如何用数据分析工具BDP分析REM模型!
随着市场的竞争越来越大,互联网公司面对的压力越来越大了,如何更好、更低成本地维护用户成了公司很关心的问题,如何做到REM模型分析,真正实现精细化运营呢?以互联网餐饮为例,一起来了解下REM模型分析,希望能帮到互联网的童鞋。
操作方法
- 01
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?如下图。 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。
- 02
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。
- 03
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。
- 04
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。
- 05
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。
- 06
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.如何在海致BDP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。
- 07
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个人版上的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。