CRM做为客户关系管理和维护的重要方面,在电商中显得尤其重要,我们从各个渠道投放广告花高成本去获客,用户进来以后却不能及时的被留住,留存和复购数据不太理想,客户不能被准确的定位和服务,基于这些问题,更加需要深入分析客户行为,判断每类客户的喜好和习惯,不断完善人群属性,通过建立完善的CRM机制来升客户的消费并实现二次购买。
一、明确CRM的目标
延长用户生命周期,实现生命周期价值CLV(Customer Lifetime Value,也有称LTV:Life Time Value)最大化
生命周期:CL:Customer Lifetime
生命周期价值:CLV(Customer Lifetime Value,也有称LTV:Life Time Value)
二、剖析用户生命周期和价值
让用户能在生命周期中产生商业价值,才是业务的最终使命。这里的商业价值,不单纯是电商广告游戏等赚钱模式。信息和数据这些无形且很难量化的也是商业资产。为什么要谈用户生命周期和价值?因为不得不接受的事实是,无论你是多么出色的运营和产品,都无法真正制止用户的流失你可以延长它,但就是不能阻止它。当产品获得足够多的用户时,最大的问题不是继续获取,而是从用户身上赚回钱。成熟的产品都应该考虑CL,以及更重要的CLV。
只要用户停留时间越长,对产品的使用粘性越大,就越有可能在我们的产品上产生价值,那么有一个公式大家一定并不陌生:
赚钱=CLV(用户生命周期价值)-CAC(获客成本)-COC(运营成本)
电商的CLV由一系列购买的指标决定,电商CLV指标:支付订单量、GMV另外,我们通常说的用户留存率,其实也是用户忠诚度的体现,留存率对用户的判定较为模糊,也不具备界定意义,因此我们可以转化为用户生命周期。
用户生命周期=周期/(1-周期内新增留存率)
如果一款产品新增用户的月留存率是70%,那么估算出:平均用户生命周期=1个月/(1-70%)=3.3个月。
运营的目标就是延长用户生命周期从3.3个月到4个月、5个月乃至更长。并且在此期间产生商业价值。对于大部分产品,这个公式都是适用的。
如果需要更精准的指标,则可以将数据制作成频数分布图。
图1 频数分布图
来看看怎么精准的分析和运营:
1.用户生命周期最少的那部分用户,例如10天,有什么具体特征,为什么不用?
2.用户生命周期最多的那部分用户,有什么特点?
3.分布人数最多的用户,怎么样能想办法抓住他们的痛点?延长他们生命周期。
4.究竟是用的久的用户(二八理论),还是分布人数最多的用户(长尾理论),产生的商业价值大?
每个用户的生命周期都能产生商业价值,但有些用户注定更有价值。
用户生命周期和流失是息息相关的,用户流失,便是用户生命周期的终止。
用户不用APP,可能是比较忙,可能是出去旅游了,可能是大姨妈来了心情不好。那么运营应该怎么判定他是上述情况,还是卸载不用呢?也许我们需要几个月后才会发现用户最后登录停留在某一天。高级运营和初级运营的分水岭在于:初级运营经常事后补救,高级运营能够防范于未然。
将用户的流失可能扼杀在萌芽阶段,是延长用户生命周期的有效手段之一。这听起来很玄乎,但举个例子就会明白的。
一款社交应用,通过流失用户的特征分析。发现了如下的几个特点:
1.流失用户中,40%的用户没有完善资料新增用户没有导入通讯录好友。
2.流失概率比导入的高20%新增用户。
3.在第一周使用中,如果添加的好友低于3,则一个月后的流失概率超过一半。
4.用户流失前一个月,互动率远低于APP平均值。
这些特征很容易读懂了解,运营也很容易针对性的采取策略。例如良好的新手引导、引入好友推荐(想想微博和各兴趣向APP)、增加曝光量、乃至使用机器人等等。
如果数据化运营更彻底,可以运营和数据分析结合,将上述的特征建模,得出一个比较准确的流失概率预测。用模型计算出某一类人群流失概率在80%以上,和知道什么样的人可能流失,在运营上是两个层次。
我们可以构建决策树模型,因为决策树模型的可解释性强,它是if-then的集合,运营非常容易理解。比如用户完善资料低于50%,且没有导入通讯录好友,且好友数量低于3,则其一个月后的流失概率为80%。模型训练出叶节点,运营用SQL就能跑出来可能流失的用户群。
另外,发掘出变化性变量在运营中有奇效。比如完善资料,是否导入通讯录好友,都是静态、状态型的特征,更多是产品上的优化。但是某一类用户流失,能通过其他数据特征体现,比如上周打开了APP20次,本周打开了5次,下周打开了1次,趋势是下降的,那肯定是要流失。