通过CPCT策略的四个维度,做存量用户的精细化服务?

本文笔者将通过运用数据的CPCT策略的四个维度——Customer、Predict、Channel、Time,来讲述:如何做存量用户的精细化服务?

通过CPCT策略的四个维度,做存量用户的精细化服务?

早在2016年,大家基本都达成共识,互联网开始由增量市场转向存量市场。只不过下沉流量的挖掘延缓了这一过程,在2018年全民社交电商之后,流量获取再次遇到瓶颈,加之最近微信生态对营销的强监管,存量用户再次被提上日程。

最近互联网比较火三个概念大概就是:私域流量、流量变现、会员制。

在我看来,这三个概念本质都是存量用户的精细化服务,存量用户精细化服务目的在于放大单个用户的商业价值。

如何做精细化服务?本文提出运用数据的CPCT策略(Customer、Predict、Channel、Time):对合适的客户在合适的时机,通过合适的渠道推荐合适的产品。下面从Customer、Predict、Channel、Time四个维度去展开具体的实施方案。

一、客户Customer

1. 怎么做客户细分:RFM模型+AI

第一步:先用RFM模型去人工分类,给客户打标签。

第二步:然后基于人工智能(机器学习)分类算法进行自我训练,实现智能标签划分。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率,以及花了多少钱,三项指标来描述该客户的价值状况。

根据美国数据库营销研究所Arthur Hughes的研究:客户数据库中有三个要素:R(Recency)、F(Frequency)、M(Monetary)。

因为有三个变量,所以要使用三维坐标系进行展示——X轴表示Recency,Y 轴表示Frequency,Z轴表示Monetary,坐标系的8个象限分别表示8类用户。

根据上表中的分类,可以用如下图形进行描述:

四个维度,剖析存量用户的精细化服务策略和智能化方法

通过图表很直观的发现,我们把客户分为了2的三次方也就是8个群体。

四个维度,剖析存量用户的精细化服务策略和智能化方法

RFM的评分方法这里不赘述,可以根据用户一年内的购买行为(消费频次和消费金额)进行分档,将R、F、M三项对应到单个顾客,最终每个顾客将出现一个由三个数字组成的数组;将每个顾客对应的三位数相加,作为顾客价值得分,最后决定客户的等级。

那么,随着存量用户的不断增加,如果通过人工进行客户等级的区分,是个工作量很大的事情,这时候就需要用AI技术来解决了。

随机森林、SVM、朴素贝叶斯等算法都可以进行分类模型的训练和预测,机器学习分类的简单描述如下:

(1)准备训练集

{(X1,X2,X3,…,Xm),Y1}

{(X11,X21,X31,…,Xm1),Y2}

……

{(X1n,X2n,X3n,…,Xmn),YN}

(2)训练模型,生产分类器D

(3)预测分类

(X1p,X2p, X3p,…,Xmp)输入到分类器D 预测分类Yp

这里面的X是一系列的特征变量,Y是分类值。

2. 客户分群服务

不同细分客户群服务重点有所不同。高价值用户要用“钢筋捆绑”,付出一定的营销成本、定制化服务换取客户忠诚度;中价值用户要用“粘性捆绑”,使用各种粘性因子业务,如体验金、权益奖励等层层捆绑;低价值用户要用低成本维护,小恩小惠常常就能留住用户。

二、预测Predict

抛弃传统的人口属性标签,根据消费者具体的购买行为,预测用户未来的需求,精准匹配产品。

不需要关注顾客的年龄、职业、性别、收入等固有属性,而是顾客反映出要购买的动机。比如:一个80岁的老太太也可以买高达模型。

NES模型+新4P+AI=智能化预测

1. 分析用户行为模型——NES模型

四个维度,剖析存量用户的精细化服务策略和智能化方法

NES模型根据消费者个人购物周期,分为:首次购买的新顾客(New Customer)、支撑主要营收来源的既有顾客(Existing Customer)和回购率低于10%的沉睡顾客(Sleeping Customer)。而既有顾客又可分为E0主力顾客、S1瞌睡顾客和S2半睡顾客。

2. 从旧4P到新4P,预测下次购买时间

旧4P:产品、价格、渠道、促销

新4P:消费者、成效、步骤、预测

消费者(people):根据顾客构建NES模型,首先要定义每个S用户,意义在于可以在成本最小的时机,去唤醒S消费者。

成效(performance):根据NES模型,结合自己的实际情况,分析数据,来确定我们当下的目标是什么。

步骤(process):找出优先项,优先处理危急问题——三个变量(NES)出现问题时,应该采取什么样的战略,去解决问题?比如,在E0阶段提升顾客忠诚度计划,在S1,S2,S3不同的停滞阶段,设计唤醒方案

预测(prediction):观测每一个环节,看如果出现异常,提前发现,给予关怀和提醒。“智能控制”可以做到实时观测、零时差沟通和个性化信息,这是整个大数据营销的精髓。

3. 预测建模

根据用户的消费行为,如何做预测呢?这里面要基于深度学习、NLP相关技术,做智能推荐。

我们把推荐问题建模成一个“超大规模多分类”问题——即在时刻t,为用户U(上下文信息C)在产品库V中精准的预测出产品i的类别(每个具体的视频视为一个类别,i即为一个类别)。

用数学公式表达如下:

四个维度,剖析存量用户的精细化服务策略和智能化方法

具体实现,可以参考下面的目前通用的深度学习DNN模型架构:

四个维度,剖析存量用户的精细化服务策略和智能化方法

整个模型架构是包含三个隐层的DNN结构。输入是用户购买历史、用户的基本属性信息、产品信息和其余上下文信息concat成的输入向量;输出分线上和离线训练两个部分。

三、渠道Channel

随着线上、线下渠道的不断丰富,客户触点的增多,全渠道营销已成趋势。从AARRR模型来看整体的运营,从你获取用户a,到用户活跃,再到用户留存,再到付费转化,到最后的自传播,这是一个完整的运营体系。

如下图,在做AARRR模型的时候,每一层对应的运营指标,可以理解为他是一个销售漏斗。当然,这每一层我们可通过不同的策略去做转化,而每条营销策略部署都需要花大量时间、人力去实现。

四个维度,剖析存量用户的精细化服务策略和智能化方法

所以,通过自动化营销系统自动完成基础的运营工作,让系统根据运营者规划好的运营框架,执行运营策略,实时分析数据,是未来运营效率进步的方向。

自动化营销模型可以理解为“一横一纵”。纵向的模型就是AARRR,从流量一直支撑到你最终的收入,而裂变横向就是每一个渠道,通过打通用户oneid打破各渠道数据孤岛情况,实现全渠道数据连接。

“一横”代表,我们现在凡是提到运营,一定不是单一渠道运营,比如有APP、公众号、短信,甚至包含社群和小程序,这全是渠道。然而,渠道之间的数据相对来说是独立的,所以渠道数据难点在于无法快速汇总,就无法形成是更丰富的用户画像,没有更丰富的用户画像,你就没有办法去精准的触达用户。

“一纵”代表,每一个渠道都有一个AARRR转化漏斗,比如我们说微信号、小程序等等,都是从新用户到活跃到传播层层转化。

所以,不论是互金产品,或者放大说金融行业,再放大说互联网的产品都需要这样“一横一纵”的模型。

而自动化营销系统,就可以把“一横一纵”的营销模型快速实现。如下图展示的模型策略,通过不同的执行组件组合,针对每一个渠道,根据“if……then……else……”的逻辑做用户触达。

首先,给用户一个首贷福利活动的APP推送,然后可以判断用户是否打开了我的推送,如果用户没有打开,系统会在两天后,给用户做多一次推送,再判断用户有没有打开。

当多次触达,用户都没打开,我可以再通过短信、微信等等渠道去触达。全部渠道触达后,用户如果在微信上打开了活动,那系统就给他打一个标签,比如:界定为用户就是对微信推送敏感度高的,就把他归到“微信习惯用户”组上。然后,在下次的做活动时,首选用“微信渠道”来触达激活这类用户。

另外,如果用户对本次策略中的活动都没有兴趣打开,我可以把这部分用户打上“流失用户”的标签,再把用户送到另一条“登录促活”的自动化策略中,尝试再次激活。

四、时机Time

时机也是精细化运营的关键因素。在客户全生命周期管理中,关键时刻营销及服务往往能得到事半功倍的效果。关键时刻客户行为往往也会发生变化,能够从数据上进行识别。

关键时刻包括:第一时刻、异动时刻、特殊时刻、免打扰时刻。

第一时刻是指:第一次开通某类业务或者体验某类服务,这时营销互补类业务客户比较容易接受。

异动时刻是指:客户使用过程出现异常情况影响客户正常使用或客户利益,可能导致客户流失的时刻,这时要根据客户异动情况及原因提供相应的服务。

特殊时刻是指:客户生日、节日等时候,借用节日营销,进行生日关怀能提升客户满意度,降低对营销的反感。

免打扰时刻是指:在客户不方便或不接受服务的时刻,营销活动一般都会剔除免打扰用户。

对关键时刻进行梳理,识别符合关键时刻特征的用户,制定相应的服务流程和标准,提升客户满意度,降低客户流失,是把握时机的重点。

五、总结

运用数据的CPCT策略中,Customer实现了宏观层面的客户细分,可以反向指导产品的分类与分层;Predict 是微观层面one-one精准跟踪用户的行为,预知用户的需求,占领用户的心智;Channel自动化营销是精细化服务的智能化手段,根据“if……then……else……”的逻辑做用户触达,提升效率;Time 掌握时机的精细化服务可以事半功倍。

本文由用户@神奇的猴子发布于新媒体运营,未经许可,禁止转载。

题图来自Unsplash, 基于CC0协议

本文由 新媒体运营 作者:神奇的猴子 发表,其版权均为 新媒体运营 所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持。如需转载,请注明文章来源。
2

发表评论