前面三讲已经全面介绍了会员信息的规划、采集、应用的相关内容,使我们更加坚定了会员信息是会员制的基础这一观点。具备了丰富、准确的会员信息,接下来就需进行会员细分,从而为会员的精准关怀、精准促销、精准推荐提供支持。从本讲开始,我们利用三讲的篇幅来讨论会员细分的维度、模型与方法。
一、会员细分的基本概念
一谈到会员细分, 诸如普通客户、大客户、贵宾客户、VIP客户等词汇就会条件反射式地呈现出来,还有更多的与会员细分相关联的词汇,例如目标会员、潜在会员、意向会员、正式会员、休眠会员、流失会员;有效会员、无效会员、恶意会员;活跃会员、忠诚会员、满意会员、价值会员等。所有这些,都是我们平时对会员细分的初步认识。
会员细分就是对存储在数据库中的会员信息(包括正式会员、意向会员、潜在会员)按照不同的维度进行分门别类,把会员分成不同的会员群,从而对不同会员群实施不同的关怀、不同的促销、不同的推荐、不同的管理。会员信息是会员细分的前提,没有全面、准确的会员信息,会员细分就无从谈起。
会员细分是会员精准营销的前提。不进行会员细分就对会员(包括正式会员、意向会员、潜在会员)开展促销、关怀,一方面将造成会员营销费用的浪费、服务成本的上升;另一方面,还将给会员增加不少骚扰。不进行会员细分就开始从目标市场招募新会员,一方面将造成会员招募成本居高不下;另一方面,招募而来的会员其日后的管理成本、服务成本将增加,会员流失率可能大幅度攀升。
所以,会员细分是会员制营销中举足轻重的关键节点,只有实施专业的会员细分,才能完成会员制营销的核心任务–会员的精准营销。
专业的会员细分需从几个方面着手:
(1)确定会员细分维度,也称细分特征、细分变量。
(2)构建会员细分模型。如是简单的细分变量,就不需要建立细分模型。
(3)选择合适数学算法。数学算法是通用的、标准的。不同的细分模型需选择合适的数学算法。
二、会员细分维度
会员细分维度本质上是一个标签,用来标识会员的类型,只是这些标签有许多,可以分门别类地标识会员的各种各样类型。这些标签有的是显现的,在会员信息数据库字段中就已经定义并且可以很简单地标注,例如性别、学历、职业等;更多的标签是非显现的,需要通过建模、分析、识别才能发现与标注,例如会籍等级、会员忠诚度、会员价值、会员活跃度、会员满意度等。非显现的标签可以标注到会员数据库或者数据库仓库中,也可以不进行任何标注,只为单次细分分析使用。
特别需要注意的是:
(1)会员细分维度并不是越细越好,更不需要把会员信息数据库中的所有字段都作为会员细分维度(有一位国学专家曾经告诉我,会员姓名是很有价值的会员细分维度,我不懂国学也就不作评论,有兴趣的不妨研究研究)。
(2)会员细分标签的取值必须是离散的、可枚举的、有意义的。对于那些连续的会员特征必须进行细分,把其转化为离散的、可枚举的,例如收入、年龄等。
在会员细分的实际应用中会员制营销,往往通过会员基础特征、会员行为特征作为会员细分的依据。会员基础特征可以直接用于会员细分,会员行为特征通过一定的业务模型、数据分析,可以识别、分析出会员细分维度。另外,几个会员细分维度组合使用可以产生新的细分维度,分析、发现新的会员细分价值。
1、会员基础特征
•会员性别
•会员婚姻状况
•会员年龄段
•会员地区
•会员学历
•会员收入区间
•会员从事职业
•会员从事行业(包括已退休的会员)
•…………
还可以根据不同行业的特征与要求来设计个性化的会员细分维度,例如化妆品行业往往把皮肤类型作为会员细分维度,而保健品行业往往把亚健康指标、慢性病、饮食习惯、睡眠习惯作为会员细分维度。
2、会员行为特征
会员行为信息包括会员联系信息、交流信息、消费信息、退换货信息、资产信息等,这些信息都是在与会员接触过程中通过自动或人工的方式记录下来的。例如会员媒体(会员的渠道来源)、会员初联时间、会员首购时间、会员入会时间、会员招募部门、订单明细、退换货明细、投诉工单、咨询工单、自助服务痕迹信息等。所有的这些会员行为信息日积月累,为构建会员细分模型创造了信息条件。以下列出的是常用的、根据会员行为信息构建出的会员细分维度会员制营销,各个维度的具体定义模型在下一讲中详细描述。
(1)会员会籍
(2)会员生命期潜在期、磨合期、成长期、稳定期、休眠期、流失期。
(3)会员满意度商品满意度、服务满意度、品牌满意度。
(4)会员忠诚度联系忠诚(营销活动的响应率很高)、消费忠诚(营销活动的成交率很高)、贡献忠诚(营销活动的成交率订单的贡献度很高)、宣传忠诚(亲情传递的价值决定了宣传忠诚度)、品牌忠诚(竞争对手促销活动时,没有什么影响)。
(5)会员价值
历史价值、未来价值、终身价值、净价值。
(6)会员贡献度
消费贡献度、亲传贡献度。
(7)会员活跃度
消费活跃度、交流活跃度、亲传活跃度。
(8)会员新鲜度
消费新鲜度、联系新鲜度、亲传新鲜度。
(9)会员成长性
复购成长性、品类成长性、亲传成长性。
3 、细分特征
组合在实际应用中,往往是多个细分维度组合使用。例如,会员忠诚度、会员价值是两个独立的细分维度,如把这两个细分变量组合,就产生新的会员细分分组:
A组会员:高忠诚、高价值的会员
B组会员:高忠诚、低价值的会员
C组会员:低忠诚、高价值的会员
D组会员:低忠诚、高价值的会员
再例如:RFM模型就是最近购买时间R( Recency )、购买频率F(Frequency) 和购买金额M(MonetaryValue )3个细分变量组合的结果。如果采用5分位方法(后续详细讨论分位算法的相关内容),会员就可以分成125个组。
每组的客户价值、营销响应度往往是不同的,为后续的精准会员营销在开展简单型复购、提升型复购、交叉型复购的营销活动时产生不错的营销效果、服务效果。
周末
关注读览天下微信,100万篇深度好文,等你来看……
本文来自投稿,不代表科技代码立场,如若转载,请注明出处https://www.cwhello.com/167585.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除