在一些營銷場景下，對不同客戶給予相同的對待或策略有時不太合適，所以我們根據(jù)用戶數(shù)據(jù)，分析用戶行為和消費傾向，并打上相應(yīng)的標(biāo)簽應(yīng)用于不同廠家。用有限的公司資源優(yōu)先服務(wù)于公司最重要的客戶，客戶與我們的粘性將會更高，并與雙方建立忠誠的合作關(guān)系。

用戶畫像：

在第一階段，我們基于RFM模型做用戶消費分析，并定義一些指標(biāo)。

• 最近一次消費（Recency）
• 消費頻率（Frequency）
• 消費金額（Monetary）

數(shù)據(jù)集

1. 我們選擇2019/03/03 到 2020/03/01一整年53周的數(shù)據(jù)作為我們的數(shù)據(jù)分析數(shù)據(jù)集。
2. 數(shù)據(jù)集包含總共10000個付費用戶，總銷售額￥1000 M。 （數(shù)據(jù)已脫敏）
3. 我們使用GMV作為銷售分析指標(biāo)，退貨部分將在后續(xù)另做分析。

數(shù)據(jù)的選取我們通過HIVE在數(shù)據(jù)庫中選取，其中稍難的地方在于 最近一次購買——需要用到窗口函數(shù) over （partition by xx) 的方法，疑問的同學(xué)可以去搜索下，后續(xù)我也會出SQL的一些常用方法和心得體會。

最近一次消費（Recency）

我們認(rèn)為用戶的最近一次消費行為離今日越近，他當(dāng)前的活躍度將會更高，價值也會更高。

因為數(shù)據(jù)集對應(yīng)的是TO_B的業(yè)務(wù)，所以我們此處定義用戶如果在周內(nèi)有消費行為且銷售額大于最低閾值，該用戶被標(biāo)記為該周活躍。

我們這邊用Tableau進(jìn)行可視化分析：

二月份過年且受到新冠狀病毒疫情影響，數(shù)據(jù)下跌顯著。

我們根據(jù)用戶不同Recency在銷售額上的數(shù)據(jù)表現(xiàn)，將用戶合理分為四個組。

這邊需要提一下，分箱是一個很復(fù)雜的點。有的業(yè)務(wù)人員或者是初學(xué)者隨手等額/等距分箱，或者無腦“二八法則”，不管是從業(yè)務(wù)分析的角度還是投入模型的角度，效果可能都極差。

根據(jù)我們的分箱，分組表現(xiàn)如下：

超過85%的用戶在最近半年至少消費一次。

用戶最近一次消費在距今1~4周的用戶數(shù)量占比為10%，但提供了將近50%的銷售額。

最近一次購買距今超過9個月的用戶幾乎不產(chǎn)生消費。

這表示Recent_C組的用戶已經(jīng)很有可能將要離開或者已經(jīng)離開我們了。當(dāng)然他們有被激活的機(jī)會，但是也許不應(yīng)該花費過多，因為這個群組客戶的投資匯報（ROI）相對較低，也就是說 不同的兩個組，投入相同的有效資源，高ROI的群組大概率會產(chǎn)生更高的回報。

消費頻率（Frequency）

如果用戶有任何購買行為，并且訂單金額超過一個基礎(chǔ)閾值，他們這周就會被標(biāo)記為活躍用戶。我們認(rèn)為用戶的購買行為越頻繁，他就會有更高的活躍度和交易價值。

分組表現(xiàn)如下：

很明顯，F(xiàn)re_S級組別用戶最有價值。他們以10%的數(shù)量占比貢獻(xiàn)了45%的銷售額。

消費金額（Monetary）

消費金額一直是商業(yè)中的核心指標(biāo)。這邊可以根據(jù)需求差異使用銷售額，實際毛利等。

這邊單變量分箱我們采用Python模塊繪圖

分箱邊界及表現(xiàn)如下——

后40%的用戶幾乎不提供任何消費收益。

而Money_S組客戶只占總體的10%，它貢獻(xiàn)了總體70%的銷售額。但其實進(jìn)入S組的門檻并不太高，年銷售額超過￥xxxxx，已經(jīng)可以加入消費S組。

這邊我們可以提供一個應(yīng)用場景：會員升級?你的老板讓你測算用戶升級對整體銷售提升的效果。

基于M_part的用戶升級測算

事實上，用戶的層級相對來說不是那么容易去改變。另一方面來說，通過有效的策略促進(jìn)用戶升級成功，會對帶來巨大的業(yè)務(wù)增長。

我的測算基于如下思維邏輯——每個群組的頭部用戶更有機(jī)會升級到下一個群組的尾部，舉例 C組前25%消費排名用戶會有機(jī)會加入B組的尾部，B組前25%消費排名用戶會有機(jī)會加入A組的尾部。

B組頭部 → A組尾部 的升級 客戶只需要提高消費￥2000每年，所以只需要采取一些策略很容易就可以實現(xiàn)這個目標(biāo)。所以我賦予這層的轉(zhuǎn)化率是80%，而最后能夠得到￥23M的收益。

A組頭部 → S組尾部 的升級 客戶需要提高消費￥11000，難度提高，所以我賦予這層的轉(zhuǎn)化率是50%，而最后能夠得到￥43.5M的收益。

僅僅通過這兩個可行度較高的部分就可以增加66.6M的銷售提升，而所需的成本很可能就是一些積分，頭銜等。但是如果需要提升更高的銷售額，那可能需要與客戶分享一部分收益。

自然還有A級中部用戶升級為頭部用戶，S級底部用戶升級為中部用戶…還有活躍部分R和F都可以做很多的提升策略，用戶一直是很大的寶藏。

RFM

通過上述分析，我們得到三個簡單標(biāo)簽——最近一次消費，消費頻次，消費金額。

很多分析者喜歡一上來就把三者賦予對應(yīng)權(quán)重，合并計算出一個得分，確實有可取的場景。但其實每一個標(biāo)簽不是為了單個分析報告或者業(yè)務(wù)活動服務(wù)進(jìn)行的一次性分析。主要還是作為數(shù)據(jù)資產(chǎn)，以用戶標(biāo)簽庫的形式，隨取隨用，服務(wù)于各個業(yè)務(wù)及分析場景。

這邊我們將三者聯(lián)合：

我們可以看到各個標(biāo)簽下用戶的表現(xiàn)然后結(jié)合具體業(yè)務(wù)目的分析。

我們選擇三個重要標(biāo)簽組來演示：

同樣，我們可以給每個標(biāo)簽內(nèi)的組別賦予相應(yīng)的分值，再對每個標(biāo)簽給定相應(yīng)地權(quán)重，來計算出一個總體得分。

兩個應(yīng)用場景

（1）如果我們舉辦一個營銷活動關(guān)于老客戶的促銷，我們賦予 R 30%的權(quán)重 F 30%的權(quán)重 M 40%的權(quán)重。

用每個用戶所在組別對應(yīng)的分值 X 標(biāo)簽權(quán)重 求和 可以得到用戶的得分 優(yōu)先篩選合適分段用戶即可。

（2）如果我們要辦一個流失用戶召回的活動，我們就可以直接選擇R標(biāo)簽中的 Recent_C 或更久沒有消費的用戶，同時他的M得分很高，就可以獲得更易召回的目標(biāo)用戶。

最后

這些標(biāo)簽在面對不同的業(yè)務(wù)環(huán)境是會有很多的應(yīng)用場景，同時他們也可以與更多的標(biāo)簽和數(shù)據(jù)結(jié)合，關(guān)聯(lián)分析來產(chǎn)生更高的業(yè)務(wù)價值。

不要忽略時間，地區(qū)的差異性。不同的地區(qū)的用戶有著不同的消費水平，我們可以結(jié)合具體業(yè)務(wù)場景分別討論。

本報告完全基于個人實際工作，盡量詳細(xì)。不清楚的地方和其他想了解探討的方向，歡迎留言。如首圖，后續(xù)會更新更多的用戶畫像的分析報告與實際應(yīng)用方法。

作者：范十八，公眾號：半仙范十八

本文由 @小春ex 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Unsplash，基于CC0協(xié)議