教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(下篇):RFM模型幫助用戶分群,實現(xiàn)精細化運營
全文共8147字,整體閱讀時間40-50分鐘,本次推送將全文分成了上中下三篇!
- 上篇主要內(nèi)容有:1.餐飲行業(yè)數(shù)據(jù)運營的時代已來臨. 2.如何構建數(shù)據(jù)運營監(jiān)測中心。共2163字。
- 中篇主要內(nèi)容有:3.如何通過波士頓矩陣分析,砍掉菜單里不受歡迎的菜品。 4.如何通過分析用戶購買行為,確定菜品是“留客”還是“趕客”。共2145字。
- 下篇主要內(nèi)容有:5.如何通過RFM模型,為用戶分群,實現(xiàn)精細化運營 6.不得不考慮的用戶獲取成本 。共3839字。
之前我們推送了教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(上篇)和教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(中篇),今天一起來學習最后的下篇。
精細化運營的基礎了解基本屬性&用戶分群
外賣時代的好處是掌柜的可以通過網(wǎng)絡,開辟更多銷售渠道。那么問題就來了。由于掌柜無法直接接觸到食客,他也很難確定喜愛自家美食的群體有什么特征,再根據(jù)這些特征投其所好、推陳出新。
1、如何通過訂單數(shù)據(jù),分析用戶的基本屬性
用戶的訂單上都有訂餐地址,通過對于訂餐地址的統(tǒng)計,我們可以查詢到不同條件組合下的用戶分布,甚至能知道喜歡謀道菜的用戶都在哪里。
舉個簡單的例子,下圖表示的是普通可樂和健怡可樂的用戶分布,你發(fā)現(xiàn)了什么?
(不同區(qū)域的熱力地圖)
哈哈~在9元/平/天的地方跟在6元/平/天的地方上班就是不一樣。
所以,知道喜歡某到菜的用戶住哪兒,或許能幫助掌柜們挖掘到更多匹配要素,根據(jù)這些匹配要素尋找用戶(比如:高檔小區(qū)健怡可樂多進貨)、或者為用戶推薦菜品都將事半功倍。
類似的用戶數(shù)據(jù)挖掘,還可以根據(jù)復購構成、復購用戶跨平臺使用情況、性別組成做更精細化的分析。
值得注意的是,外賣平臺間的數(shù)據(jù)差異還是蠻大的,除了跨平臺分析也需要分平臺對比,有利于針對不同平臺做出不同的營銷策略。
上面這些最基本的用戶屬性對于精細化運營還是不夠的。 因為這些信息無法幫助你解決下面四個問題——
- 誰是我的重要價值客戶,他們都有什么特點?
- 誰是我需要重點保持聯(lián)系的客戶,他們都有什么特點?
- 誰是我的重要發(fā)展客戶,他們都有什么特點?
- 誰是我的重要挽留客戶,他們都有什么特點?
想要解答這個問題,我們需要動用更高階的分析模型,去挖掘有效信息。
2、如何通過RFM模型,為用戶分群,實現(xiàn)精細化運營
RFM模型是一個被廣泛使用的客戶關系分析模型,主要以用戶行為來區(qū)分客戶,RFM分別是:
- R = Recency 最近一次消費
- F = Frequency 消費頻率
- M = Monetary 消費金額
需要詳細了解以上三個指標定義的,可以去戳度娘,教科書式的RFM區(qū)分,會將維度再細分出5份,這樣就能夠細分出5x5x5=125類用戶,再根據(jù)每類用戶精準營銷……
顯然125類用戶已超出普通人腦的計算范疇了,更別說針對125類用戶量體定制營銷策略。實際運用上,我們只需要把每個唯獨做一次兩分即可,這樣在3個維度上我們依然得到了8組用戶。
這樣,之前提的四個問題,就能很容易被解讀(編號次序RFM,1代表高,0代表低)
- 重要價值客戶(111):最近消費時間近、消費頻次和消費金額都很高,必須是VIP?。?/li>
- 重要保持客戶(011):最近消費時間較遠,但消費頻次和金額都很高,說明這是個一段時間沒來的忠實客戶,我們需要主動和他保持聯(lián)系。
- 重要發(fā)展客戶(101):最近消費時間較近、消費金額高,但頻次不高,忠誠度不高,很有潛力的用戶,必須重點發(fā)展。
- 重要挽留客戶(001):最近消費時間較遠、消費頻次不高,但消費金額高的用戶,可能是將要流失或者已經(jīng)要流失的用戶,應當基于挽留措施。
3、如何在海致BDP上建立RFM模型,幫助用戶分群
這時候可能會有朋友問了,天啦,你這個三維模型,我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化,我們將R域切一塊出來(即在近30天有復購的用戶中做分析),壓扁了就會看到。
上方的表示或許還是太學術了,簡單的說
- 第一步:先挑出來近1個月的復購用戶。
- 第二步:近1個月內(nèi)復購用戶的平均實付金額做縱軸。
- 第三步:近1個月內(nèi)復購用戶的購買次做橫軸,生成表格。
- 第四步,你需要自己在這個表格上劃紅線。
橫著的紅線,代表著你認為來吃飯的客人平均每餐該花多少錢,我這里設定的值是25元,叫外賣25都沒付到,對我而言是低消費金額(低M)用戶。
豎著的紅線,代表著你認為復購多少次的客人,是你的高頻用戶。外賣點餐流動率很大,一個用戶每個月能在一家店點三次以上的菜,對我而言即是高頻。
這樣,RFM模型就建立好了。這個RFM模型在實操時有什么用呢?舉個例子~
比如對圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時,你可以用RFM做個分析,只選取R值高的用戶(最近2周到最近一個月內(nèi)消費的用戶),轉(zhuǎn)化率可以由1%提升到10%。
這也意味著,以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個用戶發(fā)短信,得到100個訂單,還是愿意花48元給800人發(fā)短信得到80個訂單,相信大家一定會選后者。
而整體的RFM區(qū)分,則能夠幫掌柜們針對不同的用戶發(fā)不同的短信,短信的開頭是用“好久不見”、還是用“恭喜你成為VIP”,就得看時重要保持客戶還是重要價值用戶了。只有能區(qū)分用戶,才能走向精細化運營。
不得不考慮的用戶獲取成本!
壓軸的總是最后才上場,我們開篇就提到過幾乎決定一家門店命運的重要指標——留存率。但這個部分,聊得并不是很細致。
1、如何通過穩(wěn)定留存時間,判斷一個拉新活動值不值得投入?
留存率非常重要,他直接影響到我們的生意是否“賺錢”!不管是什么生意,自然流失都存在,但我們至少期望生意增長能做到新增用戶大于等于流失用戶。
再進一步,我們希望“用戶終身價值”能夠大于“用戶獲取成本”。
用戶終身價值,即“LTV”,縮寫自英文Life Time Value,相對準確的計算公式是:用戶每月購買頻次x每次客單價x毛利率x(1/月流失率)。
用戶獲取成本,即“CAC”,縮寫自英文Customer Acquisition Cost,意思是“用戶獲取成本”。
也許你會說,哪來什么“用戶獲取成本”?我就在外賣平臺上開個店,用戶打開APP就看到我們家了。這就錯了,流量總是有限的,新用戶為什么能在數(shù)千商家里看到你家?
不管是因為你營銷給力,訂單良好以至于自然排名靠前,還是參加了特價活動有了專題曝光,還是你直接買了排名,發(fā)了傳單。這些方式里的滿減、贈品、折扣、印刷費人工這算下來都是你的“用戶獲取成本”。
這么重要的指標,沒有考慮過的童鞋請一定要考慮考慮啊。做一場活動,做一次推廣究竟值不值。就看他了。
但素,我還有一個更簡單粗暴的判斷投入值不值的方法。
把成本均攤到最終留存用戶身上,看需要多久才能從這些用戶身上賺取到所投入的成本,如果時間短于穩(wěn)定留存的時間,這事就值!
舉例說明:假設我們花了300塊錢買了個位置,帶來了60個新用戶,3個月后最終穩(wěn)定留存12人,即3個月留存率達到了20%,把這300元賺回來,就得指望從12個用戶每人身上賺到25元。而用戶在我們店點一次餐,平均毛利率5元。這需要每個用戶下5單,保證我們能賺到25元。
假設:我們花了300塊錢買了個位置,帶來了60個新用戶,3個月后最終穩(wěn)定留存12人,即3個月留存率達到了20%
把這300元賺回來,就得指望從12個用戶每人身上賺到25元。而用戶在我們店點一次餐,平均毛利率5元。這需要每個用戶下5單,保證我們能賺到25元。
假設一個用戶2周下單一次,2.5個月就能賺回25元。穩(wěn)定留存的用戶一般下單數(shù)都會大于兩周下一次單,即2.5個月回本的時間是穩(wěn)妥的,且小于穩(wěn)定留存率的時間(3個月),這事值得干。但如果你3個月留存率只有5%,按上文推算,10個月你才能回本。這事兒顯然不值得做。
上面那些理論總結(jié)起來,就是這張圖。我期望在綠色箭頭所在區(qū)間的時間里,就能cover住投入成本。這樣不管留存率如何衰減,投入的成本都能收回。
也就是說,我希望PBP少于等于留存率穩(wěn)定時間Ts。(Payback Period,回收期,即花出去的用戶獲取成本可以在多長時間內(nèi)回本)
當然,如果你需要更加激進的策略,可以讓綠色區(qū)域繼續(xù)往右延伸,比如PBP=1.5 x Ts,甚至足夠信心的3xTs(外賣市場不穩(wěn)定,PBP不建議超過3倍留存穩(wěn)定時間)
2、如何通過同期群分析+BDP,有效監(jiān)測留存率
講完了這些,你會明白,留存率如此重要,直接影響到你的用戶終身價值-LTV,幫助你判斷每次活動的用戶獲取成本-CAC是否合理,它的穩(wěn)定時間甚至可以作為你的回收期PBP參考單位,所以我們需要一個更厲害的工具來觀測它。
這個工具,就是同期群分析(Cohort Analysis)。如名所示,同期群意味著一起出現(xiàn)、一起成長的群體。
在我們的APP里、外賣平臺里,就是同一段時間內(nèi)一起出現(xiàn)(初次下單)的客戶群體。我們把它按初次下單這個時間維度來分組。最終,一個典型的留存率同期群表格長這樣:
橫向比較這個表格,可以看出每月新增用戶在后續(xù)個月的留存率情況。
縱向比較,可以看出不同月份新增用戶,分別在當月、下個月、下下個月等留存表現(xiàn)如何。
這樣,我們就能監(jiān)控各種拉新渠道推廣的效果。
比如,這一月買排名,下一月上平臺5折特價活動,下下月是地推傳單。通過同期群表格,橫向?qū)Ρ?,我們能了解同一群新用戶在隔周的留存率變化?/p>
另外,我們還可以縱向比較留存率,了解哪一種渠道拉新更優(yōu)。利用BDP也可以做同期群表格,
第一步
第二步:生成表格
這里提醒大家,當調(diào)整某種營銷策略并不僅僅是影響到拉新時,我們還需要觀測斜向?qū)蔷€左右兩側(cè)來比較。
舉個例子來幫助大家理解:
假設上圖中7月18日(29周)后,我們調(diào)整了滿減,從7折上升到8折。正常來說,滿減力度下降,會導致歷史同期群(29周前)里更多用戶流失,畢竟這些用戶是被我們更低的折扣吸引過來的,留存率應當下降。
也就是說在表格里,這周起斜下方對角線右側(cè)留存率應當明顯低于縱向同周期的左側(cè)留存率。即這種調(diào)整對歷史同期群的留存率有負向作用。
但是!未來的留存率卻沒有受影響,這也有可能是因為滿減力度下降我們迎來了更多真實用戶,反而留存率提高了!這是平均值永遠無法告訴你的事實!
用戶購買的行為習慣,都可以從數(shù)據(jù)中得以窺探。而在用戶群分析上,不管是利用RFM模型,還是同期群表格,其核心思想都是用戶分組。有效的用戶分組,不僅可以提高運營效率,提高營銷投放的ROI,更可以規(guī)避“平均值”所帶來的的陷阱。
文末總結(jié):不要迷信數(shù)據(jù)
雖然數(shù)據(jù)不會說謊,但它們只是一些毫無意義的數(shù)字而已。數(shù)據(jù)分析中永遠不能忽略的一個問題是:“數(shù)據(jù)并不一定代表事實,但數(shù)據(jù)可以幫助你更透徹地去發(fā)現(xiàn)事實?!?/p>
如果非得說數(shù)據(jù)驅(qū)動最有價值的一點,莫過于:“If you cannot measure it,you cannot improve it?!?/p>
相關閱讀
教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(上篇):餐飲行業(yè)數(shù)據(jù)運營的時代已來臨
教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(中篇):波士頓矩陣+留存流失貢獻度幫你及時調(diào)整菜單
作者:Kener-林峰,數(shù)據(jù)可視化領域?qū)<?,北郵計算機、國家重點實驗室交換與智能控制研究中心、前百度資深研發(fā)工程師,百度數(shù)據(jù)可視化方向奠基人之一,鳳巢業(yè)務系統(tǒng)前端技術leader,Echarts 作者
本文由 @Kener-林峰?原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。
題圖來自 PEXELS,基于 CC0 協(xié)議
熱力圖的比較有些問題…不同商品在不同地區(qū)。。能這么比嗎
謝謝!?。。?!