編輯導語：為了提升企業的經營利潤，采取精細化運營策略、做好用戶管理，已經成為企業必然采取的舉措之一。而為了實現更好的用戶運營管理，提升用戶粘性，大多數企業都會選擇構建會員分析體系。如何搭建數字化浪潮下的會員分析體系？不如來看看作者的經驗總結。

本文基于在兩家鞋服零售頭部企業參與CDP和MA項目和會員相關數據産品工作，講下我理解的數字化浪潮下的會員分析體系構建。

一、構建以目标為導向的會員分析體系

知其然知其所以然，用戶分析與管理的終極目标是在用戶身上獲取最多的利潤，即LTV-用戶終身價值最大化，故從企業整體經營的目标看會員分析所處的位置再向下拆解，構建實現目标為導向的會員分析體系（會員包含在用戶中）。

如圖所示會員分析體系向上需提供可支撐戰略制定的數據，向下需完成對會員運營的目标，這個目标可能在LTV基礎上增加戰略轉型目标，如品牌年輕化，那麼用戶運營的目标中用戶年齡構成、客單價等即對應調整，故用戶分析體系必須是在明确用戶戰略目标的前提下設計或調整。

二、會員分析體系的構成

确認用戶運營的戰略目标後即應部門的工作内容與分工結構和每個模塊的KPI，以此構成分析體系。每個企業會員運營歸屬部門不同，但這個邏輯是相通的。根據管理和工作流可以抽象出三個闆塊構成會員分析體系，即策略規劃 周期/日常分析 執行追蹤。

三、策略規劃分析

此部分目的是給企業層做經營分析和相關決策時知曉現狀、趨勢；同時在确認策略目标後，以此定期複盤/考核目标達成情況。

其中用戶生命周期、價值分析和用戶畫像數據在周期/日常分析中也常用到；三個模塊的數據非完全獨立區分使用對象，站在使用者的角度有側重而劃分；同時在制定重要策略時，内部數據不僅會用到所述部分，可能會拉取企業更長時間的用戶數據分析趨勢洞察機會。

1. 核心指标

确認戰略目标後即制定對應指标作為目标達成的考核，是企業高層和部門管理關注的核心數據與業務風向标。

會員核心指标通常可以拆解4部分考核“量”與“質”，會員量和會員消費人數的是增長基礎，會員的質量是可持續增長和利潤度保證；最後根據階段業務的方向與目标會有特有的考核指标，如拓展新渠道、新模式相關目标，分析維度指标結合同環比、增長率、目标完成度分析。

2. 用戶生命周期和會員等級

用戶生命周期以用戶首次與品牌有觸點為始，至企業無法再從用戶身上獲得商業價值為終。基于過程中用戶消費與互動數據，通過規則劃分以分層運營，獲得用戶化商業價值最大化。

根據公式LTV-CAC=LT*ARPU-CAC，劃分用戶生命階段運營的目的在于不斷擴大有價值用戶的數量和用戶在此價值區間時長和每次價值量。用戶生命階段可劃分為5個階段，培育、成長、成熟、沉默、流失，在每個階段下再分層以制定運營和資源分配策略實現運營效益最大化。

實際的劃分并非一定完全如此，劃分的階段和分層層級根據實際業務定，我經曆的兩家公司的生命周期也非完全按此劃分，底層邏輯與目的是一緻的。

如上圖所示，基于會員生命周期的分層會對應每個階段的轉化考核指标，通過從增長率到流失率的分析可以判斷會員運營發展态勢，結合獲客成本和ROI分析運營效益。

生命周期分析的維度與價值如下，通過會員生命周期的構成、趨勢、對比/分布進一步拆解分析緣由以制定提升方案。

會員等級體系是企業面向用戶，激勵用戶完成一定事項以提升商業價值，增強用戶黏度的運營方法。通過構成、對比/分布，結合銷售數據分析可以了解判斷當前的運營效果和等級體系設計的好壞并制定差異化提升策略，分析思路與目的價值如下圖。

3. 會員價值分析

通過對會員價值分層，匹配不同的運營策略，不斷提升鞏固核心價值用戶群，實現LTV和ROI最大化，并為策略的制定提供數據支持，會員價值分析常用的有RFM和LTV。

LTV是用戶獲取到流失給企業帶來的商業價值總和，是運營提升的終極商業目标，也是策略有效性驗證的核心指标，相對于ROI單次效果計算,LTV是基于用戶運營長期價值考量，以此标準是重量也重質的分析計算，更有利于長期獲取更高用戶價值的良性運營北極星。

LTV的應用分為預測LTV和現有LTV計算。現有的LTV計算根據已經積累的幾個月到幾年的數據計算當前用戶、活動、渠道的LTV值；預測LTV通過算法同樣根據積累曆史數據預測未來一段時間的LTV值。

• LTV的計算：LTV并沒有一個通用的固定的公式，企業根據自身業務判斷拟定，常用的的計算公式有 LTV=LT*ARPU；LTV=MMR/churn rate。
• LTV預測：需要算法團隊基于用戶特征訓練模型進行預測，通常根據數據情況準确性會有一定的用戶範圍，對應數據越多的用戶群預測準确性越高。

應用：LTV的應用從規劃到分析和執行都有應用，在規劃層的主要作用兩個：

1. 衡量用戶價值和運營效果；
2. 輔助計算未來一段時期内收益和輔助營收目标的制定。

RFM零售運營中最常用的分析模型之一，根據用戶最近一次交易時間、交易金額、交易頻次将用戶劃分，詳細規則網上資料巨多不贅述，常見的使用分析方式有兩種。

1. 通過RFM值評分進行用戶分類，單獨使用或組合其他标簽、數據使用；
2. 單獨使用R/F/M值，或者組合其他标簽、數據，如高M值用戶 性别年齡段。

4. 人群（用戶）畫像

人群畫像是對特定人群的特征聚合分析，以全面了解人群各維度信息輔助企業決策，運營策略等分析。

基于标簽系統下的人群畫像可以靈活組合人群，自定義分析維度滿足更多業務場景、業務目标的要求，此部分是基于CDP系統邏輯下可實現的畫像分析，如企業未搭建CDP可根據需求固化常用人群和分析模闆進行畫像分析，人群畫像在“周期/日常分析”中也是高頻使用，此部分僅先對于策略規劃層面分析構成說明。

畫像的構建兩部分組成，“人群”和“畫像分析維度”，都基于用戶标簽體系。基于業務使用場景構建标簽體系對用戶進行打标，并沿用标簽體系的構建邏輯數據處理于畫像分析維度，以此通過标簽圈定人群 畫像維度自定義分析模闆，對不同人群進行自定義分析，下圖即對應邏輯與基于人群畫像分析常用的分析維度。

人群畫像在策略規劃、周期/日常分析使用較多，區别在于人群和分析深度，周期/日常分析基本會涵蓋策略規劃的人群，但策略規劃分析會分析的更複雜深入和更多預測性分析，需要數據與算法團隊協同參與。

下圖為人群畫像在三個部分的應用，其中的人群列的并不全面，舉了部分例子示意。

策略規劃部分人群畫像的目的/價值

全量用戶/會員：指導品牌用戶定位、戰略制定、目标實現驗證，如品牌希望做年輕化，可結合當前用戶畫像明确調整後具體的目标年齡範圍，以增加目标的有效性，驗證同理；通過屬性、消費偏好、行為特征分析指導商品企劃、渠道和營銷資源分配等的策略制定。

特定人群：對全盤用戶有了解後基于與商業利益核心相關的用戶群畫像深入分析，在企業運營穩定後，流失和高價值兩類人群是影響用戶收益的重要人群，通過分析以明确優先級和指導策略制定。

渠道人群是針對近兩年的市場來說，很多新零售企業會做線上渠道如直播、小程序、社群、分銷場景，新渠道的開展會重點關注以及時跟進方案調整确保目标達成。

這是基于我個人的工作經驗總結，根據企業業務人群選擇有所不同。

注意，人群畫像分析需要有TGI分析才可以真正分析人群特征。

四、周期/日常分析

周期/日常分析由5個部分構成，會員構成、會員消費、場景分析、畫像特征、預測分析，有部分維度與策略規劃層重疊，相對于規劃層分析層的數據是多維下鑽和更多交叉分析更加多維和詳細。

1. 會員增長與構成

會員等級和生命周期的分析中，在周期/日常分析中的使用除了對全量會員構成、對比/分布、趨勢的總體性分析外，區别有兩點。

1. 更多的下鑽和交叉分析，以及時洞察當前業務問題和支持營銷方案。
2. 呈現形式上，規劃層用于方向決策，更多的是總體數據以可視化 彙總的數據，分析層除了可視化和彙總外，會有更多更詳細報表數據。

RFE是基于RFM的變形，對用戶的線上行為分析，用于渠道線上營銷，和線上線下融合，但使用相對沒有RFM普遍，個人認為線上 線下行為數據融合分析會越來越重要，舉例以下兩個場景。

1. 在召回用戶選擇群體時，僅對線下數據分析，基于長期未消費用戶定義為流失，在做召回策略時需要進一步分群獲知成功率更大的用戶和拟定策略時如獲取其線上行為數據，即可對近期有線上RFE高的用戶 高價值用戶做策略提升轉化率。
2. 将REF的計算結合物聯網設備如face id相關系統，試衣掃碼系統等獲取的數據，加入計算，可以讓用戶活躍的數據更趨近真實情況輔助于商品推送、門店導購等場景提升轉化。

但目前以我自己的工作經驗看RFE與線下數據的結合較少，一般單獨線上團隊使用此模型數據，或通過标簽系統組合用戶特征與消費特征數據，與線下數據組合分析是個人認為是零售分析的一個小發展方向，适用于用戶量大，線上觸達建設完善的企業。

會員增長常用的維度指标在後文會員消費分析中一起說明，因為通常會員招募與消費會一起分析

RFE定義：最近一次訪問時間 R（Recency）：會員最近一次訪問或到達網站的時間；訪問頻率 F（Frequency）：用戶在特定時間周期内訪問或到達的頻率；頁面互動度 E (Engagements)：互動度的定義可以根據不同企業或行業的交互情況而定，例如可以定義為頁面浏覽時間、浏覽商品數量、視頻播放數量、點贊數量、轉發數量等。

分析方式如圖：

應用與RMF的邏輯一緻：

1. 通過RFE值評分進行用戶分類，單獨使用或組合其他标簽、數據使用；
2. 單獨使用R/F/E值，或者組合其他标簽、數據。

2. 會員消費

會員消費分析是基礎分析模塊，以報表或報表 可視化方式對會員消費的當前情況、發展趨勢、分布、對比，通常會與相關指标的非會員數據如客流量、總銷售額等一起呈現，對比會員運營在整體運營中的作用，分析發現問題指導業務策略調整。

基于分析适用場景多也是工作報告中常用的數據，在BI系統上以自定義報表的形式保證靈活度，如前文所述會員增長目标常在一起分析，且衡量會員增長的指标少，故我整合一些常用分析如下。

3. 場景分析

零售運營工作落地圍繞場景展開，通過對這些場景的營銷策略和動作優化達成目标，故需對應場景的數據分析以科學支持運營決策動作。

我選取了5個零售中高頻的場景，說明分析維度和數據價值，其中營銷活動和商品因選取的維度因規則多變，數據處理系統支持度等影響可能按需取數計算并非固定。

社群分析通常會員獨立的模塊從獲客到轉化傳播和用戶畫像，所以隻說明其中社群中會員數據分析。

4. 畫像分析

畫像的定義與構建在策略規劃部分已說明，這裡主要說明人群畫像在工作周期/日常分析中常用分析人群和與策略規劃分析的區别。

1. 分析的人群和畫像維度更細。
2. 人貨場是零售分析的基礎邏輯，人群畫像也是。基于業務不同地區、門店、商品策略進行對應的畫像分析支持運營策略制定。
3. 基于營銷運營活動需求的分析，為了提高轉化，營銷推廣投放分析工作會基于活動渠道、時間、等分析用戶以支持精準營銷。
4. 流失人群和高價值人群的分析會更加深入以更有效應用于營銷，如基于流失與消費次數、商品、渠道、加入會員時長、消費偏好的關系輔助制定營銷切入時間點、商品售賣推送策略和渠道評估與管理。

從運營工作對人群畫像分析應用的場景拆分常用人群如下：

5. 預測分析

預測分析有3個對業務提升非常有效的，但我算法方面知識薄弱隻能說簡單說明下定義和用法，見諒。

LTV在前文中有過說明，此處說明下運營過程中的應用場景：

1. 運營前：算回報周期、營銷用戶總體價值、輔助營銷成本計算，通過LTV預測，單獨使用、結合其他維度數據或算法标簽對用戶分層，分配營銷資源，達到效果最大化，如結合流失預測，對高價值中高流失風險用戶資源傾斜，增加營銷獲益。
2. 運營後：營銷效果驗證，驗證渠道質量。

魔法數字是輔助業務判斷的相關性指标，通過分析/算法發現業務關鍵點數字或數值，輔助業務判斷或策略制定，零售場景下的魔法數字如轉化忠誠用戶的購買次數/件數、成為會員多少時間最易流失、複購最多的用戶的客單價、多用多久未購物流失可能性最大。

但要注意的是這個數字并非表示因果關系，達到了值就一定可以達到目标，影響程度需結合業務經驗一起判斷。

流失預測顧名思義通過積累的用戶行為數據和消費數據通過算法分析當前存量用戶的流失風險，再結合用戶畫像、價值分析等數據，減少流失，在運營中還有一點是識别基于品牌定位必然流失的用戶，如品牌年齡定位就必然導緻部分用戶因人生發展不同流失，識别以減少無效營銷的投入和制定合理的流失率少目标。

6. 會員營銷總析

會員營銷總體分析站在高層管理角度，彙總數據以全局視角對營銷總體和成本監控分析以确保達成總計劃目标、控制風險、降低成本，如下分三個部門組成，通常會後置建立，先建立單個營銷的分析體系，所以也放在了單個策略數據分析之後說明。

五、執行/追蹤

借用《數據化管理》書中的話“銷售是追蹤出來的，不是分析出來的”，同樣會員運營目标實現必然要依靠每次營銷觸達，每次活動、每日目标數據的追蹤，及時調整運營動作步步為赢達成最終目标。

以下基于過往MA、營銷工具、消費者端報表産品經驗，總結基于追蹤執行的分析體系搭建，也是基于IT系統建設上的。

1. 單個營銷策略分析

營銷策略數據分析分為兩部分，營銷總體的數據分析和單個策略分析，總體分析更多屬于周期分析故放在了周期/日常分析部分，單營銷策略除了分析更多會在策略期間跟進營銷情況故屬于執行/追蹤。

基于營銷鍊路拆解，首先營銷都會有明确的目标，如招募會員、提升銷售等等，故而分析維度需圍繞目标提供，對應目标可得出營銷的效果衡量指标，第二部分基于營銷執行即确認營銷對象後觸達用戶，并根據用戶反饋，方案設計等有鍊路數據，對其中的動作數據跟蹤分析監控營銷推進和目标達成，最後根據整體的數據分析複盤不斷優化策略和觸達。

由3個部分組成，但并非所有營銷都固定模闆分析，如上所訴需根據營銷目标提供，精準營銷也需要精準數據分析，全量數據一起提供是對分析和業務的幹擾，下方結合圖說明3部分的作用價值。

效果分析：主要為高層和運營策劃人員分析查看，通過核心指标知曉目标完成情況，通過效果數據分析驗證和驅動觸達渠道、營銷方案優化。

鍊路觸達分析：主要為運營執行人員，在營銷中監控追蹤動作完成，分析動作轉化，驅動内容和觸達渠道的優化。

營銷對比：定期活動複盤，通過同類型營銷對比優劣，再溯源策略區别，趨同整體水平提升。

2. 活動分析

此分析活動數據主要為線上活動，或者線上線下結合的導流活動，從四個方面分析，總數據、用戶參與數據、目标轉化數據、活動内容數據，以下以抽獎、内容類為例說明分析指标維度和作用，具體的指标設定需要根據活動具體形式方案而定，邏輯是一緻。

3. 門店報表（會員部分）

門店通過PC或移動端BI跟進每日數據KPI，其中包括會員相關數據，以此落地追蹤每日目标完成及時發現問題，故在門店報表中為會員相關驅動性指标，一般不設會員獨立報表，在日報中一起。

• 會員招募：新增會員數、會員招募完成率；
• 會員消費：會員消費人數、會員消費金額、會員客單價、會員連單率、會員單件數。

4. 異常分析

會員異常數據分析分為兩個部分，基于運營的異常監控，保證業務目标達成；基于用戶行為的異常監控，識别風險，減少損失；除了運營/用戶行為異常還有活動、策略異常，一般會在系統層有對應的報警設置，主要監控分析指标維度如下。

六、結語

因為是基于會員分析體系全局，内容較多其中基于用戶标簽體系、人群畫像部分内容未能展開詳說，可能不利于理解，後續有時間會單獨說這兩個方面。

至此為基于近些年做CDP、MA、會員數據相關産品與市場、會員運營相關部門合作總結的會員整體滿足戰略到執行的分析體系内容，有不完善的地方，後續工作有新認知會再修改叠代。

參考資料：《數據化管理》

作者：25号玩家；微信公衆号 : 25号玩家，專注數字營銷。

本文由 @25号玩家 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部