܄

RFM模型帮助用户分群,同期群分析有效监测留存率

【数据猿导读】 外卖时代的好处是掌柜的可以通过网络,开辟更多销售渠道。那么问题就来了。由于掌柜无法直接接触到食客,他也很难确定喜爱自家美食的群体有什么特征,再根据这些特征投其所好、推陈出新。如何更了解你的客户还需要建筑RFM模型进行用户分群

RFM模型帮助用户分群,同期群分析有效监测留存率

来源:数据猿 作者:

第五部分

精细化运营的基础了解基本属性&为用户分群

外卖时代的好处是掌柜的可以通过网络,开辟更多销售渠道。

那么问题就来了。由于掌柜无法直接接触到食客,他也很难确定喜爱自家美食的群体有什么特征,再根据这些特征投其所好、推陈出新。

1.如何通过订单数据,分析用户的基本属性

用户的订单上都有订餐地址,通过对于订餐地址的统计,我们可以查询到不同条件组合下的用户分布,甚至能知道喜欢谋道菜的用户都在哪里。

举个简单的例子,下图表示的是普通可乐和健怡可乐的用户分布,你发现了什么?

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样~

所以,知道喜欢某到菜的用户住哪儿,或许能帮助掌柜们挖掘到更多匹配要素,根据这些匹配要素寻找用户(比如:高档小区健怡可乐多进货)、或者为用户推荐菜品都将事半功倍。

类似的用户数据挖掘,还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。

值得注意的是,数据平台间的差异还是蛮大的,除了跨平台分析也需要分平台对比,有利于针对不同平台做出不同的营销策略。

上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——

1.谁是我的重要价值客户,他们都有什么特点?

2.谁是我需要重点保持联系的客户,他们都有什么特点?

3.谁是我的重要发展客户,他们都有什么特点?

4.谁是我的重要挽留客户,他们都有什么特点?

想要解答这个问题,我们需要动用更高阶的分析模型,去挖掘有效信息。

2.如何通过RFM模型,为用户分群,实现精细化运营

RFM模型是一个被广泛使用的客户关系分析模型,主要以用户行为来区分客户,RFM分别是:

R = Recency 最近一次消费

F = Frequency 消费频率

M = Monetary 消费金额

需要详细了解以上三个指标定义的,可以去戳度娘,教科书式的RFM区分,会将维度再细分出5份,这样就能够细分出5x5x5=125类用户,再根据每类用户精准营销……

显然125类用户已超出普通人脑的计算范畴了,更别说针对125类用户量体定制营销策略。实际运用上,我们只需要把每个唯独做一次两分即可,这样在3个维度上我们依然得到了8组用户。

这样,之前提的四个问题,就能很容易被解读(编号次序RFM,1代表高,0代表低)

重要价值客户(111):最近消费时间近、消费频次和消费金额都很高,必须是VIP啊!

重要保持客户(011):最近消费时间较远,但消费频次和金额都很高,说明这是个一段时间没来的忠实客户,我们需要主动和他保持联系。

重要发展客户(101):最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,必须重点发展。

重要挽留客户(001):最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当基于挽留措施。

3.如何在BDP个人版上建立RFM模型,帮助用户分群

这时候可能会有朋友问了,天啦,你这个三维模型,我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化,我们将R域切一块出来(即在近30天有复购的用户中做分析),压扁了就会看到。

上方的表示或许还是太学术了,简单的说

第一步:先挑出来近1个月的复购用户。

第二步:近1个月内复购用户的平均实付金额做纵轴。

第三步:近1个月内复购用户的购买次做横轴,生成表格。

第四步,你需要自己在这个表格上划红线。

横着的红线,代表着你认为来吃饭的客人平均每餐该花多少钱,我这里设定的值是25元,叫外卖25都没付到,对我而言是低消费金额(低M)用户。

竖着的红线,代表着你认为复购多少次的客人,是你的高频用户。外卖点餐流动率很大,一个用户每个月能在一家店点三次以上的菜,对我而言即是高频。

这样,BDP上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢?举个例子

比如对圈用户群发短信转化只有不到1%时,你可以用RFM做个分析,只选取R值高的用户(最近2周到最近一个月内消费的用户),转化率可以由1%提升到10%。

这也意味着,以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信,得到100个订单,还是愿意花48元给800人发短信得到80个订单,相信大家一定会选后者。

而整体的RFM区分,则能够帮掌柜们针对不同的用户发不同的短信,短信的开头是用“好久不见”、还是用“恭喜你成为VIP”,就得看时重要保持客户还是重要价值用户了。只有能区分用户,才能走向精细化运营。

第六部分

不得不考虑的用户获取成本

压轴的总是最后才上场,我们开篇就提到过几乎决定一家门店命运的重要指标——留存率。但这个部分,聊得并不是很细致。

1.如何通过稳定留存时间,判断一个拉新活动值不值得投入?

留存率非常重要,他直接影响到我们的生意是否“赚钱”!不管是什么生意,自然流失都存在,但我们至少期望生意增长能做到新增用户大于等于流失用户。

再进一步,我们希望“用户终身价值”能够大于“用户获取成本”。

用户终身价值,即“LTV”,缩写自英文Life Time Value,相对准确的计算公式是:用户每月购买频次x每次客单价x毛利率x(1/月流失率)。

用户获取成本,即“CAC”,缩写自英文Customer Acquisition Cost,意思是“用户获取成本”。

也许你会说,哪来什么“用户获取成本”?我就在外卖平台上开个店,用户打开APP就看到我们家了。

这就错了,流量总是有限的,新用户为什么能在数千商家里看到你家?

不管是因为你营销给力,订单良好以至于自然排名靠前,还是参加了特价活动有了专题曝光,还是你直接买了排名,发了传单。这些方式里的满减、赠品、折扣、印刷费人工这算下来都是你的“用户获取成本”。

这么重要的指标,没有考虑过的童鞋请一定要考虑考虑啊。做一场活动,做一次推广究竟值不值。就看他了。

但素,我还有一个更简单粗暴的判断投入值不值的方法。

把成本均摊到最终留存用户身上,看需要多久才能从这些用户身上赚取到所投入的成本,如果时间短于稳定留存的时间,这事就值!

举例说明:假设我们花了300块钱买了个位置,带来了60个新用户,3个月后最终稳定留存12人,即3个月留存率达到了20%

把这300元赚回来,就得指望从12个用户每人身上赚到25元。

而用户在我们店点一次餐,平均毛利率5元。这需要每个用户下5单,保证我们能赚到25元。

假设:我们花了300块钱买了个位置,带来了60个新用户,3个月后最终稳定留存12人,即3个月留存率达到了20%

把这300元赚回来,就得指望从12个用户每人身上赚到25元。

而用户在我们店点一次餐,平均毛利率5元。这需要每个用户下5单,保证我们能赚到25元。

假设一个用户2周下单一次,2.5个月就能赚回25元。稳定留存的用户一般下单数都会大于两周下一次单,即2.5个月回本的时间是稳妥的,且小于稳定留存率的时间(3个月),这事值得干。

但如果你3个月留存率只有5%,按上文推算,10个月你才能回本。这事儿显然不值得做。

上面那些理论总结起来,就是这张图。我期望在绿色箭头所在区间的时间里,就能cover住投入成本。这样不管留存率如何衰减,投入的成本都能收回。

也就是说,我希望PBP少于等于留存率稳定时间Ts。(Payback Period,回收期,即花出去的用户获取成本可以在多长时间内回本)

当然,如果你需要更加激进的策略,可以让绿色区域继续往右延伸,比如PBP=1.5 x Ts,甚至足够信心的3xTs(外卖市场不稳定,PBP不建议超过3倍留存稳定时间)

2.如何通过同期群分析+BDP个人版,有效监测留存率

讲完了这些,你会明白,留存率如此重要,直接影响到你的用户终身价值-LTV,帮助你判断每次活动的用户获取成本-CAC是否合理,它的稳定时间甚至可以作为你的回收期PBP参考单位,所以我们需要一个更厉害的工具来观测它。

这个工具,就是同期群分析(Cohort Analysis)。如名所示,同期群意味着一起出现、一起成长的群体。

在我们的APP里、外卖平台里,就是同一段时间内一起出现(初次下单)的客户群体。我们把它按初次下单这个时间维度来分组。最终,一个典型的留存率同期群表格长这样:

横向比较这个表格,可以看出每月新增用户在后续个月的留存率情况。

纵向比较,可以看出不同月份新增用户,分别在当月、下个月、下下个月等留存表现如何。

这样,我们就能监控各种拉新渠道推广的效果。

比如,这一月买排名,下一月上平台5折特价活动,下下月是地推传单。通过同期群表格,横向对比,我们能了解同一群新用户在隔周的留存率变化。

另外,我们还可以纵向比较留存率,了解哪一种渠道拉新更优。

利用BDP个人版,你也可以做同期群表格,

第一步:

第二步:生成表格

这里提醒大家,当调整某种营销策略并不仅仅是影响到拉新时,我们还需要观测斜向对角线左右两侧来比较。

举个例子来帮助大家理解:

假设上图中7月18日(29周)后,我们调整了满减,从7折上升到8折。正常来说,满减力度下降,会导致历史同期群(29周前)里更多用户流失,毕竟这些用户是被我们更低的折扣吸引过来的,留存率应当下降。

也就是说在表格里,这周起斜下方对角线右侧留存率应当明显低于纵向同周期的左侧留存率。即这种调整对历史同期群的留存率有负向作用。

但是!未来的留存率却没有受影响,这也有可能是因为满减力度下降我们迎来了更多真实用户,反而留存率提高了!

这是平均值永远无法告诉你的事实!

用户购买的行为习惯,都可以从数据中得以窥探。而在用户群分析上,不管是利用RFM模型,还是同期群表格,其核心思想都是用户分组。有效的用户分组,不仅可以提高运营效率,提高营销投放的ROI,更可以规避“平均值”所带来的的陷阱。

文末总结 —— 不要迷信数据

虽然数据不会说谎,但它们只是一些毫无意义的数字而已。

数据分析中永远不能忽略的一个问题是:“数据并不一定代表事实,但数据可以帮助你更透彻地去发现事实。”

如果非得说数据驱动最有价值的一点,莫过于:

“If you cannot measure it, you cannot improve it。”

推荐阅读:

上篇 | 前百度大牛辞职做餐饮,手把手教你分析每道菜背后的大数据

中篇 | 波士顿矩阵+留存流失贡献度计算方法帮你优化菜品


注:本文由 Kener-林峰 投稿数据猿发布。

欢迎更多大数据企业、爱好者投稿数据猿,来稿请直接投递至:tougao@datayuan.cn


来源:数据猿

声明:数据猿尊重媒体行业规范,相关内容都会注明来源与作者;转载我们原创内容时,也请务必注明“来源:数据猿”与作者名称,否则将会受到数据猿追责。

刷新相关文章

大数据投融资周报(4月5日——4月7日,共9起)
大数据投融资周报(4月5日——4月7日,共9起)
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云平台Experience Cloud
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云...
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑者获资本青睐
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑...

我要评论

精品栏目

[2016/10/10]

大数据24小时

More>

[2016/09/26-7]

大数据周周看

More>

[2016/09/01-30]

大数据投融资

More>

[2016/11/28-2]

大咖周语录

More>

[2016/11/29-6]

大数据周聘汇

More>

[2016/12/06-13]

每周一本书

More>

返回顶部