的方式会更加准确。
另外对于一些其他总要的客户数据信息，有时候我们通过一些付费数据获取渠道往往也是有必要的，毕竟通过一定成本获取到的用户其质量往往高于那些免费渠道的用户信息。有一点需要注意的是，作为商铺或者平台运营者，一定要懂得保护好自己的用户数据，因为这既是保护用户隐私，也是在保护自己的企业商誉。
在我们收集到了自己所关注的客户/会员信息之后，往往还需要对其中的一些异常数据进行数据清洗，保证好所分析的数据质量，这样得到的数据分析结果才是有质量和业务战略指导意义的。比如做运动服装零售的数据分析统计，有时候在做会员数据分析时，发现有5%的80岁以上的会员客户，另外居然发现其中还有不少的100岁以上的客户数据，有3%的会员年龄还在10岁以下，还有5%的客户没有性别，3%的没有联系方式。这些数据往往都是大概率有问题需要单独清洗剔除的，对于企业来说，我们可以通过设定基础数据准确性/完整率的kpi指标来提升企业原始的数据质量。
在这样的一个时代，做会员数据分析往往都容易进入一个误区，很多人一谈数据分析则必称数据挖掘，却忽视了对企业原始数据的清洗和分析管理。而实际上企业的数据分析是需要最重要的是基础数据的管理和分析，最后才是挖掘。先保证最基础的东西做好了，这样对企业的价值会更大。
二、基础会员数据分析
做好数据采集工作之后，就可以开始会员基础数据分析了。对于店铺和运营平台等企业，基础的数据可以分为以下三类：
1.日常/每周关注会员指标：会员新增开卡数、新开卡率、贡献率、会员客单价、会员连带率、回头率等等；
2.月度/季度分析会员指标：会员年龄分布、性别分布、会员增长率、流失率、活动转化率等等；
3.年度研究会员指标：会员新增开卡率、流失率、会员消费周期、回头率、激活率、唤醒率等等。
其中日常/每周关注会员指标的数据主要以追踪为主，分析为辅，侧重于当前时段发生了什么，有什么需要解决的问题，应该怎么去解决。月度/季度指标则以分析为主，研究和总结阶段性关键问题，制定能够解决阶段性关键问题的策略。年度指标则主要以研究和分析为主，用来指导和制定明年的销售运营策略。
做会员基础数据分析思路要清晰，大体可分为三种：看趋势、着对比、溯源头。其中看趋势是比较常用的分析手段，通过对不同时间阶段的销售情况进行趋势统计，结合溯源头找出销售额增长或是下跌的主要原因，及时指导和调整营销策略。
接下来，我以四象限图为例，给大家详细介绍对比分析的常用技巧和方法。
我们通过散点图制作出如下所示的20个城市的会员状态情况，其中主要为两个分析指标，会员流失率和会员新增率（当前新增会员占该城市有效会员总比重）。会员新增率和流失率是会员分析最常用的两个指标，也是会员数据量的正反面体现。我们如果把有效会员数看作是企业的资产，那么新增会员就是银行的存款，流失会员就是银行的取款，此时想分析出当前企业的经营状况可以通过对比存进去多还是取出来多得出企业经营结论。我们用企业的平均增长率和流失率绘制成如下图所示的四象限图（X轴为会员流失率，Y轴为会员增长率），将20个城市分为4个象限：
第一象限（右上角）表示会员流失率和增长率都比较高，第二象限表示会员流失率低、增长率高，第三象限表示会员流失率和增长率都比较低，第四象限表示会员流失率高、增长率低。
从图中可以看出，其中第二象限中的长沙、石家庄、成都、济南四座城市的会员状态是最好的，用户将会持续增长（相对较低的流失率，较高的增长率）。相反右下角的第四象限中的北京、天津、哈尔滨、长春、大连五座城市则需要立即进行调理和整顿了，用户流失情况很严重，需要同时提高增长率、降低流失率。第一象限的六座城市则需要降低会员的流失率，第三象限的五座城市需要提高会员的增长率。
从以上的基础会员数据分析可以看出，基础数据分析还是比较简单的，容易发现数据规律和得出调整结论，难的是持续性，是否真正地看到了企业发展趋势、找对比、溯源头。
三、分析发掘会员价值
第二部分介绍的会员基础数据分析情况，侧重于解决当前影响企业销售额的主要问题，这部分主要给大家讲解分的析发掘会员价值则是侧重于制定给企业带来长期地可持续地发展战略。对于零售企业来说往往希望能够从顾客中发展会员，进一步希望会员能够吸引更多的顾客/会员。对于不同的顾客/会员，我们可以对其作用户画像，比如忠诚度比较高的顾客经常会光顾购买，也愿意向其他朋友推荐，同时对企业品牌认可。除了会员忠诚度之外，还需要看会员的实际购买金额，即会员的消费力。
上面提到的指标比如“愿意向朋友推荐”，往往不好直接通过数据采集量化，顾客/会员满意度也需要通过有针对性的问卷调研等方式统计到数据，我们可以参考以下相关性指标来侧面评估我们的顾客/会员的综合价值。
1、最近一次消费时间（忠诚度）
举个例子，某一位已经半年没有消费的顾客近期产生了消费行为，那么他就产生了这个“最近一次消费时间”指标，对于企业来说，我们期望能够通过各种活动来激活顾客消费，所以其实这个指标是动态的。
2、消费频率（忠诚度）
对于提高企业整体销售额来说，提高客户的消费频率无疑是一个非常有效的策略，如果某个企业的产品购买都是单次形式的，没有重复购买客户其实是很危险的，意味着需要不断地拉新，客户的持续产出不足。
3、消费金额（购买力）
我们都知道大名鼎鼎的“二八法则”，对于企业来说，往往80%的利润是有20%的客户产生的，而这20%的客户是企业的核心价值客户，需要得到企业更多的营销资源，具有持续购买力的客户是企业需要重点维护的第一选择。
4、最大单笔消费金额（购买力）
最大单笔消费金额是顾客购买力的一个体现，隐藏的是顾客的购买潜力，是企业需要策划挖掘产生持续消费的客户。
5、特价商品消费占比（价格容忍度）
特价商品消费占比作为评价顾客消费力的指标，往往跟实际占比的大小成负相关性。
6、最高单价商品消费占比（价格容忍度）
最高单价商品消费占比是最大单笔消费金额的拓展指标，从侧面上可以体现会员顾客的价格容忍度，具体值和价格容忍度成正相关。
在得到以上六个关键会员消费指标之后，我们通过建立对应区间打分制可以用雷达图组合统计出用户的最终用户画像。以下图为例，我们可以根据雷达图的形状，了解到每个顾客的特性，制定差异化营销策略。
会员一：
会员对商铺/平台忠诚度比较高，但是购买力很低，这种客户虽然消费金额不高，但是即使不做营销策略，他们也会产生持续消费，这部分客户是企业持续利润的来源基础保证，通常我们可以通过在一些人流稀疏的时段做促销行为，让其产生持续的集中消费。
会员二：
这部分会员消费能力比较强，同时对价格容忍程度也比较高，但是不足是会员忠诚度，针对这一类会员，我们可以分析他们的消费记录，做到会员商品精准推荐，提高该类会员的回购率。
会员三：
这部分群体可以以学生群体作为显著代表，其忠诚度和消费力都比较差，只是价格容忍度还可以。
通过对会员多维度数据的组合统计，构建出每一个用户的精准画像，进一步制定有针对性的营销策略。美国有一名男子闯入他家附近的一家美国零售连锁超市Target店铺(美国第三大零售商塔吉特)进行抗议：“你们竟然给我17岁的女儿发婴儿尿片和童车的优惠券。”店铺经理立刻向来者承认错误，但是其实该经理并不知道这一行为是总公司作用户画像分析的结果。一个月后，这位父亲来道歉，因为这时他才知道他的女儿的确怀孕了。Target比这位父亲知道他女儿怀孕的时间足足早了一个月。Target能够通过分析女性客户购买记录，“猜出”哪些是孕妇。他们从Target的数据仓库中推选出25项与怀孕高度相关的商品，制作“怀孕预测”指数。比如他们发现女性会在怀孕四个月左右，大量购买无香味乳液。以此为依据推算出预产期后，就抢先一步将孕妇装、婴儿床等折扣券寄给客户来吸引客户购买。
如果不是在拥有海量的用户交易数据基础上进行用户画像分析，Target不可能做到如此精准的营销。
本次的BI会员数据分析经验分享先给大家介绍到这里，下期将给大家继续详细剖析后续的会员生命周期管理以及会员购买行为研究，欢迎大家共同学习和交流。
网友评论