会员数据化运营
会员数据化运营概括
会员数据化运营辅助与用户关系管理（CRM）
-
虽然说积分没有立即兑换 但是对于企业来说也相当于已经投出去了
-
营销媒介费用 比如短信 推广渠道的收费 营销费率 会员营销费用占营销收入的比例 营销费率分析是为了监督营销费用的支出情况 确保不超过计划指标 确保此次活动没有超过预算 每一次注册收入 每一次订单收入 每一次会员收入 每一次注册成本 每一次订单成本 每一次会员成本
除了上述成本指标外还可能包括其他的类型的成本 例如挽回流失用户的成本 完成一个特定指标的成本 每一单练习成本 比如获取联系的成本
会员价值分群 通过特定模型或者方法分为几个层次 回购率：在一定周期能卖两次或者以上的会员比例 不同公司的复购率不同
CAC 用户获取成本 通常和会员生命周期价值（LVT）一起来使用 lvt 已增长：业务在一个良性轨道上 要不是用户贡献增大 要不用户流失降低 因为用户的价值就是和会员数量还有会员贡献的质量有关 lvt 没增长：业务存在问题 考虑提升营收降低成本（自己少花一点） 防止会员的流失 ltv的计算指标： - 成本 利率 毛利率 - 用户留存率 服务能力 产品设计 运营效率 - 客单价运营效率 产品能力 CAC：市场上效率 运营的效率 会员生命周期价值运营效率管理的行业 比如游戏 母婴 - 周期性比较强且很稳定 - 客户群生命周期的状态有着明显的方针 - 行业变化波动小 不能经常有着太大的变动 干扰性很强 不太适合会员生命周期价值的行业 社交 工具 - 用户需求没有明显的周期化体现 你比如母婴 如果要是用的话就是在有孩子的一段时间 非常稳定 - 用户贡献的量化能力不够强 - 行业竞争激烈 需经常采用新的方法 这样就是违反生面的第三条 不稳定
用户直接就会有贡献价值的行业 电商 周期性订阅消费产品 游戏 ltv适合用 （比如你开会员一个月一续费的 有直接贡献 而且周期性还好 按月来 而且游戏既然已经上架了 不会有太大的变动 ） 不会有直接贡献价值的产品行业 社交咨询 这个关注的用户的多少 留存 活跃 时间长 不适合用ltv
会员生命周期转化率 比如是用户到达网站100次 但是只有一次消费 会员生命周期的转化率为1%
会员生命周期的剩余价值
-
预测类指标 预测用户在生命周期内还能产生对少价值里面可以细分很多指标
-
预期未来三十天的会员转化率
-
生命周期剩余订单的价值
-
预计未来的7天下单的数量
-
预计下一个订单的金额
-
下一次购买商品的名称
-
-
这种预测指标通常会基于特定的算法和模型做训练 预测未来的数据 其中回归和分类主要是预测性应用的方法 特殊情况系也可以使用关联算法
会员异动指标
-
会员流失率
-
会员流失就是会员不在用产品了 也不来了 很正常
-
各企业要定制符合行业特定的基准作为参考
-
会员流失走向 流失率如果是平稳或者下滑 要是突然上升肯定是出了问题的
-
-
会员的异动比例 = 新增会员/流失会员 如果好的话应该是大于1的 如果是小于1 的话肯定出问题了
会员数据化运营场景
会员运营
数据化运营应用于会员营销：
-
信息化的方式简历基于会员的客户关系管理系统 促进所有会员数据的信息化
-
基于用户历史消费记录 挖掘用户的潜在潜在的需求和消费热点
-
基于历史数据 为活动提供策略指导和建议 促进精准营销活动开展
-
从会员营销结果中寻找异常订单或者是异常的转换 识别黄牛和VIP客户的参考
会员细分模型
将整体会员划分不同的细分群体和类别 常用的细分模型：基于属性 ABC分类法 聚类法
-
属性的 比如 地域 产品类别 会员类别 性别 消费等级
-
ABC的方法 根据实物的主要特征做分类的排列 从而实现区别对待、管理方法
-
ABC法则从帕累托二八法则衍生出来 二八法则主要是抓住关键 但是ABC是妖有层次
-
ABC分析法现将目标数据倒序排序 其中一个条件进行累积，占所有累积的百分比统计得前A 0-80 中间的 B 80-90 最后的C 90-10 这三类
-
聚类法会员细分常用的非监督方法 不用任何经验 指定要划分的群体数量就可以
会员活跃度的模型
RFE模型基于用户的普通行为（非转化或者交易行为） 产生思路与rfm类似（rfm是最近购买的时间 消费的频率 消费的金额）
-
R最近访问时间
-
F访问的频率
-
E页面互动度 互动度定义根据不同企业的交互情况而定 比如订成页面浏览 下载量 视频播放次数 RFM模型 由于不要求用户发生交易 因此要做未发生登录，注册你命用户的行为价值分析 该模型经常用来做用户活跃分群或者价值区分可用于内容型（例如论坛、新闻、咨询等） RFM和RFE 模型实现思路相同 仅仅是计算指标发生变化 而RFE的数据来源 既可以从企业自己监控的用户为日志获取也可以从第三方网站上分析工具获取
-
在得到用户的RFE得分后 有两种应用的思路
-
基于三个维度值（就是频率 时间 次数）对用户群体实行划分和解读 对用户的活跃度做分析
-
基于RFE的汇总得分评估所有会员的活跃价值 并可以做活跃的度的排名 得分还会做为输入维度与其他维度一起为其他数据分析和挖掘模型输入变量 无论是RFM 还是RFE 不能忽略 频率 品类 周期对月结果的影响 比如大家电有可能是两年 手机更换时一年 但是日用品周期确实七天 不同商品差异很大 最终的得分结不同的没有可比性 一定注意品类的不同
-
会员价值度模型
-
会员价值评估会员的价值情况 衡量不同营销效果的关键指标之一
-
价值一般基于交易产生行为 衡量有实体转化价值行为 常用的就是RFM
-
RFM
-
最近一次时间
-
购买的频率
-
购买的金额
-
RFM模型基于一个固定的时间来做模型分析 不同时间计算的RFM可能就不一样 RFM模型实现
-
-
时间订好了 多长时间 啥时候开始定位是时间开始点
-
数据预计算 各个会员距离截止时间点最近的订单时间作为最近购买时间
-
RFM三个值里面 RM都是越大越好 但是F是越小越好 因为值越小的购买的时间离现在截止的时间就越近
-
RFM三个变量要用五分位来法数据分析 计算方式有两种 要不是都加起来或者是直接拼接起来
-
常见的RFM划分区间的套路
-
业务实际判断
-
平均值或者是中位数
-
二八法则
-
-
结果出来后
-
思路一
-
得分212的会员购买评率有点低 定期发送促销的邮件
-
得分321的用户虽然购买频率高但是金额都不大有较高的购买粘性 可考虑通过关联 或者搭配销售方式提升订单的金额
-
-
思路二
-
基于的他们的汇总得分评估所有会员的价制度价值 并可以做价制度排名 同时得分还作为输入维度与其他维度一起作为其他数据的分析与挖掘模型的输入变量 为分析模型提供基础
-
会员流失预测的模型
-
定义好什么是‘流失’ 什么状态 什么特征 属于流失的会员 流失还要定义永久或者是临时
-
常见的定义（电商）
-
退订公司的促销活动
-
会员要求将自己的信息加入黑名单
-
六个月没有登陆网站
-
关怀和激励活动没有任何的响应
-
一年没有订单量了
-
-
上面的分为两种 一种是直接了当的说自己是不干了 还有就是已经不理你的
-
会员流失预警模型注意的
-
流失会员的样本一定是少数类 注意处理样本不均匀的 问题
-
流失预测的结果 得到概率性的输出可以结合流失标签一起应用 因为业务方面可以基于概率再结合业务经验做判断
-
-
一定多注意一些 比如基于用户半年没有订单就是流失客户 这时候要注意人家除了没有订单 还有浏览历史 登录状态的方面等等 不能只考虑订单本身 一定要包含发生转化前的行为数据
-
会员流失预警模型不是一次性的而是周期性的时间段到时自己看
会员特征分析模型
-
会员特征分析模型是提供的结果可能是模糊的 也有可能是明确的
-
明确的特征 提供了细节行动的细节要素 极高落地价值的数据分析工作
-
模糊的特征 数据分析结果未能提供详细的动作因素 指明下一步行动方向目标
-
-
会员的特征分析主要有两种业务场景
-
没有任何前期经验或者特定目标 希望通过整体特征分析会员的全貌 可以先把用户分为几个类别 在做基于类别的特征分析
-
聚类：通过聚类划分结果群组 然后分析不同群组的典型特征和群主之间的差异性
-
统计分析 对用户做整体的统计 包括描述统计频数分布等了解整体数据概括
-
-
有明确的的业务方向 希望找到业务的会员特征 作进一步的会员运营
-
分类 对符合目标的变量和对应变量进行确定他的特征 比如收入>5400 购买还在最近五个月 总金额在4300以下的会员最可能购买的商品 分为一类
-
关联 使用关联 规则找到不同的属性 （比如我就想推销哪一件产品就可以圈出来这个目标关联）项目他们之间发生的关联或者序列发生的关联 比如购买x 的商品用户来自北京 一周三次 客单价为100以下
-
异常检测 非监督式的异常检测方法 从一堆数据里面找到异常的 比如同一地点 一个人用过个字用户来买东西 而且就买一件商品 应该就是薅羊毛 买一顿活动的提别便宜回去卖给别人
-
-
-
防止人家薅羊毛 黄牛之类的找到会员问题的 一眼看穿谁是正经人
-
找到对某一种的产品铭感的用户特征
营销相应预测模型
-
一般都是做会员营销活动之前 通过营销响应预测模型分析 找到可能会响应本科活动的会员特征及整体响应的用户比例、数量和可能带回来的销售额，这对在会员营销之前的有关策略制定的辅助价值非长明显
-
模型实施一般使用分类算法 常用算法有逻辑回归 随机森林
-
一般营销响应模型之前 需要先收集所需的数据集
-
从所有的会员随机选择一些会员的样本 般情况下至少有1000条数据才能满足模型训练的需要
-
针对选择的会员样本通过一定的媒介和渠道发送营销活动信息 比如手机短信 但是值得注意的 记录好营销活动发送的时间 频率 信息的相关运营要素 这些需要和后期的试试保持一致
-
-
通过营销响应预测得到的结果一般就两个方向
-
基于模型找到最可能产生购买转化的会员规则特征
-
购买在三个月内的 会员为三级的 总订单金额大于三千的 订单数数量大于10的 像这种会员直接就可以发送短信让他们参加就可以了
-
-
基于预测可能产生订单数量转化量、转化率
-
例如一万用户 会有四千转换
-
通过训练的样本集选择有转化的用户 用订单金额/会员计算得到的 能算出来此次发送能得到的营销收入
-
-
-
营销预测有什么样的好处呢 就是能够预测好都有多少人回来 这样的话就可以先准备 并且还能圈定好用户的人群 不能使用户你就该发短信啊 有成本的
####RFM计算案例
-
用户价值细分是了解用户价制度的重要途径 RFM
-
业务对RFM结果要求
-
对用户做分组
-
将每个组的用户特征概括总结出来 便于后续精细化运营不同的客户群体 且根据不同群体做定制化或者是差异化的营销与关怀
-
-
规划三个维度做三个分区
-
划分太多的分区不利于用户全体的查分 而且区间少了还可能啥都看不出来
-
-
完事后要给运营部门的分析结果要导出Excel的文件 用于后面的二次加工使用 也会给其他的模型建模使用 RFM本身的结果可以作为新的局部特征因此要在本地有文件 还有写入数据库
-
技术点
-
time numpy pands
-
使用sklearn 的随机森林库计算三个维度的权重
-
结果用到pyecharts的柱形图
-
四张表每一张表有一个输出 进行的数据审阅 看看有没有缺失值
-
-
for循环配合着enumerate函数同时获得索引和值
-
处理缺失值和异常值只针对订单数据
-
pandas里面最分散 有一个qcut还有一个cut 前者是电脑定义边界 后者自己定义
-
根据代码终于算出来了 各种权重进行总结 -图形的交互分析
-
重点人群
-
212群体用户是相对集中切变化最大的
-
2018增长了一倍
-
重点分析
-
-
重点分组
-
除了212之外 其他人群都在各个年份占据很大数量
-
虽然规模不大 组合起来超过了212
-
-
-
基于RFM分组的结果
-
建立数据透视表
-
-
用户特征的分析
-
超过用户占比10的
-
个位数的群体
-
大三类 人少 但是他们个人的价值非常高 案例注意点
-
-
不同类别 行业对于rfm依赖是有差异的 一个公司不同阶段和周期 三个维度的优先级也要调整
-
周期较长行业 rm更重要
-
周期短看中rf
-
具体要根据运营需求与业务部门沟通
-
-
rfm区间划分也是一个离散化的过程 分为几个区间是看看运营和投入
-
权重打分
-
除了案例中提到的建模方式外，结合业务经验的专家打分法也是常用的思路，这时推荐结合AHP层次分析法打分，这样出来的权重结果更加科学、严谨。
-
虽然订单数据库中的数据质量相对较高，但可能由于数据采集、数据库同步、ETL、查询、误操作等问题，还是会导致NA值的出现，而NA值的处理非常重要。
-
-
