會員分層和顧客忠誠度分析報告管理文章

equency)，這個指標可以直接在數據庫中COUNT用戶的消費次數得到；消費金額equency)，這個指標可以直接在數據庫中COUNT用戶的消費次數得到；消費金額(Monetary圖形進行描述：RFM分析也存在著一定的缺陷，它只能分析有交易行為的用戶，而對訪問過但未消費的用戶由于接的衡量指標，也可以驗證“帕雷托法則”(Pareto’sLaw)——公司80％的收入來自20％的顧客當用戶在電子商務上有了購買行為之后，就從潛在客戶變成了的價值客戶。電子商務一般都會將用戶的交易信息，包括購買時間、購買商品、購買數量、支付金額等信息保存在自己的數據庫里面，所以對于這些用戶，我們可以基于的運營數據對他們的交易行為進行分析，以估計每位用戶的價值，評價用戶價值的指標對于評價指標的選擇這里遵循3個原則：盡可能全面：根據底層數據選擇盡可能多的可以獲取的指標，這樣能夠從多角度進行分析定是購買次數越多的用戶總消費額越高，也就是導致了評價維度上的重合，而選擇購買次數和平均每次交易額可以避免這種相關性產生的弊端。根據以上幾個原則選取了以下幾個指標（同樣根據的特征選取合適的統(tǒng)計時間段1.最近購買時間：用戶最近一次購買距當前的天數；2.購買頻率：用戶在這段時間購買的次數；3.平均每次交易額：用戶在這段時間的消費總額/購買的次數；4.單次最高交易額：用戶在這段時間購買的單詞最高支付金額；5.購買商品種類：用戶在這段時間購買的商品種類或商品大類。用戶評價模型的展示一樣的，也可以用雷達圖進行展示，同樣也使用離差標準化的方法對每個指標進行消除度量單位的通過這個雷達圖，我們可以讀到比用戶忠誠度更多的信息。圖中的上面3個指標——最近購買時間、購買頻率和購買商品種類可以用來評價用戶的忠誠度，而下面的2個指標——平均每次交易額和單詞最高交易額可以用來衡量用戶的消費能力。如上圖，用戶1雖然購買頻率和購買的廣度不高，但其消費的能力較強，而用戶2是頻繁購買用戶，對有一定的忠誠度，但其消費能力一般。所以圖形的上半部分面積較大的用戶擁有較高的忠誠度，而下半部分面積較大的用戶具有更高的消費能力。這兩類用戶都是的有價值客戶，但由于其類型的不同，在營銷策略上可以分開對待。用戶交易行為分析的意義發(fā)現的高價值客戶（VIP為客戶關系管理（CRM）及保持有價值客戶提供支持；發(fā)掘的可發(fā)展用戶，對于一些新客戶或潛力客戶進行針對性營銷；及時發(fā)現可能流失的客戶，及時采取有效措施；圖形進行描述：RFM分析也存在著一定的缺陷，它只能分析有交易行為的用戶，而對訪問過但未消費的用戶由于向性；可以簡單分析用戶忠誠度的綜合評分，即圖形圍成的面積（假設四個指標的權重相等，若重要程度存在明顯圖形進行描述：RFM分析也存在著一定的缺陷，它只能分析有交易行為的用戶，而對訪問過但未消費的用戶由于向性；可以簡單分析用戶忠誠度的綜合評分，即圖形圍成的面積（假設四個指標的權重相等，若重要程度存在明顯較，可以將客戶細分為8類：Recency↑↑↓↓↑↑↓↓Frequency↑↓↑↓↑↓↑↓Monet根據用戶交易行為細分客戶群，實施有針對性的營銷策略。實戰(zhàn)這個是我根據我們某業(yè)務用戶特征做的分類：方法都很簡單，基于業(yè)務的指標構建→數據提取→指標標準化離散→聚類→結果分析，分層效果還是很清晰，最后分析后把每一層聚類的標準固化就實現實時分層的應用根據美國數據庫營銷研究所ArthurHughes的研究，客戶數據庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：最近一次消費（Recency）消費頻率（Frequency）RFM分析原多用于傳統(tǒng)營銷、零售業(yè)等領域，適用于擁有多種消費品或快速消費品的行業(yè)，只要任何有數據記錄的消費都可以被用于分析。那么對于電子商務來說，數據庫中記錄的詳細的交易信息，同樣可以運用RFM分析模型進行數據分析，尤其對于那些已經建立起客戶關系管理(CRM)系統(tǒng)的來基本概念解釋RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。RFM分析模型主要由三個指標組成，下面對這三個指標的定義和作用做下簡單解釋：最近一次消費(Recency)最近一次消費意指用戶上一次購買的時間，理論上，上一次消費時間越近的顧客應該是比較好的顧客，對提供即時的商品或是服務也最有可能會有反應。因為最近一次消費指標定義的是一個時間段，并且與當前時間相關，因此是一直在變動的。最近一次消費對營銷來說是一個重要指標，涉及吸引消費頻率(Frequency)消費頻率是顧客在一定時間段的消費次數。最常購買的消費者，忠誠度也就最高，增加顧客購買的次數意味著從競爭對手處偷取市場占有率，由別人的手中賺取營業(yè)額。無法用平面坐標圖來展示，所以這里使用三維坐標系進行展示，一種X軸表示Recency無法用平面坐標圖來展示，所以這里使用三維坐標系進行展示，一種X軸表示Recency，Y軸表示Freq），指的是用戶出于對企業(yè)或品牌的偏好而經常性重復購買的程度。對于來說，用戶忠誠度則是用戶出于對的功能指標的差距導致了用戶忠誠度的降低，優(yōu)化在這些方面的表現。所以，我這里使用的是基于用戶訪問頻率、最近訪戶的消費能力。如上圖，用戶1雖然購買頻率和購買的廣度不高，但其消費的能力較強，而用戶2是頻繁購買用戶根據這個指標，我們又把客戶分成五等分，這個五等分分析相當于是一個“忠誠度的階梯”客往上推成三次購買的顧客，把一次購買者變成兩次的。消費金額(Monetary)消費金額是對電子商務產能的最直接的衡量指標，也可以驗證“帕雷托法則”(Pareto’sLaw)——公司80％的收入來自20％的顧客。數據獲取與分析在從數據庫中提取相關數據之前，首先需要確定數據的時間跨度，根據銷售的物品的差異，確定合適的時間跨度。如果經營的是快速消費品，如日用品，可以確定時間跨度為一個季度或者一個月；如果銷售的產品更替的時間相對久些，如電子產品，可以確定時間跨度為一年、半年或者一個季度。在確定時間跨度之后就可以提取相應時間區(qū)間的數據，其中：最近一次消費(Recency)，取出來的數據是一個時間點，需要由當前時間點-最近一次消費時間點來作為該度量的值，注意單位的選擇和統(tǒng)一，無論以小時、天為單位；消費頻率(Frequency)，這個指標可以直接在數據庫中COUNT用戶的消費次數得到；消費金額(Monetary)，可以將每位客戶的所有消費的金額相加(SUM)求得。獲取三個指標的數據以后，需要計算每個指標數據的均值，分別以AVG(R)、AVG(F)、AVG(M)來表示，最后通過將每位客戶的三個指標與均值進行比較，可以將客戶細分為8類：Recency↑↑↓↓↑↑↓↓Frequency↑↓↑↓↑↓↑↓Monetary↑↑↑↑↓↓↓↓客戶類型重要價值客戶重要發(fā)展客戶重要保持客戶重要挽留客戶一般價值客戶一般發(fā)展客戶一般保持客戶一般挽留客戶——“↑”表示大于均值，“↓”表示小于均值結果的展示FM模型包括三個指標，無法用平面坐標圖來展示，所以這里使用三維坐標系進行展示，一種X軸表示Recency，Y軸表示Frequency，Z軸表示Monetary，坐標系的8個象限分別表示8類用戶，根據上表中的分類，可以用如下圖形進行描述：積較大的用戶具有更高的消費能力。這兩類用戶都是的有價值客戶，但由于其類型的不同，在營銷策略上可以分開對待。用戶交易行為分析的意義發(fā)現的高價值客戶（VIP），為客戶關系管理（積較大的用戶具有更高的消費能力。這兩類用戶都是的有價值客戶，但由于其類型的不同，在營銷策略上可以分開對待。用戶交易行為分析的意義發(fā)現的高價值客戶（VIP），為客戶關系管理（CRM）及保持有價值客戶提供僅擁有交易數據，而且可以收集到用戶的瀏覽訪問數據，可以擴展到更廣闊的角度去觀察用戶，這方面的定量分析向性；可以簡單分析用戶忠誠度的綜合評分，即圖形圍成的面積（假設四個指標的權重相等，若重要程度存在明顯RFM分析也存在著一定的缺陷，它只能分析有交易行為的用戶，而對訪問過但未消費的用戶由于指標的限制無法進行分析，這樣就無法發(fā)現潛在的客戶。所以在分析電子商務的用戶時，由于數據的豐富性——不僅擁有交易數據，而且可以收集到用戶的瀏覽訪問數據，可以擴展到更廣闊的角度去觀察用戶，這方面的定量分析會在之后的用戶分析中進行詳細敘述。用戶忠誠度分析忠誠用戶不僅能為創(chuàng)造持續(xù)的價值，同時也是品牌口碑推廣的重要渠道，所以目前對忠誠用戶愈加重視?？赡芎芏嗷蛘叻治龉ぞ邔τ脩糇隽恕靶掠脩簟焙汀盎卦L用戶”的劃分，但是單單區(qū)分新老用戶是不夠了，我們需要更加完善的指標來衡量用戶的忠誠度。用戶忠誠度（Loyalty），指的是用戶出于對企業(yè)或品牌的偏好而經常性重復購買的程度。對于來說，用戶忠誠度則是用戶出于對的功能或偏好而經常訪問該的行為。根據客戶忠誠理論，忠誠度可以由以下4個指標來度量：重復購買意向（RepurchaseIntention）：購買以前購買過的類型產品的意愿；交叉購買意向（Cross-buyingIntention）：購買以前為購買的產品類型或擴展服務的意客戶推薦意向（CustomerReferenceIntention）：向其他潛在客戶推薦，傳遞品牌口碑的意愿；價格忍耐力（PriceTolerance）：客戶愿意支付的最高價格。量化的用戶忠誠度以上的4個指標對于電子商務而言，可能還有適用性，但對于大多數是不合適的，所以為了讓分析具有普遍的適用性，同時為了滿足所有的指標都可以量化（上面的客戶推薦意向比較難以量化以便進行定量分析的要求，這里可以選取GoogleAnalytics中對用戶忠誠度的4個度量指標：RepeatedTimes、Recency、LengthofVisit、DepthofVisit，即用戶訪問頻率、最近訪問時間、平均停留時間、平均訪問頁面數，這些指標可以直接從的點擊流數據中計算得到，對所有的都適用，下面看一下這些指標的定義及如何計算得到訪問頻率：用戶在一段時間訪問的次數，即每個用戶Visits的個數；最近訪問時間：用戶最近訪問的時間，因為這個指標是個時間點的概念，所以為了便于度量，一般取用戶最近訪問時間距當前的天數。需求，提高他們的滿意度；2.從最近訪問時間的指標數據機用戶忠誠度變化趨勢中發(fā)現一些可能正在流失的用戶成三次購買的顧客，把一次購買者變成兩次的。消費金額需求，提高他們的滿意度；2.從最近訪問時間的指標數據機用戶忠誠度變化趨勢中發(fā)現一些可能正在流失的用戶成三次購買的顧客，把一次購買者變成兩次的。消費金額(Monetary)消費金額是對電子商務產能的最直時間15天前0.5052天前0.939.3平均停留時間150秒0.303120秒0.242.4平均訪后分析后把每一層聚類的標準固化就實現實時分層的應用方法二：根據美國數據庫營銷研究所ArthurHug平均停留時間：用戶一段時間每次訪問的平均停留時間，即每個用戶TimeonSite的和平均訪問頁面數：用戶一段時間每次訪問的平均瀏覽頁面數，即每個用戶PageViews的和統(tǒng)計數據的時間區(qū)間也是根據的特征來定的，如果的信息更新較快，用戶訪問較為頻繁，那么可以適當選取較短的時間段，這樣數據變化上的靈敏度會高些；反之，則選擇稍長的時間段，這樣用戶的數據更為豐富，指標的分析結果也會更加準確有效。用戶忠誠度的展示和比較上面的4個指標均可以被量化統(tǒng)計得到，單一的指標也是沒有意義的，我們需要通過比較來找出哪些是忠誠用戶，哪些是流失用戶，可以先對指標進行一些處理，以便使它們之間更具可比性，可以參考之前的文章——數據的標準化），這里我采用的是min-max標準化的方法，首先將所有指標的數值全部轉換到[0,1]區(qū)間，再進行倍數放大，比如使用10分制進行評分，則可以乘10，數據就全部分布在[0,10]區(qū)間了，如下圖：用戶1用戶2數據標準化評分數據標準化評分訪問頻率14最近訪問時間59.3平均停留時間3平均訪問頁面——表中的數據只是簡單的舉例，實際情況需要根據每個指標的最大最小值進行計算根據上表的數據，我們已經將所有指標統(tǒng)一到了同一個評分區(qū)間，那么就可以使用雷達圖對用戶的忠誠度進行展示。用雷達圖展示有以下幾個優(yōu)點：可以完整地顯示所有評價指標；顯示用戶在各指標評分中的偏向性；可以簡單分析用戶忠誠度的綜合評分，即圖形圍成的面積（假設四個指標的權重相等，若重要程度存在明顯差異，則不能用的面積來衡量）；可以用于用戶間忠誠度的比較。下面是根據上表繪制的雷達圖示例：ary↑↑↑↑↓↓↓↓客戶類型重要價值客戶重要發(fā)展客戶重要保持客戶重要挽留客戶一般價值客戶一般發(fā)展客支持；發(fā)掘的可發(fā)展用戶，對于一些新客戶或潛力客戶進行針對性營銷；及時發(fā)現可能流失的客戶，及時采取有效賺取營業(yè)額。根據這個指