您现在的位置:首页 » 动态 » 新闻媒体
人人都能掌握的CRM数据分析
发布日期:2021-10-09 09:04:37

上一篇文章和大家探讨了营销活动的新尝试,今天和大家聊一聊CRM从业者的另一个工作重心——CRM数据分析。

“我们很重视CRM!” 几乎所有的品牌方都达成了这样的共识。但是一看团队规模,近七成的品牌仅有一个CRM专员。

这个CRM专员既要做好营销活动的策划与管理,又要不断完善会员制度,同时还得分析会员数据。既懂业务,又有一定数理统计基础的CRM专员对大品牌而言也是可遇不可求。

好一点的情况是公司能有一套像样的CRM软件系统,但有的crm系统平台要么缺少数据分析的功能,要么不够契合品牌的实际业务。

事实上企业正在使用的CRM软件并没有那么称心如意,依旧有大量的CRM从业者仍然过着手动拉取数据用EXCEL做分析的日子……

正因如此,我们立足于时尚零售行业的实际业务,为大家寻找到了一些每个人都能掌握的CRM数据分析方法。

会员基础信息数据、行为数据、交易订单数据……面对大量的会员数据,我们该从何下手?与其胡子眉毛一把抓,不如静下心来先梳理一遍自己的业务,明确目标。

是为了提升复购率?还是为了减少营销成本?只有在目标明确的前提下,我们才能更进一步。

比如我的目标是减少客户流失,接下来就可以通过分析流失率,来了解客户的总体流失情况。通过购买频率和消费金额来细分会员。通过活动响应率和平均购物折扣,来制订客户挽回的策略等等。

流失率、消费近度、活动响应率……在这个过程中,我们用到了大量的KPI指标。KPI是一个很实用的风向标。

那么像这样的KPI指标又有哪些?该如何计算?我们罗列了常用的KPI分析公式,希望能帮到大家。

拉取对应的数据,套用相应的公式,简单的EXCEL操作就能满足计算要求。KPI指标属于定量的数据,因此很容易计算,但诸如客户忠诚度、客户价值这种定性的维度又该如何计算?

相似度模型、表查询模型、朴素贝叶斯模型……适用于CRM数据分析的数学模型有很多,但综合考虑分析的难易度和数据获取的便利性,要说在客户关系管理领域中应用最广泛的,当属RFM模型。

RFM是一种通过对距离最近一次消费的时长、消费频率、消费金额三个维度的分析来描述客户价值状况的分析模型。

RFM的分析过程大致可以分为四步:

1.准备数据

从系统中拉取订单交易数据,从中筛选出店铺名称、订单编号、VIP卡号、VIP姓名、VIP种类、付款时间、实际付款金额七个关键数据。

2.数据预处理

删除因门店不规范录入造成的错误数据,以及因赠品而造成金额为0的数据。然后按照R、F、M三个维度整合数据。

根据最后付款时间计算出R(距离最近一次消费的时长)。通过筛选购买记录统计出F(累计购买次数)和M(累计付款金额)。

3.划分等级

在得到R、F、M的具体数值之后,我们需要把它划分出多个区间,有人会直接将其进行平均的五等分,但我们更推荐按照实际业务情况来划分R、F、M,每个区间最好都能得到业务上的解释。

R的划分可参考平均消费近度,F的划分可参考平均购买次数,M的划分可参考品牌自身的价格带。

4.赋值计算

赋予每个区间一个具体的数值。如R1=1、R2=2、R3=3、R4=4、R5=5……假如有个会员,已经在店内购买了3次(F2),共消费了6000元(M4),并且已经有35天(R3)没有进行再次购买,则该客户的价值为9。

算到这里,细心的朋友可能已经发现了问题。R、F、M三个维度同样重要吗?很显然,我们还需要在R、F、M之前设置一个权重相加等于1的系数,来解决三个维度所占权重不一致的问题。

权重如何设计?

应用最广泛的是通过调研业务部门,征求各个重要领导的意见来制订权重。更进一步的会利用AHP层次分析法,对R、F、M三个变量两两比较进行打分,得出判断矩阵,计算权重。

以上是通过RFM模型对客户价值进行计算的常规套路。但基于RFM模型的应用还远不止此。计算出一个数值并不是目的,最终还是为了基于价值的客户细分。

在RFM模型的基础上演化出来的客户细分方法有很多种。

有的通过SPSS软件,用K-MEANS算法先将客户进行聚类,反过来寻求业务上的解释。

有的利用客户价值矩阵,通过平均消费金额和消费频次两个维度将客户分成乐于消费型、不确定型、优质型和经常型客户四种类型。

也有人觉得上述方法获得的客户类型太少,不够细致。通过R、F、M的三个平均値,将客户分成8种类型是一种相对精准的细分方法。

RFM都很高的重要价值客户,需要好好保持;交易金额和次数都很高,但最近无交易的客户,需要进行老客唤回;最近有交易且金额很高的深耕客户,是我们需要重点花精力的培养对象……

每一种细分都能在实际业务中找到相对应的客户类型,在此基础上,针对性的营销举措才有意义。