会员数据运营task1打卡

【学习目的】

1、了解企业数据化运营中,运用数据工具对会员进行运营的思路和方法

2、了解RFM模型的运用

3、掌握Python处理数据的技巧

4、掌握Excel表的可视化图表及透视工具

【具体内容】

1、数据化运营概述,会员运营与用户运营概述

2、会员数据指标及分析模型介绍

3、案例练习:基于RFM的精细化用户管理

4、简单小结及模型延伸知识点介绍

一、会员数据化运营概述*

会员数据化运营辅助于客户关系管理(CRM),可以用来解决以下几方面问题:

  • 会员的生命周期状态是什么?

  • 会员的核心诉求是什么?

  • 会员的转化习惯和路径是什么?

  • 会员的价值如何?

  • 如何扩大市场覆盖、获得更多的新会员?

  • 如何更好的维系老会员?

  • 应该在什么时间、采取何种措施、针对哪些会员做哪些运营活动?

  • 在特定运营目标下,应该如何制定会员管理策略(包括行为管理、体验管理、增值服务、信息管理、营销管理、客户关怀等)?

将线上相对成熟的人脸识别、路径追踪等方面的应用逐步扩展到线下,这为线下会员完整生命周期的数据跟踪、识别和分析提供了基础。

二、会员数据化运营关键指标

会员整体指标

营销指标

活跃度指标

价值度指标

终生价值指标异动指标。

会员整体指标:

注册会员数(累计注册会员数、年/月/日新增注册会员数)

激活会员数:关键在于能否主动完成激活流程(累计激活,年月日新增激活)

购买同上。

每个流程都有相应的转化率。

营销指标:

可营销会员数。会员可营销的方式包括:手机号、邮箱、QQ号等具有可识别并可接触的信息点,具备这些信息中心的任何一种便可以形成可营销会员。

营销费用:

媒介费用、优惠券费用、积分费用

营销收入:

通过相应的营销方式产生的收入。注意区分营销效果的重点在于,在完成交易时区分或者标记好渠道。

四、会员数据化运营分析模型

这里介绍几个常用的会员分析模型。

1 、会员细分模型

会员细分模型是将整体会员划分为不同的细分群体或类别,然后基于细分群体做管理、营销和关怀。会员细分模型常用于整体会员的宏观性分析以及探索性分析,通过细分建立初步认知,为下一步的分析和应用提供基本认知。会员细分也是做精准营销的基本前提。

常用的细分模型包括:基于属性的方法、ABC分类法、聚类法等。

基于属性的方法

会员细分可以基于现有会员属性,常用的细分属性包括:会员地域(例如北京、上海、武汉等)、产品类别(例如大家电、3C数码、图书等)。这种细分方法可以直接利用现有会员数据库数据,无需做二次开发和计算,是一种比较简单且粗浅的方法。

ABC分类

ABC分类(Activity Base Classification)是根据实物的主要特征做分类排列,从而实现区别对待、区别管理的一种方法。ABC法则是由帕累托二八法则衍生出来的一种法则。不同的是,二八法则强调的是抓住关键,ABC法则强调的是分清主次,并将管理对象划分为A、B、C三类。

在ABC分析法中,先将目标数据列倒序排序,然后做累计百分比统计,最后将得到的累积百分比按照下面的比例至划分为A、B、C三类。

  • A类因素:发生累积频率为0%-80%,是主要影响因素。

  • B类因素:发生累积频率为80%-90%,是次要影响因素。

  • C类因素:发生累积频率为90%-100%,是一般影响因素。

下面以示例数据说明如何使用ABC分类法对会员进行细分。

(1)建立一个二维表格数据,数据中包括会员ID和订单金额(或其他关键指标)两列

(2)二维表格数据按照订单金额做倒序排序

(3)对订单金额列进行累积百分比统计

2 、会员价值度模型

会员价值度,作为评价用户的价值情况,是区分用户价值的重要模型和参考依据,也是衡量不同营销效果的关键指标之一。价值度模型一般基于交易行为产生,衡量的是有实体转化价值的行为。常用的价值度模型是rfm 模型。

RFM模型是根据会员最近一次购买时间R(Recency)、购买频率F(Frequency)、购买金额M(Monetary)计算出RFM得分,通过这3个维度来评估客户的订单活跃价值,常用来做客户分群或价值区分。该模型常用于电子商务(即交易类)企业的会员分析。

RFM模型基于一个固定时间点来做模型分析,因此今天做的RFM得分与7天前做的结果可能不一样,原因是每个客户在不同的时间节点所得到的数据不同。以下是RFM模型的基本实现过程。

(1)设置要做计算时的时间节点(例如2021-07-07),用来做基于该时间的数据选取和计算。

(2)在会员数据库中,以今天为时间界限向前倒推固定周期(例如一年),得到包含每个会员的会员ID、订单时间、订单金额的原始数据集。一个会员可能会产生多条订单记录。

(3)数据预处理。从订单时间中找到各个会员距离截止时间节点最近的订单时间作为最近购买时间;以会员ID为维度统计每个用户的订单数量作为购买频率;将用户多个订单的订单金额求和得到总订单金额。由此得到的R、F、M三个原始数据。

(4)R、F、M分区。对于F和M变量来讲,值越大代表购买频率越高、订单金额越高;但对于R来讲,值越小代表离截止时间节点越近,因此值越好。 R F M 分别使用五分位(三分位也可以,分位数越多划分的越详细)法做数据分区。 需要注意的是,对于 R 来讲需要倒过来划分,离截止时间越近的值,划分越大 。这样得到每个用户的R、F、M三个变量的分位数值。

(5)将三个值组合或相加得到总的RFM得分。对于RFM总得分的计算,有两种方式,一种是直接将三个值拼接在一起,例如RFM得分为312、333、132等。另一种是直接将三个值相加,求得一个新的汇总值,例如RFM得分为6、9、6。

在得到不同的会员的R、F、M后,根据步骤5产生的两种结果,有两种应用思路。

  • 思路 1 :基于三个维度值做用户群体划分和解读,对用户的价值度做分析。例如得分为 212 的会员往往购买频率较低,针对购买频率低的客户应该定期发送促销活动的邮件;得分为 321 的会员虽然购买频率高,但是订单金额低,这样的客户具有较高的购买粘性,可以考虑通过关联或者搭配销售的方式提升订单金额。

  • 思路2:基于RFM的汇总得分评估所有会员的价值度情况,并可以进行价值度排名。同时,该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量,为分析建模提供基础。

3.会员流失预测

4.会员特征分析

5.营销相应预测