从战略到执行：零售会员（用户）分析体系构建

本文基于在两家鞋服零售头部企业参与CDP和MA项目和会员相关数据产品工作，讲下我理解的数字化浪潮下的会员分析体系构建。

一、构建以目标为导向的会员分析体系

知其然知其所以然，用户分析与管理的终极目标是在用户身上获取最多的利润，即LTV-用户终身价值最大化，故从企业整体经营的目标看会员分析所处的位置再向下拆解，构建实现目标为导向的会员分析体系（会员包含在用户中）。

如图所示会员分析体系向上需提供可支撑战略制定的数据，向下需完成对会员运营的目标，这个目标可能在LTV基础上增加战略转型目标，如品牌年轻化，那么用户运营的目标中用户年龄构成、客单价等即对应调整，故用户分析体系必须是在明确用户战略目标的前提下设计或调整。

二、会员分析体系的构成

确认用户运营的战略目标后即应部门的工作内容与分工结构和每个模块的KPI，以此构成分析体系。每个企业会员运营归属部门不同，但这个逻辑是相通的。根据管理和工作流可以抽象出三个板块构成会员分析体系，即策略规划+周期/日常分析+执行追踪。

三、策略规划分析

此部分目的是给企业层做经营分析和相关决策时知晓现状、趋势；同时在确认策略目标后，以此定期复盘/考核目标达成情况。

其中用户生命周期、价值分析和用户画像数据在周期/日常分析中也常用到；三个模块的数据非完全独立区分使用对象，站在使用者的角度有侧重而划分；同时在制定重要策略时，内部数据不仅会用到所述部分，可能会拉取企业更长时间的用户数据分析趋势洞察机会。

1. 核心指标

确认战略目标后即制定对应指标作为目标达成的考核，是企业高层和部门管理关注的核心数据与业务风向标。

会员核心指标通常可以拆解4部分考核“量”与“质”，会员量和会员消费人数的是增长基础，会员的质量是可持续增长和利润度保证；最后根据阶段业务的方向与目标会有特有的考核指标，如拓展新渠道、新模式相关目标，分析维度指标结合同环比、增长率、目标完成度分析。

2. 用户生命周期和会员等级

用户生命周期以用户首次与品牌有触点为始，至企业无法再从用户身上获得商业价值为终。基于过程中用户消费与互动数据，通过规则划分以分层运营，获得用户化商业价值最大化。

根据公式LTV-CAC=LT*ARPU-CAC，划分用户生命阶段运营的目的在于不断扩大有价值用户的数量和用户在此价值区间时长和每次价值量。用户生命阶段可划分为5个阶段，培育、成长、成熟、沉默、流失，在每个阶段下再分层以制定运营和资源分配策略实现运营效益最大化。

实际的划分并非一定完全如此，划分的阶段和分层层级根据实际业务定，我经历的两家公司的生命周期也非完全按此划分，底层逻辑与目的是一致的。

如上图所示，基于会员生命周期的分层会对应每个阶段的转化考核指标，通过从增长率到流失率的分析可以判断会员运营发展态势，结合获客成本和ROI分析运营效益。

生命周期分析的维度与价值如下，通过会员生命周期的构成、趋势、对比/分布进一步拆解分析缘由以制定提升方案。

会员等级体系是企业面向用户，激励用户完成一定事项以提升商业价值，增强用户黏度的运营方法。通过构成、对比/分布，结合销售数据分析可以了解判断当前的运营效果和等级体系设计的好坏并制定差异化提升策略，分析思路与目的价值如下图。

3. 会员价值分析

通过对会员价值分层，匹配不同的运营策略，不断提升巩固核心价值用户群，实现LTV和ROI最大化，并为策略的制定提供数据支持，会员价值分析常用的有RFM和LTV。

LTV是用户获取到流失给企业带来的商业价值总和，是运营提升的终极商业目标，也是策略有效性验证的核心指标，相对于ROI单次效果计算,LTV是基于用户运营长期价值考量，以此标准是重量也重质的分析计算，更有利于长期获取更高用户价值的良性运营北极星。

LTV的应用分为预测LTV和现有LTV计算。现有的LTV计算根据已经积累的几个月到几年的数据计算当前用户、活动、渠道的LTV值；预测LTV通过算法同样根据积累历史数据预测未来一段时间的LTV值。

LTV的计算：LTV并没有一个通用的固定的公式，企业根据自身业务判断拟定，常用的的计算公式有 LTV=LT*ARPU；LTV=MMR/churn rate。
LTV预测：需要算法团队基于用户特征训练模型进行预测，通常根据数据情况准确性会有一定的用户范围，对应数据越多的用户群预测准确性越高。

应用：LTV的应用从规划到分析和执行都有应用，在规划层的主要作用两个：

衡量用户价值和运营效果；
辅助计算未来一段时期内收益和辅助营收目标的制定。

RFM零售运营中最常用的分析模型之一，根据用户最近一次交易时间、交易金额、交易频次将用户划分，详细规则网上资料巨多不赘述，常见的使用分析方式有两种。

通过RFM值评分进行用户分类，单独使用或组合其他标签、数据使用；
单独使用R/F/M值，或者组合其他标签、数据，如高M值用户+性别年龄段。

4. 人群（用户）画像

人群画像是对特定人群的特征聚合分析，以全面了解人群各维度信息辅助企业决策，运营策略等分析。

基于标签系统下的人群画像可以灵活组合人群，自定义分析维度满足更多业务场景、业务目标的要求，此部分是基于CDP系统逻辑下可实现的画像分析，如企业未搭建CDP可根据需求固化常用人群和分析模板进行画像分析，人群画像在“周期/日常分析”中也是高频使用，此部分仅先对于策略规划层面分析构成说明。

画像的构建两部分组成，“人群”和“画像分析维度”，都基于用户标签体系。基于业务使用场景构建标签体系对用户进行打标，并沿用标签体系的构建逻辑数据处理于画像分析维度，以此通过标签圈定人群+画像维度自定义分析模板，对不同人群进行自定义分析，下图即对应逻辑与基于人群画像分析常用的分析维度。

人群画像在策略规划、周期/日常分析使用较多，区别在于人群和分析深度，周期/日常分析基本会涵盖策略规划的人群，但策略规划分析会分析的更复杂深入和更多预测性分析，需要数据与算法团队协同参与。

下图为人群画像在三个部分的应用，其中的人群列的并不全面，举了部分例子示意。

策略规划部分人群画像的目的/价值

全量用户/会员：指导品牌用户定位、战略制定、目标实现验证，如品牌希望做年轻化，可结合当前用户画像明确调整后具体的目标年龄范围，以增加目标的有效性，验证同理；通过属性、消费偏好、行为特征分析指导商品企划、渠道和营销资源分配等的策略制定。

特定人群：对全盘用户有了解后基于与商业利益核心相关的用户群画像深入分析，在企业运营稳定后，流失和高价值两类人群是影响用户收益的重要人群，通过分析以明确优先级和指导策略制定。

渠道人群是针对近两年的市场来说，很多新零售企业会做线上渠道如直播、小程序、社群、分销场景，新渠道的开展会重点关注以及时跟进方案调整确保目标达成。

这是基于我个人的工作经验总结，根据企业业务人群选择有所不同。

注意，人群画像分析需要有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个部分构成，会员构成、会员消费、场景分析、画像特征、预测分析，有部分维度与策略规划层重叠，相对于规划层分析层的数据是多维下钻和更多交叉分析更加多维和详细。

1. 会员增长与构成

会员等级和生命周期的分析中，在周期/日常分析中的使用除了对全量会员构成、对比/分布、趋势的总体性分析外，区别有两点。

更多的下钻和交叉分析，以及时洞察当前业务问题和支持营销方案。
呈现形式上，规划层用于方向决策，更多的是总体数据以可视化+汇总的数据，分析层除了可视化和汇总外，会有更多更详细报表数据。

RFE是基于RFM的变形，对用户的线上行为分析，用于渠道线上营销，和线上线下融合，但使用相对没有RFM普遍，个人认为线上+线下行为数据融合分析会越来越重要，举例以下两个场景。

在召回用户选择群体时，仅对线下数据分析，基于长期未消费用户定义为流失，在做召回策略时需要进一步分群获知成功率更大的用户和拟定策略时如获取其线上行为数据，即可对近期有线上RFE高的用户+高价值用户做策略提升转化率。
将REF的计算结合物联网设备如face id相关系统，试衣扫码系统等获取的数据，加入计算，可以让用户活跃的数据更趋近真实情况辅助于商品推送、门店导购等场景提升转化。

但目前以我自己的工作经验看RFE与线下数据的结合较少，一般单独线上团队使用此模型数据，或通过标签系统组合用户特征与消费特征数据，与线下数据组合分析是个人认为是零售分析的一个小发展方向，适用于用户量大，线上触达建设完善的企业。

会员增长常用的维度指标在后文会员消费分析中一起说明，因为通常会员招募与消费会一起分析

RFE定义：最近一次访问时间 R（Recency）：会员最近一次访问或到达网站的时间；访问频率 F（Frequency）：用户在特定时间周期内访问或到达的频率；页面互动度 E (Engagements)：互动度的定义可以根据不同企业或行业的交互情况而定，例如可以定义为页面浏览时间、浏览商品数量、视频播放数量、点赞数量、转发数量等。

分析方式如图：

应用与RMF的逻辑一致：

通过RFE值评分进行用户分类，单独使用或组合其他标签、数据使用；
单独使用R/F/E值，或者组合其他标签、数据。

2. 会员消费

会员消费分析是基础分析模块，以报表或报表+可视化方式对会员消费的当前情况、发展趋势、分布、对比，通常会与相关指标的非会员数据如客流量、总销售额等一起呈现，对比会员运营在整体运营中的作用，分析发现问题指导业务策略调整。

基于分析适用场景多也是工作报告中常用的数据，在BI系统上以自定义报表的形式保证灵活度，如前文所述会员增长目标常在一起分析，且衡量会员增长的指标少，故我整合一些常用分析如下。

3. 场景分析

零售运营工作落地围绕场景展开，通过对这些场景的营销策略和动作优化达成目标，故需对应场景的数据分析以科学支持运营决策动作。

我选取了5个零售中高频的场景，说明分析维度和数据价值，其中营销活动和商品因选取的维度因规则多变，数据处理系统支持度等影响可能按需取数计算并非固定。

社群分析通常会员独立的模块从获客到转化传播和用户画像，所以只说明其中社群中会员数据分析。

4. 画像分析

画像的定义与构建在策略规划部分已说明，这里主要说明人群画像在工作周期/日常分析中常用分析人群和与策略规划分析的区别。

分析的人群和画像维度更细。
人货场是零售分析的基础逻辑，人群画像也是。基于业务不同地区、门店、商品策略进行对应的画像分析支持运营策略制定。
基于营销运营活动需求的分析，为了提高转化，营销推广投放分析工作会基于活动渠道、时间、等分析用户以支持精准营销。
流失人群和高价值人群的分析会更加深入以更有效应用于营销，如基于流失与消费次数、商品、渠道、加入会员时长、消费偏好的关系辅助制定营销切入时间点、商品售卖推送策略和渠道评估与管理。

从运营工作对人群画像分析应用的场景拆分常用人群如下：

5. 预测分析

预测分析有3个对业务提升非常有效的，但我算法方面知识薄弱只能说简单说明下定义和用法，见谅。

LTV在前文中有过说明，此处说明下运营过程中的应用场景：

运营前：算回报周期、营销用户总体价值、辅助营销成本计算，通过LTV预测，单独使用、结合其他维度数据或算法标签对用户分层，分配营销资源，达到效果最大化，如结合流失预测，对高价值中高流失风险用户资源倾斜，增加营销获益。
运营后：营销效果验证，验证渠道质量。

魔法数字是辅助业务判断的相关性指标，通过分析/算法发现业务关键点数字或数值，辅助业务判断或策略制定，零售场景下的魔法数字如转化忠诚用户的购买次数/件数、成为会员多少时间最易流失、复购最多的用户的客单价、多用多久未购物流失可能性最大。

但要注意的是这个数字并非表示因果关系，达到了值就一定可以达到目标，影响程度需结合业务经验一起判断。

流失预测顾名思义通过积累的用户行为数据和消费数据通过算法分析当前存量用户的流失风险，再结合用户画像、价值分析等数据，减少流失，在运营中还有一点是识别基于品牌定位必然流失的用户，如品牌年龄定位就必然导致部分用户因人生发展不同流失，识别以减少无效营销的投入和制定合理的流失率少目标。

6. 会员营销总析

会员营销总体分析站在高层管理角度，汇总数据以全局视角对营销总体和成本监控分析以确保达成总计划目标、控制风险、降低成本，如下分三个部门组成，通常会后置建立，先建立单个策略的分析。

五、执行/追踪

借用《数据化管理》书中的话“销售是追踪出来的，不是分析出来的”，同样会员运营目标实现必然要依靠每次营销触达，每次活动、每日目标数据的追踪，及时调整运营动作步步为赢达成最终目标。

以下基于过往MA、营销工具、消费者端报表产品经验，总结基于追踪执行的分析体系搭建，也是基于IT系统建设上的。

1. 单个营销策略分析

营销策略数据分析分为两部分，营销总体的数据分析和单个策略分析，总体分析更多属于周期分析故放在了周期/日常分析部分，单营销策略除了分析更多会在策略期间跟进营销情况故属于执行/追踪。

基于营销链路拆解，首先营销都会有明确的目标，如招募会员、提升销售等等，故而分析维度需围绕目标提供，对应目标可得出营销的效果衡量指标，第二部分基于营销执行即确认营销对象后触达用户，并根据用户反馈，方案设计等有链路数据，对其中的动作数据跟踪分析监控营销推进和目标达成，最后根据整体的数据分析复盘不断优化策略和触达。

由3个部分组成，但并非所有营销都固定模板分析，如上所述需根据营销目标提供，精准营销也需要精准数据分析，全量数据一起提供是对分析和业务的干扰，下方结合图说明3部分的作用价值。

效果分析：主要为高层和运营策划人员分析查看，通过核心指标知晓目标完成情况，通过效果数据分析验证和驱动触达渠道、营销方案优化。

链路触达分析：主要为运营执行人员，在营销中监控追踪动作完成，分析动作转化，驱动内容和触达渠道的优化。

营销对比：定期活动复盘，通过同类型营销对比优劣，再溯源策略区别，趋同整体水平提升。