從戰略到執行：零售會員（用戶）分析體系構建

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產品工作，講下我理解的數字化浪潮下的會員分析體系構建。

一、構建以目標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標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標看會員分析所處的位置再向下拆解，構建實現目標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標，這個目標可能在LTV基礎上增加戰略轉型目標，如品牌年輕化，那么用戶運營的目標中用戶年齡構成、客單價等即對應調整，故用戶分析體系必須是在明確用戶戰略目標的前提下設計或調整。

二、會員分析體系的構成

確認用戶運營的戰略目標后即應部門的工作內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板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；同時在確認策略目標后，以此定期復盤/考核目標達成情況。

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，內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. 核心指標

確認戰略目標后即制定對應指標作為目標達成的考核，是企業高層和部門管理關注的核心數據與業務風向標。

會員核心指標通常可以拆解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；最后根據階段業務的方向與目標會有特有的考核指標，如拓展新渠道、新模式相關目標，分析維度指標結合同環比、增長率、目標完成度分析。

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，我經歷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致的。

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標，通過從增長率到流失率的分析可以判斷會員運營發展態勢，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標，也是策略有效性驗證的核心指標，相對于ROI單次效果計算,LTV是基于用戶運營長期價值考量，以此標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歷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擬定，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確性會有一定的用戶范圍，對應數據越多的用戶群預測準確性越高。

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：

衡量用戶價值和運營效果；
輔助計算未來一段時期內收益和輔助營收目標的制定。

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、交易頻次將用戶劃分，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。

通過RFM值評分進行用戶分類，單獨使用或組合其他標簽、數據使用；
單獨使用R/F/M值，或者組合其他標簽、數據，如高M值用戶+性別年齡段。

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。

基于標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、業務目標的要求，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板進行畫像分析，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”，都基于用戶標簽體系。基于業務使用場景構建標簽體系對用戶進行打標，并沿用標簽體系的構建邏輯數據處理于畫像分析維度，以此通過標簽圈定人群+畫像維度自定義分析模板，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，區別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復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、目標實現驗證，如品牌希望做年輕化，可結合當前用戶畫像明確調整后具體的目標年齡范圍，以增加目標的有效性，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：對全盤用戶有了解后基于與商業利益核心相關的用戶群畫像深入分析，在企業運營穩定后，流失和高價值兩類人群是影響用戶收益的重要人群，通過分析以明確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確保目標達成。

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鉆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，區別有兩點。

更多的下鉆和交叉分析，以及時洞察當前業務問題和支持營銷方案。
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+匯總的數據，分析層除了可視化和匯總外，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。

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擬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。
將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，或通過標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，適用于用戶量大，線上觸達建設完善的企業。

會員增長常用的維度指標在后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內訪問或到達的頻率；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瀏覽時間、瀏覽商品數量、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的邏輯一致：

通過RFE值評分進行用戶分類，單獨使用或組合其他標簽、數據使用；
單獨使用R/F/E值，或者組合其他標簽、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，通常會與相關指標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。

基于分析適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標常在一起分析，且衡量會員增長的指標少，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標，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，所以只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，這里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別。

分析的人群和畫像維度更細。
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。
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。
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只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：

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標簽對用戶分層，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。
運營后：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標，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、復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標，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別基于品牌定位必然流失的用戶，如品牌年齡定位就必然導致部分用戶因人生發展不同流失，識別以減少無效營銷的投入和制定合理的流失率少目標。

6. 會員營銷總析

會員營銷總體分析站在高層管理角度，匯總數據以全局視角對營銷總體和成本監控分析以確保達成總計劃目標、控制風險、降低成本，如下分三個部門組成，通常會后置建立，先建立單個策略的分析。

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”，同樣會員運營目標實現必然要依靠每次營銷觸達，每次活動、每日目標數據的追蹤，及時調整運營動作步步為贏達成最終目標。

以下基于過往MA、營銷工具、消費者端報表產品經驗，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。

基于營銷鏈路拆解，首先營銷都會有明確的目標，如招募會員、提升銷售等等，故而分析維度需圍繞目標提供，對應目標可得出營銷的效果衡量指標，第二部分基于營銷執行即確認營銷對象后觸達用戶，并根據用戶反饋，方案設計等有鏈路數據，對其中的動作數據跟蹤分析監控營銷推進和目標達成，最后根據整體的數據分析復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板分析，如上所述需根據營銷目標提供，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干擾，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，通過核心指標知曉目標完成情況，通過效果數據分析驗證和驅動觸達渠道、營銷方案優化。

鏈路觸達分析：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，驅動內容和觸達渠道的優化。

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