python資料分析：會員資料化運營（上）——知識點

阿新 • • 發佈：2018-12-26

會員資料化運營解決問題：

會員的生命週期狀態是什麼；
會員的核心訴求是什麼；
會員的轉化習慣和路徑是什麼；
會員的價值如何；
如何擴大市場覆蓋、獲得更多的新會員；
如何更好地維繫老會員；
應該在什麼時間、採取何種措施、針對哪些會員做哪些運營活動；
在特定運營目標下，應該如何制定會員管理策略，包括行為管理、體驗管理、增值服務、資訊管理、營銷管理、客戶關懷等。

運營指標：

會員新增指標：註冊會員,啟用會員，購買會員。

啟用會員相對於註冊會員有一個特定的啟用動作，該動作往往決定了使用者是否真的成為企業會員，常見的代表性動作包括：點選確認連結、手機驗證、身份驗證等。

購買會員是真正給企業帶來利潤的群體。購買會員數指有過購買行為的會員數量（企業也可以根據自身轉化定義為其他要素，如付費會員數）。

會員營銷指標：

會員可營銷的方式手機號、郵箱、QQ、微信等具有可識別並可接觸的資訊點，具備這些資訊中的任何一種便形成可營銷會員。
會員營銷費用一般包括營銷媒介費用、優惠券費用和積分兌換費用三種
- 營銷媒介費值簡訊、電子郵件等渠道推廣產生的費用
- 優惠券費用，美團外賣優惠券等，滿xx減xx，企業促銷時申請的優惠券費用是會員營銷費用的重要組成部分
- 積分兌換積分換購，積分折現等等
營銷收入會員營銷收入是通過會員營銷渠道和會員相關運營活動產生的收入，評估會員營銷活動產生的收入時，直接通過特定有標記的渠道或促銷碼而成交的資料能清晰分辨出來。
用券會員/金額/訂單比例
- 用券會員比例：使用優惠券下單的會員佔總下單會員的比例；
- 用券金額比例：使用優惠券下單的訂單金額佔總下單金額的比例；
- 用券訂單比例：使用優惠券下單量佔總下單量的比例。
營銷費率營銷費率是會員營銷費用佔營銷收入的比例。
每註冊/訂單/會員收入（獲客收入）
- 每註冊收入：每個註冊使用者帶來多少收入；
- 每訂單收入：每個訂單帶來多少收入；
- 每會員收入：每個會員帶來多少收入。
每註冊/訂單/會員成本（獲客支出）
- 每註冊成本：每個獲得一個註冊使用者需要多少成本；
- 每訂單成本：每個獲得一個訂單需要多少成本；
- 每會員成本：每個獲得一個會員需要多少成本。

會員活躍指標：

會員活躍度：根據不同的行為定分數，對會員整個生命週期中的行為進行活躍度記入
活躍使用者數：以時間為維度考察活躍使用者的數量作為指標

會員價制度指標：

價值分群：根據演算法給會員打標籤，通過梯度顯示不同價值，不同梯度差別對待。
復購率：一定週期內購買2次或2次以上的會員比例。
消費頻次：消費頻次是將使用者的消費頻率，按照次數做統計，統計結果是在一定週期內消費了不同次數，該指標可以有效分析使用者對於企業的消費黏性。
最近一次購買時間：該指標也可以作為會員消費價值黏性的評估因素。
最近一次購買金額：金額越大說明使用者最近一次的消費能力越高

會員終生價值指標

會員生命週期價值/訂單量/平均訂單價值：字面意思
會員生命週期轉化率：完整生命週期內完成的訂單和到達網站/企業/門店的次數比例，該指標衡量了使用者是否具有較高的轉化率。
會員生命週期剩餘價值：預測指標，預測使用者在生命週期內還能產生多少價值。可細分許多指標：
- 預期未來30天的會員轉化率；
- 預期生命週期剩餘訂單價值；
- 預期7天內下單數量；
- 預計下1個訂單的訂單金額；
- 下一次購買的商品名稱。

會員流失指標

會員流失率：的會員數量與全部會員數量間的比例。
會員異動比：會員異動比 = 新增購買會員 / 流失會員。

會員運營+資料驅動：

拓客：

以資訊化的方式建立基於會員的客戶關係管理系統，促進所有會員資料的資訊化；
通過特定方法將普通使用者拓展企業會員，並提高新會員留存率；
基於使用者歷史消費記錄，挖掘出使用者潛在消費需求及消費熱點；
基於歷史資料，為會員營銷活動提供策略指導和建議，促進精準營銷活動的開展；
從會員營銷結果中尋找異常訂單或轉化，作為黃牛或VIP客戶識別的參考；
挖掘會員傳播關係，找到口碑傳播效應的關鍵節點。

留客：

為預警事件設定閾值，自動觸發應急處理機制；
分析會員行為，為會員提供個性化、精準化和差異化服務；
通過會員喜好分析，提高客戶忠誠度、活躍度和黏性；
通過會員分析，預防會員流失並找到挽回已經流失會員的方法；
基於會員群體行為，更好的劃分會員群體屬性並挖掘群體性特徵；
基於群體使用者和內容相似度，發現有價值的會員互動方式；
基於會員生命週期的關懷管理，促進使用者終生價值最大化。

會員資料化運營模型

會員細分模型：

將會員劃分到不同的類別中，基於不同群體做差別對待；會員細分是精準營銷的基本前提。
常用模型：基於屬性、ABC分類法、聚類法

屬性法

會員細分基於現有會員屬性，如地區、消費等級、性別、會員等級等

ABC法（Activity Based Classification）

ABC法則是帕累託二八法則衍生出來的一種法則。不同的是，二八法則強調的是抓住關鍵，ABC法則強調的是分清主次，並將管理物件劃分為A、B、C三類。

A類因素：發生累計頻率為0%～80%，是主要影響因素。
B類因素：發生累計頻率為80%～90%，是次要影響因素。
C類因素：發生累計頻率為90%～100%，是一般影響因素

聚類法

使用聚類法做會員分群是常用的非監督式方法，該方法無需任何先驗經驗，只需要指定要劃分的群體數量即可

會員價制度模型：

RFM模型是根據會員最近一次購買時間R（Recency）、購買頻率F（Frequency）、購買金額M（Monetary）計算得出RFM得分，通過這三個維度來評估客戶的訂單活躍價值，常用來做客戶分群或價值區分。該模型常用於電子商務（即交易類）企業的會員分析。

會員活躍度模型：

RFE模型基於使用者的普通行為（非轉化或交易行為）產生，它跟RFM類似都是使用三個維度做價值評估。RFE模型是根據會員最近一次訪問時間R（Recency）、訪問頻率F（Frequency）和頁面互動度E（Engagements）計算得出的RFE得分。其中：

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）：使用者在特定時間週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的互動情況而定，例如可以定義為頁面瀏覽量、下載量、視訊播放數量等。

會員流失模型：

做會員流失預測模型的關鍵因素之一是要定義好“流失”，即處在何種狀態，具備哪些特徵的會員屬於流失。
會員流失預測模型的實現方法屬於分類演算法，常用演算法有邏輯迴歸、支援向量機、隨機森林等。
流失模型為預警模型需要為週期檢驗。

會員特徵分析

可以使用聚類等方法對已有使用者資訊進行整體分析，提取各個群體的顯著特性，部門可根據特性制定策略。
通過決策樹找到符合目標的關鍵變數，進而確定會員特徵
關聯分析，找到不同專案間的關聯提供給運營。
異常檢測，通過非監督手段找到異常情況提供給運營進行核實

營銷響應預測模型

營銷響應預測模型針對營銷活動展開，通常在做會員營銷活動之前，通過營銷響應預測模型分析找到可能響應活動的會員特徵以及整體響應的使用者比例、數量和可能帶來的銷售額。

一般採用分類演算法，常用邏輯迴歸、支援向量機、隨機森林等。

步驟：

隨機選擇一定量的會員樣本（1000條以上）
針對選擇的會員樣本通過媒介和渠道傳送營銷活動資訊
收集營銷活動資料
通過上述步驟收集到所需樣本集後，通過分類模型做營銷響應預測

營銷響應預測模型的結果一般包括兩個方向：

基於模型找到最可能產生購買轉化行為的會員規則特徵。
基於模型預測可能產生的訂單轉化數量、轉化率，以及轉化客戶的客單價大體計算出此次傳送會員能得到的營銷收入。

補充

留存分析新使用者

使用者留存指的是新會員/使用者在經過一定時間之後，仍然具有訪問、登入、使用或轉化等特定屬性和行為，留存使用者佔當時新使用者的比例就是留存率。

使用AARRR做APP使用者生命週期分析

AARRR是Acquisition、Activation、Retention、Revenue、Refer五個單詞的縮寫，分別對應使用者生命週期中的5個環節：獲取使用者、提高活躍度、提高留存率、獲取收入、自傳播。

藉助動態資料流關注會員狀態的輪轉

在做會員狀態分析時，通常得到的是某個時間點狀態。但是在不同時間週期下，會員的狀態會發生改變。基於動態的時間週期，可以有效分析使用者的狀態輪轉變化，可以從整個週期的視角發現會員狀態的全貌。

使用協同過濾演算法為新會員分析推送個性化資訊

在針對新會員的運營過程中，由於新會員的資料量少，因此無法根據其歷史資料針對性的提供個性化、精準化的運營活動。此時，除了可以採用TOP榜（例如TOP瀏覽商品、TOP銷售商品等）的固定推送機制外，還可以基於相似會員的喜好來做推薦。

參考：
《python資料分析與資料化運營》宋天龍