[分享] “萬物付費時代”已然來臨，如何讓你的會員更加值錢？
在當今網絡時代，隨著各平臺知識付費、音樂付費、影片付費等模式的開啟，“萬物付費時代”已經悄然而至。傳統的粗獷式營運模式已經不再符合當今的時代潮流，如何在這樣一個付費時代做好企業的精準化會員客戶策略分析管理，成為當今時代人們尤為關注的話題。
在給大家分享BI會員策略分析管理經驗之前，先換位思考跟大家聊一聊數據君作為某些商鋪或平臺會員群體中的一些體驗和痛點。通常如果我們作為商鋪或者平臺會員，經常會收到各種特價、新品的促銷簡訊，點開一看就感覺是那種毫無技術含量的群發簡訊。我們在被這樣的群發簡訊和電話輪番轟炸之後，在辦理一些會員卡時都不太敢再預留自己的手機號碼了，但是偶爾又怕錯過某些我們確實是感興趣的會員促銷活動，矛盾不言而喻，一旦客戶容忍度低，也許就直接將商鋪/平臺拉黑遮蔽了。
以上類似場景在我們生活中的實際發生頻次往往不勝列舉，說明大多數商鋪或平臺沒有把消費者的資料真正用起來，還處於原始的跑馬圈地的時代。但實際上對會員的資料分析一方面可以指導銷售營運，另一方面還可以提高行銷精準度（把對應的促銷活動資訊推送給最希望和需要收到的客戶群體）。會員管理是一個很典型兩極化管理，一方面會員的基數需要做大，另一方面會員行銷卻需要做小，否則很可能事倍功半。
通常我們做會員管理都會有以下幾大誤區：
· 只注重開發新顧客，而忽視對老顧客的維護，也不關注顧客的流失情況（而事實上據某大型零售商充分的資料調研分析，一個老顧客的流失往往需要依靠十二個甚至更多的新會員方能彌補）；
· 不細分客戶，對購買特價商品的客戶極為關注，反過頭來卻忽視了對優質客戶的照顧；
· 跟會員過度溝通，溝通形式渠道單一，無特色；
· 沒有客戶/會員生命週期管理，沒有挖掘客戶/會員本身能夠產生的附加價值；
· 把對會員營運管理當成是促銷活動來做，而不是經營策略。
本文將從會員資料採集、基礎會員資料分析、分析發掘會員價值三個方面來給大家介紹自己透過BI工具實現會員客戶策略分析管理的總結經驗和心得，達到比你的會員更加了解會員本身的消費行為，發掘會員潛在價值，讓你的會員更加“值錢”。
一、會員資料採集
首先，我們的目的是進行會員客戶策略分析管理，那麼我們需要哪些基礎資料呢？理想狀態下，通常需要譬如會員的姓名、性別、出生年月日、手機號碼、郵箱、地址、公司、月收入情況等等資訊。而實際想準確地收集和獲取到這些資訊有時候會比較困難，比如月收入、手機號碼、地址等等。這時往往需要有一些技巧：比如採集會員收入情況資料時，不要讓客戶直接進行資料輸入，讓客戶可以選擇收入範圍；另外對於手機號碼，有時經常會遇到一些胡亂填寫手機號碼的情況，其實在這個WIFI時代，往往我們只需要透過一些商場或是其他登入註冊/傳送上網驗證碼的方式來獲取到客戶的手機號碼；對於會員地址，我們可以採用給會員免費寄送試用品、小禮物等方式來進行資料獲取；對於客戶年齡，採用辦理會員卡透過身份證繫結獲取相關資料的方式會更加準確。
另外對於一些其他總要的客戶資料資訊，有時候我們透過一些付費資料獲取渠道往往也是有必要的，畢竟透過一定成本獲取到的使用者其品質往往高於那些免費渠道的使用者資訊。有一點需要注意的是，作為商鋪或者平臺營運者，一定要懂得保護好自己的使用者資料，因為這既是保護使用者隱私，也是在保護自己的企業商譽。
在我們收集到了自己所關注的客戶/會員資訊之後，往往還需要對其中的一些異常資料進行資料清洗，保證好所分析的資料品質，這樣得到的資料分析結果才是有品質和經營戰略指導意義的。比如做運動服裝零售的資料分析統計，有時候在做會員資料分析時，發現有5%的80歲以上的會員客戶，另外居然發現其中還有不少的100歲以上的客戶資料，有3%的會員年齡還在10歲以下，還有5%的客戶沒有性別，3%的沒有聯絡方式。這些資料往往都是大機率有問題需要單獨清洗剔除的，對於企業來說，我們可以透過設定基礎資料準確性/完整率的kpi指標來提升企業原始的資料品質。
在這樣的一個時代，做會員資料分析往往都容易進入一個誤區，很多人一談資料分析則必稱資料探勘，卻忽視了對企業原始資料的清洗和分析管理。而實際上企業的資料分析是需要最重要的是基礎資料的管理和分析，最後才是挖掘。先保證最基礎的東西做好了，這樣對企業的價值會更大。
二、基礎會員資料分析
做好資料採集工作之後，就可以開始會員基礎資料分析了。對於店鋪和營運平臺等企業，基礎的資料可以分為以下三類：
1.日常/每週關注會員指標：會員新增開卡數、新開卡率、貢獻率、會員客單價、會員連帶率、回頭率等等；
2.月度/季度分析會員指標：會員年齡分佈、性別分佈、會員增長率、流失率、活動轉化率等等；
3.年度研究會員指標：會員新增開卡率、流失率、會員消費週期、回頭率、啟用率、喚醒率等等。
其中日常/每週關注會員指標的資料主要以追蹤為主，分析為輔，側重於當前時段發生了什麼，有什麼需要解決的問題，應該怎麼去解決。月度/季度指標則以分析為主，研究和總結階段性關鍵問題，制定能夠解決階段性關鍵問題的策略。年度指標則主要以研究和分析為主，用來指導和制定明年的銷售營運策略。
做會員基礎資料分析思路要清晰，大體可分為三種：看趨勢、著對比、溯源頭。其中看趨勢是比較常用的分析手段，透過對不同時間階段的銷售情況進行趨勢統計，結合溯源頭找出銷售額增長或是下跌的主要原因，及時指導和調整行銷策略。
接下來數據君以四象限圖為例，給大家詳細介紹對比分析的常用技巧和方法。
我們透過散點圖製作出如下所示的20個城市的會員狀態情況，其中主要為兩個分析指標，會員流失率和會員新增率（當前新增會員佔該城市有效會員總比重）。會員新增率和流失率是會員分析最常用的兩個指標，也是會員資料量的正反面體現。我們如果把有效會員數看作是企業的資產，那麼新增會員就是銀行的存款，流失會員就是銀行的取款，此時想分析出當前企業的經營狀況可以透過對比存進去多還是取出來多得出企業經營結論。我們用企業的平均增長率和流失率繪製成如下圖所示的四象限圖（X軸為會員流失率，Y軸為會員增長率），將20個城市分為4個象限：
第一象限（右上角）表示會員流失率和增長率都比較高，第二象限表示會員流失率低、增長率高，第三象限表示會員流失率和增長率都比較低，第四象限表示會員流失率高、增長率低。
我們從圖中可以看出，其中第二象限中的長沙、石家莊、成都、濟南四座城市的會員狀態是最好的，使用者將會持續增長（相對較低的流失率，較高的增長率）。相反右下角的第四象限中的北京、天津、哈爾濱、長春、大連五座城市則需要立即進行調理和整頓了，使用者流失情況很嚴重，需要同時提高增長率、降低流失率。第一象限的六座城市則需要降低會員的流失率，第三象限的五座城市需要提高會員的增長率。
從以上的基礎會員資料分析可以看出，基礎資料分析還是比較簡單的，容易發現數據規律和得出調整結論，難的是持續性，是否真正地看到了企業發展趨勢、找對比、溯源頭。
三、分析發掘會員價值
第二部分介紹的會員基礎資料分析情況，側重於解決當前影響企業銷售額的主要問題，這部分主要給大家講解分的析發掘會員價值則是側重於制定給企業帶來長期地可持續地發展戰略。對於零售企業來說往往希望能夠從顧客中發展會員，進一步希望會員能夠吸引更多的顧客/會員。對於不同的顧客/會員，我們可以對其作使用者畫像，比如忠誠度比較高的顧客經常會光顧購買，也願意向其他朋友推薦，同時對企業品牌認可。除了會員忠誠度之外，還需要看會員的實際購買金額，即會員的消費力。
上面提到的指標比如“願意向朋友推薦”，往往不好直接透過資料採集量化，顧客/會員滿意度也需要透過有針對性的問卷調研等方式統計到資料，我們可以參考以下相關性指標來側面評估我們的顧客/會員的綜合價值。
1.最近一次消費時間（忠誠度）
舉個例子，某一位已經半年沒有消費的顧客近期產生了消費行為，那麼他就產生了這個“最近一次消費時間”指標，對於企業來說，我們期望能夠透過各種活動來啟用顧客消費，所以其實這個指標是動態的。
2.消費頻率（忠誠度）
對於提高企業整體銷售額來說，提高客戶的消費頻率無疑是一個非常有效的策略，如果某個企業的產品購買都是單次形式的，沒有重複購買客戶其實是很危險的，意味著需要不斷地拉新，客戶的持續產出不足。
3.消費金額（購買力）
我們都知道大名鼎鼎的“二八法則”，對於企業來說，往往80%的利潤是有20%的客戶產生的，而這20%的客戶是企業的核心價值客戶，需要得到企業更多的行銷資源，具有持續購買力的客戶是企業需要重點維護的第一選擇。
4.最大單筆消費金額（購買力）
最大單筆消費金額是顧客購買力的一個體現，隱藏的是顧客的購買潛力，是企業需要策劃挖掘產生持續消費的客戶。
5.特價商品消費佔比（價格容忍度）
特價商品消費佔比作為評價顧客消費力的指標，往往跟實際佔比的大小成負相關性。
6.最高單價商品消費佔比（價格容忍度）
最高單價商品消費佔比是最大單筆消費金額的拓展指標，從側面上可以體現會員顧客的價格容忍度，具體值和價格容忍度成正相關。
在得到以上六個關鍵會員消費指標之後，我們透過建立對應區間打分制可以用雷達圖組合統計出使用者的終端使用者畫像。以下圖為例，我們可以根據雷達圖的形狀，瞭解到每個顧客的特性，制定差異化行銷策略。
會員一：
會員對商鋪/平臺忠誠度比較高，但是購買力很低，這種客戶雖然消費金額不高，但是即使不做行銷策略，他們也會產生持續消費，這部分客戶是企業持續利潤的來源基礎保證，通常我們可以透過在一些人流稀疏的時段做促銷行為，讓其產生持續的集中消費。
會員二：
這部分會員消費能力比較強，同時對價格容忍程度也比較高，但是不足是會員忠誠度，針對這一類會員，我們可以分析他們的消費記錄，做到會員商品精準推薦，提高該類會員的回購率。
會員三：
這部分群體可以以學生群體作為顯著代表，其忠誠度和消費力都比較差，只是價格容忍度還可以。
透過對會員多維度資料的組合統計，構建出每一個使用者的精準畫像，進一步制定有針對性的行銷策略。美國有一名男子闖入他家附近的一家美國零售連鎖超市Target店鋪(美國第三大零售商塔吉特)進行抗議：“你們竟然給我17歲的女兒發嬰兒尿片和童車的優惠券。”店鋪經理立刻向來者承認錯誤，但是其實該經理並不知道這一行為是總公司作使用者畫像分析的結果。一個月後，這位父親來道歉，因為這時他才知道他的女兒的確懷孕了。Target比這位父親知道他女兒懷孕的時間足足早了一個月。Target能夠透過分析女性客戶購買記錄，“猜出”哪些是孕婦。他們從Target的資料倉庫中推選出25項與懷孕高度相關的商品，製作“懷孕預測”指數。比如他們發現女性會在懷孕四個月左右，大量購買無香味乳液。以此為依據推算出預產期後，就搶先一步將孕婦裝、嬰兒床等折扣券寄給客戶來吸引客戶購買。
如果不是在擁有海量的使用者交易資料基礎上進行使用者畫像分析，Target不可能做到如此精準的行銷。
