一、會員數據化運營基本概述
會員數據化運營幾乎是所有企業的必備運營工作，企業要生存必須要有會員(客戶)，無論企業處於發展周期的哪個階段、企業規模如何、企業性質如何都是如此。會員數據化運營輔助於客戶關系管理（CRM），可以用來解決以下幾方面問題：
- 會員的生命周期狀態是什么？
- 會員的核心訴求是什么？
- 會員的轉化習慣和路徑是什么？
- 會員的價值如何？
- 如何擴大市場覆蓋、獲得 更多的新會員？
- 如何更好的維系老會員？
- 應該在什么時間、采取何種措施、針對哪些會員做哪些運營活動？
- 在特定運營目標下，應該如何制定會員管理策略（包括行為管理、體驗管理、增值服務、信息管理、營銷管理、客戶關懷等）？
二、會員數據化運營關鍵指標
會員數據化運營的關鍵指標包括會員整體指標、營銷指標、活躍度指標、價值度指標、終生價值指標和異動指標。
2.1 會員整體指標
1、注冊會員數
注冊會員數是指已經成為企業注冊會員的數量。根據注冊時間周期的不同，又可以細分為累計注冊會員數、新增注冊會員數等。。。
2、激活會員數
激活會員相對於注冊會員有一個特定的激活動作，該動作往往決定了用戶是否真的會成為企業會員。常見的代表性動作包含：點擊確認鏈接、手機驗證、身份驗證等。
激活會員數是指已經注冊的會員中有多少會員已經激活。根據激活時間周期的不同，又可以細分為累積激活會員數、新增激活會員數等。
激活會員數可以延申出相對轉化率指標：會員激活率。即注冊會員中完成激活的會員比例。
3、購買會員數
購買會員是真正給企業帶來利潤的群體。購買會員數指有過購買行為的會員數量（企業也可根據自身轉化為其他要素，例如付費會員數）。根據購買時間周期的不同，又可以細分累計購買會員數和新增購買會員數。
購買會員數可以延申出相對轉化率指標：
- 注冊-購買轉化率：從注冊到購買的會員轉化比例
- 激活購買轉化率：從激活到購買的會員轉化比例
2.2 會員營銷指標
1、可營銷會員數
可營銷會員數是指整體會員中可通過一定方式進行會員營銷以滿足企業特定需求的會員數。會員可營銷的方式包括：手機號、郵箱、QQ號、微信等具有可識別並可接觸的信息點，具備這些信息中的任何一種便形成可營銷會員。
2、營銷費用
會員營銷費用一般包括營銷媒介費用、優惠券費用和積分兌換費用3中。
（1）營銷媒介費用
營銷媒介費用是特定營銷媒介而產生的費用，例如短信費用、會員渠道推廣費用、電子郵件費用等。
（2）優惠券費用
優惠券根據不同的使用條件和金額可以划分成多種，如30元紅券，50元店鋪券等。
（3）積分兌換費用
大部分網站都有會員積分系統，會員積分通常可以兌換成金額使用。
3、營銷收入
會員營銷收入是通過會員營銷渠道和會員相關運營活動產生的收入，包括電子郵件、短信、會員通知線下二維特定會員優惠碼等。
4、用券會員、金額、訂單比例
會員營銷時大多數情況下都會使用優惠券，這不僅是促銷銷售的一種方式，也是識別不同會員訂單來源的重要途徑。用券指標包含以下幾種：
- 用券會員比例：使用優惠券下單的會員占總下單會員的比例
- 用券金額比例：使用優惠券下單的訂單金額占總下單金額的比例
- 用券的訂單比例：使用優惠券下單量占總下單量的比例
5、營銷費率
營銷費率是會員營銷費用占營銷收入的比例。營銷費率分析的目的是監控營銷費用的支出情況，確保其不超出計划指標。
6、每注冊、訂單、會員收入
監控會員營銷的單位收入是評估收益效率的重要指標，包括以下指標：
- 每注冊收入：每個注冊用戶帶來多少收入
- 每訂單收入：每個訂單帶來多少收入
- 每會員收入: 每個會員帶來多少收入
7、每注冊、訂單、會員成本
單位成本的考量是精細化業務動作的關鍵指標。包含以下幾種：
- 每注冊成本：每獲得一個注冊用戶需要多少成本
- 每訂單成本：每獲得一個訂單需要多少成本
- 每會員成本： 每獲得一個會員需要多少成本
2.3 會員活躍度指標
1、整體會員活躍度
整體會員活躍度用來評價當前所有會員的活躍情況，通常以會員動作或關鍵指標作為會員是否活躍的標識（如是否登錄）。
2、每日、每周、每月活躍用戶數
活躍用戶中活躍的定義在不同公司有不同的方法。活躍根據活躍周期的不同可以定義如下：
- 每日活躍用戶（daily active users daily,DAU）：每天活躍的用戶數量
- 每周活躍用戶（weekly active users daily,WAU）：每周活躍的用戶數量
- 每月活躍用戶（monthly active users daily,MAU）： 每月活躍的用戶數量
2.4 會員價值度指標
1、會員價值分群
會員價值分群是以用戶價值為出發點，通過特定模型或方法將會員分為幾個群體或層級。會員價值分群並不是一個真正的指標，而是給用戶打標簽，該標簽用來顯示用戶的狀態，層次和價值區分等。
2、復購率
復購率是一定周期內購買2次或2次以上的會員比例。
3、消費頻次
消費頻次跟復購有關，二者都是重復消費指標。消費頻次是將用戶的消費頻率，按照次數做統計，統計結果是在一定周期內消費了不同次數，例如2次，3-5次等。該指標可以有效分析用戶對於企業的消費粘性。
4、最近一次購買時間
最近一次購買時間也可以作為會員消費價值粘性的評估因素。如果會員距離上次的購買或消費時間過長，那么意味着用戶可能處於沉默或將要流失甚至已經流失的階段，此時應該采取措施挽回用戶。
5、最近一次購買金額
該指標和最近一次購買時間類似，衡量的是用戶最近一次購買或消費時的訂單，該金額越大說明用戶最近一次的消費能力越高。
2.5 會員終生價值指標
1、會員生命周期價值、訂單量、平均訂單價值
會員生命周期指標是從用戶成為企業會員開始到現在的總數據統計值，該指標與任何時間周期無關，衡量的是用戶完整生命周期內的價值。包括以下幾種：
- 會員生命周期價值（customer lifetime value,CLV）：用戶整個生命周期內下單金額總和。
- 會員生命周期訂單量：用戶整個生命周期內下單量總和。
- 會員生命周期平均訂單價值： 會員整個生命周期內下單金額/下單量。
2、會員生命周期轉化率
會員生命周期轉化率指會員在完整生命周期內完成的訂單和到達網站、企業、門店的次數比例，該指標衡量了用戶是否劇有較高的轉化率。
3、會員生命周期剩余價值
會員生命周期剩余價值是一類預測性指標，用來預測用戶在其生命周期內還能產生多少價值。該指標可以細分出很多相關指標，例如：
- 預期未來30天的會員轉化率
- 預期生命周期剩余訂單價值
- 預期7天內的下單數量
- 預計下一個訂單的訂單金額
- 下一次購買的商品名稱
這種預測性的指標通常會基於特定的算法和模型做訓練，然后預測未來的數據。其中回歸和分類是主要預測性應用方法，在某些情況下也可以使用關聯算法。
2.6 會員異動指標
1、會員流失率
會員流失率指會員不再購買或消費企業相關業務、商品和服務，會員流失率指流失的會員數量與全部會員數量的比例。需要從兩個方面重點關注該指標：
- 會員流失率的數值：正常情況下會員流失率應該是一個比較小的比例。
- 會員流失率的走向：盡管會員流失不可避免，但我們仍然希望流失用戶的比例越小越好，因此需要關注流失率的走向。比較好的狀態是流失率處於平穩或下降狀態，如果出現流失率上升的情況則需要引起警惕。
2、會員異動比
會員異動比指新增會員與流失會員之間的比例關系。即 會員異動比 = 新增購買會員/流失會員
如果會員異動比等於1，說明企業在一定周期內新增會員與流失會員數相等；如果大於1，說明新增會員多於流失會員，這是良好的發展狀態；如果小於1，說明會員增長不如流失快，企業面臨會員枯竭的危機。
三、會員數據化運營應用場景
3.1 會員營銷
數據化運營應用於會員營銷主要體現在以下幾個方面：
- 以信息的方式建立基於會員的客戶關系管理系統，促進所有會員數據的信息化。
- 通過特定方法將普通用戶拓展為企業會員，並提高新會員留存率
- 基於用戶歷史消費記錄，挖掘出用戶潛在消費需求及消費熱點
- 基於歷史數據，為會員營銷活動提供策略指導和建議，促進精准營銷活動的開展
- 從會員營銷結果中找尋異常訂單轉化，作為識別黃牛或vip客戶的參考
- 挖掘會員傳播關系，找到口碑傳播效應的關鍵節點
3.2 會員關懷
數據化運營應用於會員關懷主要體現在以下幾個方面：
- 為預警事件設置閾值，自動觸發應急處理機制。
- 分析會員的行為，為會員提供個性化、精准化和差異化服務。
- 通過會員的喜好分析，提高客戶的忠誠度、活躍度和粘性。
- 通過會員分析，預防會員流失，並找到挽回已經流失會員的方法。
- 基於會員群體行為，更好地划分會員群體屬性並挖掘群體性特征。
- 基於群體用戶和內容相似度，發現有價值地會員互動方式。
- 基於會員生命周期地關懷管理，促進用戶終生價值最大化。
四、會員數據化運營分析模型
4.1 會員細分模型
會員細分模型是將整體會員划分為不同地細分群體或類別，然后基於細分群體做管理、營銷和關懷。會員細分模型常用於整體會員的宏觀性分析及探索性分析，通過細分建立初步認知，為下一步的分析和應用提供基本認知。會員細分也是做精准營銷的基本前提。常用的細分模型包括：基於屬性的方法、ABC分類法、聚類法等。
1、基於屬性的方法
會員細分可以基於現有會員屬性，常用的細分屬性包括：會員地域（北京，上海等）、產品類別（大家電，3C數碼等）、會員類別（例如大客戶、普通客戶、VIP等）、會員性別、會員消費等級（例如高價值會員、中價值會員等）等。這種細分方法可以直接利用現有會員數據庫數據，無須做二次開發和計算，是一種比較簡單且粗淺的方法。
2、ABC分類法
ABC分類法（Activity Based Classification）是根據事物的主要特征做分類排列，從而實現區別對待、區別管理的一種方法。它強調的是分清主次，並將管理對象划分為A、B、C三類。在ABC分析法中，先將目標數據列倒序排序，然后做累積百分比統計，最后將得到的累積百分比按照下面的比值划分為ABC三類：
- A類因素：發生累計頻率為0%~80%，是主要影響因素。
- B類因素：發生累計頻率為80%~90%，是次要影響因素。
- C類因素：發生累計頻率為90%~100%，是一般影響因素。
3、聚類法
使用聚類法做會員細分是常用的非監督方法，該方法無須任何先驗經驗，只需要指定要划分的群體數量即可。
4.2 會員活躍度模型
會員活躍度用來評估用戶的活躍情況，是會員狀態分析的基本模型之一。一種方法是加權統計的方法，另一種活躍度模型是RFE模型。
RFE模型基於用戶的普通行為（非轉化或交易行為）產生，它與RFM類似，都是使用3個維度做價值評估。RFE模型是根據會員最近一次訪問時間R(recency)、訪問頻率F（Frequency）和頁面互動度E（Engagements）計算得出的RFE得分。
- 最近一次訪問時間R：會員最近一次訪問或者到達網站的時間。
- 訪問頻率F：用戶在特定時間周期內訪問或到達的頻率。
- 頁面互動度E：互動的定義可以根據不同企業的交互情況而定，例如可以定義為頁面瀏覽量、下載量、視頻播放次數等。
在得到用戶的RFE得分之后，與RFM類似，也可以有兩種應用思路：
思路1：基於3個維度值做用戶群體划分和解讀，對用戶的活躍度做分析。例如RFE得分為313分的會員說明其訪問頻率低，但是每次訪問的交互都非常不錯，此時重點要做用戶回訪頻率的提升，例如通過活動邀請、精准廣告投放、會員活動推薦等活動提升回訪頻率。
思路2：基於RFE的匯總得分評估所有會員的活躍度價值，並可以做活躍度排名。同時，該得分還可以作為輸入維度與其他維度一起作為其他數據分析和挖掘模型的輸入變量，為分析建模提供基礎。
4.3 會員價值度模型
會員價值度用來評估用戶的價值情況，是區分會員價值的重要模型和參考依據，也是衡量不同營銷效果的關鍵指標之一。常用的價值度模型是RFM。
RFM模型是根據會員最近一次購買時間R（Recency）、購買頻率F（Frequency）、購買金額M（Monetary）計算RFM得分，通過着3個維度來評估客戶的訂單活躍價值，常用來做客戶或價值區分。
在得到不同會員的RFM之后，根據產生的結果有兩種應用思路：
思路1：基於3個維度值做用戶群體划分和解讀，對用戶的價值度做分析
思路2：基於會員的RFM的匯總得分評估所有會員的價值度價值，並可以做價值度排名。同時，該得分還可以作為輸入維度與其他維度一起作為其他數據分析和挖掘模型的輸入變量，為分析和建模提供基礎。
4.4 會員流失預測模型
會員流失預測模型是用來預測會員是否流失，是做會員生命周期管理的重要預防性應用。常見的屬於流失的狀態定義如下：
- 會員已經退訂公司的促銷活動。
- 會員已經連續6個月沒有登錄過網站。
- 針對會員發送的關懷跡里活動后沒有得到任何有效的反饋和互動。
- 會員最近1年內沒有任何訂單。
會員流失預測預警模型的實現方法屬於分類算法，常用的算法包括邏輯回歸、支持向量積、隨機森林等。
- 在做會員流失預警模型時，需要注意以下幾個問題。
- 流失會員的樣本分類一定是少數類，需要注意處理樣本不均衡的問題。
- 對於流失會員的預測結果，得到概率性的輸出可以結合流失預測標簽一起應用，因為業務方可以基於概率，再結合業務經驗做判斷。
- 對於參與訓練模型的維度變量的選擇，一定要結合業務經驗，因為業務方對於特定場景的判斷是影響訓練模型和應用結果的關鍵因素之一。
- 輸入的維度變量中一定要包含發生轉化前的行為數據。假如業務定義為最近6個月沒有訂單的客戶為流失客戶，那么在做預測模型時，需要將用戶的匿名訪問、登錄、頁面瀏覽、搜索、活動咨詢等轉化前的數據考慮在內，而不能只考慮訂單轉化本身。
- 會員流失預警模型不是一次性的，而是周期性監視和運行的，例如每天每周或至少是每月。
通過會員流失模型，得到每個會員是否屬於流失標簽后，可以將該結果給到會員運營人員，運營人員一般會根據業務經驗做二次審查和確認，然后再通過會員挽回激勵等機制，提升會員的忠誠度，延緩或防止會員流失。而關於如何挽回以及激勵的問題，通常需要數據參與來幫助運營人員制定相應的策略，例如，在合適的時間以恰當的方式提供個性化的內容給特定會員。這些都需要數據的支持。
4.5 會員特征分析模型
會員特征分析模型是針對現有會員做特征分析。會員特征分析模型提供的結果可能是模糊的，也可能是明確的，例如：
- 明確的特征，這類特征模型提供了業務所要行動的細節要素，是一種具有極高落地價值的數據分析工作。
- 模糊的特征，它只有數據分析結果，未提供詳細的動作因素，僅僅指明了下一步行動方向和目標。
會員特征分析主要應用於以下兩種業務場景：
第1種是在沒有任何前期經驗或特定目標下觸發，希望通過整體特征分析了解會員全貌，在這種模式下可以通過一定方法先將用戶划分為幾個類別，然后再做基於類別的特征分析，常用的實現方法和應用包括以下兩種。
- 聚類。通過聚類將用戶划分為幾個群組，然后再分析不同群組的典型特征和群組間的差異性。例如，公司的總體會員具有哪些特征？模型結果通過聚類方法將會員划分為三類，然后每個類別都有各自顯著性特征，會員部門可根據不同類別做特定分析並指定群體性策略。
- 統計分析。先對整體用戶做統計分析，包括描述性分析，頻數分布等了解整體數據概括。
第2種是有明確的業務方向，希望找到能達到事件目標的會員特征，用於做進一步的會員運營，對於這類分析模型常用的實現方法和應用包括以下三種。
- 分類。利用分類規則，例如決策樹，找到符合目標的關鍵變量及對應的變量值，進而確定會員特征。例如：收入大於5400元，最近購買時間是5個月之前，總訂單金額在4300元以下的會員，最可能購買商品。
- 關聯。使用關聯規則，找到不同屬性項目間的關聯發生或序列發生關系，然后將會員的屬性特征（頻繁項集）提供給運營人員。例如：購買X商品的客戶一般來自上海，購買頻率為一周三次，客單價為100元以下。
- 異常檢測。使用非監督式的異常檢測方法，從一堆數據中找到異常數據樣本，然后將這些數據樣本特征提供給運營人員做進一步確認和審查。例如：異常客戶的特征往往是，每次訂單的商品數量超過4件，地域集中在江蘇和浙江一般擁有超過三個以上的子賬戶。
會員特征分析模型輸出的上述兩類結果，第1類結果往往作為輔助性、啟發性和提示性結果，用於為運營提供進一步業務動作的思考，這種一般開始於數據工作項目的開始或業務方對數據主題的先驗經驗不足的情況下。第2類結果則可以作為運營下一步動作的直接觸點。
4.6 營銷響應預測模型
營銷響應預測模型是針對營銷活動展開的，通常在做會員營銷活動之前。通過營銷響應預測模型分析，找到可能響應活動的會員特征及整體響應的用戶比例數量和可能帶來的銷售額，這對於在會員營銷之前的有關策略制定的輔助價值非常明顯。
營銷響應預測模型的實施一般采用分類算法。常用算法，包括邏輯回歸、支持向量機、隨機森林等，有關這些算法的具體選擇問題，這里不再詳細闡述。
在做營銷響應模型之前，需要先收集訓練所需要的數據集。
（1）從所有會員中隨機選擇一定量的會員樣本，具體數量要根據企業實際情況而定，一般情況下至少需要有1000條數據以上，同時要兼顧總體會員數量，才能滿足模型訓練的需要。
（2）針對選擇的會員樣本，通過一定媒介和渠道發送營銷活動信息，例如手機短信、電子郵件等。需要注意的是，一定要記錄好營銷活動發送的時間頻率信息等關鍵運營要素，這些需要與后期的實施保持一致。
（3）收集營銷活動數據，在收集數據時需要注意數據收集的周期。通常情況下，一般電子郵件的有效周期為1~7天，時間過短可能無法被用戶看到；手機短信的有效期一般是1天，時間太長，用戶一般會忽略。
經過上述步驟收集到分類所需的樣本集之后，接着就需要通過分類模型做營銷響應預測，這是典型的二分類問題。在做營銷響應模型訓練時，也需要注意在前面會員流失預測模型提到的問題，二者在很多方面都有共通性。
通過營銷響應預測模型得到的結果一般包括以下兩個方向。
基於模型找到最可能產生購買轉化行為的會員規則特征，例如最近一次購買時間在三個月以內，會員等級為三級以上，總訂單金額大於3000，訂單量大於10的客戶，通過這些條件直接從數據庫中篩選對應的會員列表，並可以對該列表中的會員發送營銷活動信息。
基於模型預測可能產生的訂單轉化數量、轉化率（例如選擇10000個客戶，會有4000個客戶產生轉化）以及有轉化客戶的客單價（通過訓練樣本及選擇有轉化客戶，然后用訂單金額/會員量計算得到）大體計算出此次發送能得到的營銷收入，這些信息可以作為此次營銷活動計划提報的數據量化指標和資源申請的數據支持。
五、會員數據化運營分析小技巧
5.1 使用留存分析做新用戶質量分析
用戶留存指的是新會員/用戶在經過一定時間之后，仍然具有訪問、登錄、使用或轉化等特定屬性和行為。留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為3類，以登錄行為認定的留存為例。
（1）日留存
次日留存率：（當天新增的用戶中，第二天還登錄的用戶數）/第1天新增總用戶數
第3日留存率：(第1天新增用戶中，第3天還有登錄的用戶數)/第1天新增總用戶數
......
（2）周留存
以周度為單位的留存率，指的是每周相對於第1個月的新增用戶中，仍然還有登錄的用戶數。
(3) 月留存
以月度為單位的留存率，指的是每個月相對於第1個月的新增用戶中，仍然還有登錄的用戶數。
5.2 使用AARRR做APP用戶生命周期分析
AARRR是acquisition activation retention revenue refer五個單詞的縮寫，分別對應用戶生命周期的5個環節：獲取用戶，提高活躍度，提高留存率，獲取收入，自傳播。
（1）獲取用戶
獲取用戶的第一步，解決的是從哪里能帶來更多的用戶和會員的問題。該部分的數據評估維度一般包括兩個層次：用戶數量和用戶質量。
（2）提高活躍度
提升活躍度是將用戶引入后持續關注的問題。分析活躍度的數據評估維度包括每日、每周、每月用戶活躍用戶數3種。
（3）提高留存率
提升留存率意味着會有更多的客戶沉淀下來。
（4）獲取收入
獲取收入是運營的根本目標，有關收入得數據支撐，一般會通過以下幾個指標來做分析：
- 付費用戶數/比例：產生收入得用戶數及其占整體得比例；
- ARPU：平均每用戶收入，衡量每個用戶得付費能力。
- 新增付費用戶：新產生得付費用戶數。
- 付費轉化周期：用戶從免費到付費的轉化時間，時間越短越好。
- 重復消費比例：具有2次及以上消費的用戶比例。
- 消費金額在特定金額以上的客戶：通常用來分析VIP客戶或大客戶，例如消費金額在10000以上。
- 消費分級：根據不同的消費數據做消費分級，用來整體划分會員群體。
（5）自傳播
如果用戶使用產品時體驗良好，那么可能會產生傳播效應，把產品推薦給其他朋友，親戚等使用，
5.3 使用協同過濾算法為新會員分析推送個性化信息
使用基於用戶的協同過濾算法的主要步驟如下：
（1）收集用戶數據。一般情況下對會員數據的采集包括屬性、行為等多個方面。
（2）會員相似度計算。以新會員為目標對象，計算其他所有會員與新會員的相似度，並獲得相似度得分。關於相似度的算法有很多，其中基於幾何距離的相似度算法有：歐式距離、曼哈頓距離、切比雪夫距離等。基於非幾何距離的相似度算法：余弦距離、漢明距離等。
（3）將其他所有會員與目標新會員的相似性得分按倒序排序，得分最高者為最相似的會員。但實際情況下，我們會選擇K個最相似的用戶，使用類似於K近鄰的方法。
（4）選擇最相似的K個會員的目標推薦信息。在選擇目標信息的過程中，對應不同會員的信息統計有多種方法，例如普通計數，加權匯總等。