热门频道

还在因为顾客流失而烦恼?可能是你的数据在“睡觉”    

  互联网、电商的快速发展,造就了“双11”、“618”这样的网购狂欢。消费者的消费行为也慢慢从线下扩展到线上,这带来的一个结果是:以往难以被收集的消费数据开始更多地被线上商家留存。这些数据有什么用?该如何用?在近期的数据侠线上实验室中,大数据服务提供商“网聚宝”品牌数据部首席数据分析师宋剑豪为我们带来了一场“接地气”的零售数据典型分析方法分享。干货满满,本文为其分享实录。

  

  如何才能发挥电商零售数据的最大价值?

  

  最近几年,天猫双11的销售额翻了好几番。从零售数据的意义上看,这意味着什么呢?

  

  这代表着更多的线下数据被不断引到线上来,消费者的数据更多地被品牌方沉淀下来。与此同时,移动支付的发展,同样也让线下的数据被吸收到线上。

  

  对于电商行业来说,越来越多的商家开始重视数据分析,也成立了数据分析部门。但由于天猫、淘宝官方平台提供的分析工具的限制,商家在对订单数据等的处理上,常常是不太能够挖掘到数据的深层价值。

  

  这也是我今天要分享的内容的主要背景。如何才能让线上积存下来的数据发挥最大的价值?这里我会结合网聚宝在此前的践行中获得的一些经验和好的方法,给大家介绍一些品牌零售数据的分析。

  

  我的分享主要分成三个部分,先会说会员生命周期分析的正确玩法,接着是基于具体场景的网店店铺诊断案例,最后还会谈谈我们如何通过现有的零售数据预测未来销量的趋势。

  

  会员生命周期分析:基于顾客购买数据做有针对的营销

  

  首先我们来看在电商行业中,什么是会员生命周期。

  

  这是一种判断一个客户对品牌方的店铺的忠诚度指标。在业内,通常会将客户的生命周期划分为活跃期、沉默期、沉睡期以及流失期。这四个周期有什么区别呢?

  

  活跃期是指最近有过购买行为的活跃用户,这是品牌方非常稳定的客户,也是“安全”的客户,品牌方不太需要给其发营销短信等触发方式。

  

  而沉默期的客户,则是商家主要的营销对象,因为这些客户可能有一段时间没来买过了,但之前却是买过的,甚至买过多次的。这样的客户,商家可能需要采取一些促销的方法来吸引并激活其购买力,重新进入活跃期。

  

  什么是沉睡期呢?这指的是一个客户购买过一次商品,但后来就“断掉了”,甚至可能转向竞品的商家。对于这类客户,可能需要通过各种互动方式、利益来诱惑其来回购(回来再此购买)。

  

  而流失期则意味着这个客户曾经买过,但至少已经一两年没回来买过了,对于这类客户,商家能对其产生的影响很小,只能双11时候做些主动营销

  

  上图反映的天猫官方向商家建议的客户生命周期划分方法,但我们觉得,这样的划分方法还是比较粗犷、粗糙的。我们认为,对于不同的商家而言,消费者的情况、习惯不同,到底怎样的分法才是科学的呢?

  

  为了科学分析,我们引入了一个物理学上的概念——半衰期。

  

  半衰期是放射性同位素衰减到原来质量一半所需要的时间,这被定义为半衰期。这个概念同样可以类比到消费者行为分析上来。

  

  当一个消费者复购的可能性仅剩下一半的时候,就差不多是处在半衰期了。

  

  这里我们还需要引入一个词汇叫做回购周期,比如,你一周购买了三次,那你的回购周期可能是两天,这里计算的其实是平均的回购的区间。基于这种统计方法,我们可以统计出一家网店的历史会员的平均回购周期值是多少。通过这个值我们可以将其划分成不同区间,使用累积加成的方法,看看累积到某一天,占全部会员的比例。

  

  上图是我们画出来的回购周期累积占比的曲线,当这根曲线达到50%的时候,也就意味着有一半以上的客户都是在这个区间内复购。比如说是140天,有50%以上的客户平均的回购周期都是140天。

  

  这时候,当有一个客户的最后付款时间距今日已经达到141天的时候,我们可以判定,其复购的可能性已经低于一半了。

  

  基于我们的分析,我们会将顾客进入半衰期的时间点作为划分活跃期的时间点。我们会按照不同商家的数据,通过数据得出每个商家不同的客户生命周期。

  

  划分好生命周期,到底会有什么作用?我们可以通过回购周期的曲线观察客户生命周期的变化,也能够从中看出商家的老客户维护做得怎么样等等。

  

  举个例子,大家看到的上图的这根曲线,其中有一些“小阶梯”意味着在同一天内复购的客户非常多,但同时也意味着他在这一天之后再也没有复购过。这些“小阶梯”实质上反映的是双11的大促。

  

  通过生命周期分析,我们还可以比较精准地去找到某一些类目的用户的购买习惯,然后去针对他的购买习惯,对其做一些特定的影响和营销的活动。

  

  案例:从不同的业务场景出发作不同的分析

  

  在对不同的需求场景进行店铺分析诊断的部分,我通过两个例子来阐释。

  

  第一个例子是一家真实的服饰相关的店铺案例,而且也是比较知名的品牌

  

  这家品牌现在遇到的问题是店铺的销量增速明显放缓、而且整体的数据没有什么特殊点。

  

  上图反映的是这家店铺2015年和2016年两年会员数量的趋势和销售金额趋势,看起来没有什么特殊的地方。这家品牌希望我们帮其店铺做一些诊断,能就业务方面给出一些具体的指导意见。

  

  在对这家公司进行分析时,我们首先想到的不仅仅是数据本身,这根本看不出什么问题,我们会根据他们的业务来帮助其分析具体哪些地方做的不好。

  

  在这里我们引入了会员分析的概念,我们将这家店铺过去一年的的会员分成三类:当年的新客,且一年之内没有发生复购;当年的新客,且一年之内发生复购;过去的老客户,在当年产生复购。

  

  为什么这样分?因为这三类会员正好对应着商家需要对三类会员做的事情:拉新。

  

  通过对新客和老客的分析,我们可以做针对性的分析。我们可以从下面的图表中看具体的分析过程:

  

  上图最左边这张图对应着当年没有产生复购的新客户的趋势。可以看到在2015年的时候,3月份的新客数量是极高的。

  

  而在2016年的时候,11月份的新客数极高,这两个产生了一个明显的对比。我们同时可以发现,在4、5、6、7这几个月份里面,2016年的数据明显低于2015年的数据。有人可能会问,是不是新客转化了,新客产生复购了呢?

  

  我们可以接着看上图第二张图。可以看到,在当年复购的新客趋势上,2015年有更加明显的压倒性趋势,从3月到11月的每一个月,都是2015年的会员数更多。

  

  所以,我们能够看出,这家店铺拉新的难度在增加,新客越来越少,这是什么原因导致的呢?

  

  可以发现,不管是其老客复购还是新客的复购,双11和3月某个节日的数据都很明显。这其实是因为3月份这家店铺有一个活动。

  

  我们经过分析后得出了结论:一是从2015年到2016年,随着市场的变化,用户对大促的趋向性明显增加。二是这家店铺平日拉新客的难度越来越高了。

  

  第三,我们发现他们的新客维护也可能存在一些问题。

  

  为此,我们会建议这家品牌做一些产品调整、价格调整。当然,我们还会具体分析每个新客的消费金额,因为一个新客进来,其购买的金额很大程度上意味着他下一次会不会复购。如果这个新客是贪便宜进来的,他首次付款金额特别低、或者买的商品特别少,特别是9块9那种秒杀,那么他产生复购的概率肯定很低。

  

  在对新客的价值作出判断后,我们还会结合其购买的商品是什么、商品的使用周期是多长、购买了多少件等因素,来预测新客产生复购的可能性。并判断该如何影响这些人来进行复购。

  

  经过这样的过程,就会产生一个闭环:通过分析、产生结论,然后不断再循环这样的过程,就能得到一个好的让新客产生二次复购的策略。

  

  第二个例子,是我们有一家母婴行业的客户,这家品牌以前觉得,只要一个顾客购买过A商品也购买过B商品,就觉得这两款商品有关联,于是会将这两款商品打包组合,但在后面营销的过程中,就遇到了很多问题。

  

  后来,我们经过分析,得出了结论:这种关联法并不是科学的方法,因为你购买过A商品又购买了B商品,可能会有很多行为导致,这可能会有集中几种可能:一种是用户同时购买;另一种是先买了A商品再买了B商品。

  

  这两种行为背后有着不同的因素:第一种,用户同时购买,那么确实需要将A商品和B商品打包;但如果是第二种情形,先买了A商品,然后再买了B商品,这两种商品其实并不适合打包组合,而是适合向购买A商品的顾客去推,而不适合推给先购买商品B的顾客。

  

  我们后来通过分析,还发现了一个有意思的现象:购买过婴儿的口罩、面巾、手帕的人,下次来买的时候还是会买这些商品。还有一些消费者会购买棉柔巾,这在一般情况下可能被一些女生用来卸妆,但我们后来发现,他们购买棉柔巾往往不是为了自己,而是用来给婴儿擦脸。

  

  通过这种商品关联的分析,能够找到一些特殊的用户使用商品的习惯,可以有针对地推出一些营销方案。

  

  在现在的电商环境里,需要从商品的维度进行结合,建立一个PRFM模型。这样可以对历年的老客户的营销方案做出相关的改良和优化。

  

  (DT君注:在众多的客户关系管理的分析模式中,RFM模型是被广泛提到的。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。PRFM模型是在RFM模型基础上,增加了产品的维度。)

  

  如何预测未来的销售趋势

  

  除了上面这些基本的分析,现在的电商商家的要求其实更多,他们希望能通过对数据的深度挖掘,用科学的方法进行事前的分析预测。

  

  在最近两年的双11,我们也尝试对一些品牌作出销量、用户增长等预测,预测的结果还是令人满意的。

  

  我们具体怎么做呢?这其中需要考虑到几点因素,一是历史数据,这其中的用户数是最多的,也是对品牌方销售作出预测的统计基础。

  

  第二,我们需要结合他们的业务逻辑,因为从业务逻辑角度看,会员增长、新客流失都是必然的规律。

  

  第三,需要结合周期性的市场变化。因为电商逃不开双11、618,在这些时期,就算不参加主会场的活动,销量肯定也会增长。

  

  在对用户增长进行预测时,我们需要留意到,新客的人数一般和品牌方的推广方案、市场趋势相联系,品牌方投入越多,赚的也越多,新客人数也会更多。但老客人数不一样,老客人数可能跟你开店的时间长短有关,但也和“唤醒率”有关。

  

  顾客的流失,一定程度上有着周期性的变化。比如,每年的前几个月和双11,情况必然不同。对此,需要结合业务的情况来进行预测。

  

  比如,在分析流失率时,我们需要进行同属性客户的聚合。我们的方法是:通过按月打包的方式。

  

  例如,2017年1月份的新客,我们会将他们打包成同一个群体,为什么会这样打包?因为这个群体满足一些相同的属性,1月份的顾客是有一定的周期性变化的。因为都在春节之前,顾客的很多购买属性是完全相同的。

  

  而1月份后每个月的顾客情况也是可以统计出来的。比如,上图我们下面统计了1月、2月的情况。

  

  一个是2015年1月的数据,另个是2015年2月的数据。这是一家真实的日化类店铺,可以看到这两条曲线都有一个很明显的周期性变化,我们可以看到三个最高点,其实都是双11,而且在周期性变化的前提下,它满足一个逐渐衰减的变化趋势。

  

  这符合我们的判断,因为2015年1月的那些客户的总量是不变的,它的流失率肯定会越来越高。因此我们可以通过时间序列的模型进行一些预测。

  

  数据之间往往是可以得到相互印证的。比如我们获得了2016年12个月的数据以及2017年前10个月的数据,那么2017年最后2个月的数据,我们虽然没法进行精准的预测,但我们可以基于历史同月数据,做一个综合的预测。

  

  我们可以通过观察时间序列和客户人数的衰减变化,并对时间序列的模型做一些改造,打造一套预测的方法。

  

  归根结底,要对品牌的增长趋势进行科学的分析,一定要结合具体的业务场景,符合业务逻辑,通过对数据的反复挖掘,总会得到有价值的结论。


编辑声明:本网站所收集的部分公开资料来源于互联网,转载的目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。如果您发现网站上有侵犯您的知识产权的作品,请与我们取得联系,我们会及时修改或删除。联系方式:020-38814986
最新评论