“大促”也挡不住顾客流失？可能是你的数据在“睡觉”

互联网、电商的快速发展，造就了“双11”、“618”这样的网购狂欢。消费者的消费行为也慢慢从线下扩展到线上，这带来的一个结果是：以往难以被收集的消费数据开始更多地被线上商家留存。这些数据有什么用？该如何用？在近期的数据侠线上实验室中，大数据服务提供商“网聚宝”品牌数据部首席数据分析师宋剑豪为我们带来了一场“接地气”的零售数据典型分析方法分享。干货满满，本文为其分享实录。

▍如何才能发挥电商零售数据的最大价值？

最近几年，天猫双11的销售额翻了好几番。从零售数据的意义上看，这意味着什么呢？

这代表着更多的线下数据被不断引到线上来，消费者的数据更多地被品牌方沉淀下来。与此同时，移动支付的发展，同样也让线下的数据被吸收到线上。

对于电商行业来说，越来越多的商家开始重视数据分析，也成立了数据分析部门。但由于天猫、淘宝官方平台提供的分析工具的限制，商家在对订单数据等的处理上，常常是不太能够挖掘到数据的深层价值。

这也是我今天要分享的内容的主要背景。如何才能让线上积存下来的数据发挥最大的价值？这里我会结合网聚宝在此前的践行中获得的一些经验和好的方法，给大家介绍一些品牌零售数据的分析。

我的分享主要分成三个部分，先会说会员生命周期分析的正确玩法，接着是基于具体场景的网店店铺诊断案例，最后还会谈谈我们如何通过现有的零售数据预测未来销量的趋势。

▍会员生命周期分析：基于顾客购买数据做有针对的营销

首先我们来看在电商行业中，什么是会员生命周期。

这是一种判断一个客户对品牌方的店铺的忠诚度指标。在业内，通常会将客户的生命周期划分为活跃期、沉默期、沉睡期以及流失期。这四个周期有什么区别呢？

活跃期是指最近有过购买行为的活跃用户，这是品牌方非常稳定的客户，也是“安全”的客户，品牌方不太需要给其发营销短信等触发方式。

而沉默期的客户，则是商家主要的营销对象，因为这些客户可能有一段时间没来买过了，但之前却是买过的，甚至买过多次的。这样的客户，商家可能需要采取一些促销的方法来吸引并激活其购买力，重新进入活跃期。

什么是沉睡期呢？这指的是一个客户购买过一次商品，但后来就“断掉了”，甚至可能转向竞品的商家。对于这类客户，可能需要通过各种互动方式、利益来诱惑其来回购（回来再此购买）。

而流失期则意味着这个客户曾经买过，但至少已经一两年没回来买过了，对于这类客户，商家能对其产生的影响很小，只能双11时候做些主动营销。

上图反映的天猫官方向商家建议的客户生命周期划分方法，但我们觉得，这样的划分方法还是比较粗犷、粗糙的。我们认为，对于不同的商家而言，消费者的情况、习惯不同，到底怎样的分法才是科学的呢？

为了科学分析，我们引入了一个物理学上的概念——半衰期。

半衰期是放射性同位素衰减到原来质量一半所需要的时间，这被定义为半衰期。这个概念同样可以类比到消费者行为分析上来。

当一个消费者复购的可能性仅剩下一半的时候，就差不多是处在半衰期了。

这里我们还需要引入一个词汇叫做回购周期，比如，你一周购买了三次，那你的回购周期可能是两天，这里计算的其实是平均的回购的区间。基于这种统计方法，我们可以统计出一家网店的历史会员的平均回购周期值是多少。通过这个值我们可以将其划分成不同区间，使用累积加成的方法，看看累积到某一天，占全部会员的比例。

上图是我们画出来的回购周期累积占比的曲线，当这根曲线达到50%的时候，也就意味着有一半以上的客户都是在这个区间内复购。比如说是140天，有50%以上的客户平均的回购周期都是140天。

这时候，当有一个客户的最后付款时间距今日已经达到141天的时候，我们可以判定，其复购的可能性已经低于一半了。

基于我们的分析，我们会将顾客进入半衰期的时间点作为划分活跃期的时间点。我们会按照不同商家的数据，通过数据得出每个商家不同的客户生命周期。

划分好生命周期，到底会有什么作用？我们可以通过回购周期的曲线观察客户生命周期的变化，也能够从中看出商家的老客户维护做得怎么样等等。

举个例子，大家看到的上图的这根曲线，其中有一些“小阶梯”意味着在同一天内复购的客户非常多，但同时也意味着他在这一天之后再也没有复购过。这些“小阶梯”实质上反映的是双11的大促。

通过生命周期分析，我们还可以比较精准地去找到某一些类目的用户的购买习惯，然后去针对他的购买习惯，对其做一些特定的影响和营销的活动。

▍案例：从不同的业务场景出发作不同的分析

在对不同的需求场景进行店铺分析诊断的部分，我通过两个例子来阐释。

第一个例子是一家真实的服饰相关的店铺案例，而且也是比较知名的品牌。

这家品牌现在遇到的问题是店铺的销量增速明显放缓、而且整体的数据没有什么特殊点。

上图反映的是这家店铺2015年和2016年两年会员数量的趋势和销售金额趋势，看起来没有什么特殊的地方。这家品牌希望我们帮其店铺做一些诊断，能就业务方面给出一些具体的指导意见。

在对这家公司进行分析时，我们首先想到的不仅仅是数据本身，这根本看不出什么问题，我们会根据他们的业务来帮助其分析具体哪些地方做的不好。

在这里我们引入了会员分析的概念，我们将这家店铺过去一年的的会员分成三类：当年的新客，且一年之内没有发生复购；当年的新客，且一年之内发生复购；过去的老客户，在当年产生复购。

为什么这样分？因为这三类会员正好对应着商家需要对三类会员做的事情：拉新。

通过对新客和老客的分析，我们可以做针对性的分析。我们可以从下面的图表中看具体的分析过程：

上图最左边这张图对应着当年没有产生复购的新客户的趋势。可以看到在2015年的时候，3月份的新客数量是极高的。

而在2016年的时候，11月份的新客数极高，这两个产生了一个明显的对比。我们同时可以发现，在4、5、6、7这几个月份里面，2016年的数据明显低于2015年的数据。有人可能会问，是不是新客转化了，新客产生复购了呢？

我们可以接着看上图第二张图。可以看到，在当年复购的新客趋势上，2015年有更加明显的压倒性趋势，从3月到11月的每一个月，都是2015年的会员数更多。

所以，我们能够看出，这家店铺拉新的难度在增加，新客越来越少，这是什么原因导致的呢？

可以发现，不管是其老客复购还是新客的复购，双11和3月某个节日的数据都很明显。这其实是因为3月份这家店铺有一个活动。

我们经过分析后得出了结论：一是从2015年到2016年，随着市场的变化，用户对大促的趋向性明显增加。二是这家店铺平日拉新客的难度越来越高了。

第三，我们发现他们的新客维护也可能存在一些问题。

为此，我们会建议这家品牌做一些产品调整、价格调整。当然，我们还会具体分析每个新客的消费金额，因为一个新客进来，其购买的金额很大程度上意味着他下一次会不会复购。如果这个新客是贪便宜进来的，他首次付款金额特别低、或者买的商品特别少，特别是9块9那种秒杀，那么他产生复购的概率肯定很低。

在对新客的价值作出判断后，我们还会结合其购买的商品是什么、商品的使用周期是多长、购买了多少件等因素，来预测新客产生复购的可能性。并判断该如何影响这些人来进行复购。

经过这样的过程，就会产生一个闭环：通过分析、产生结论，然后不断再循环这样的过程，就能得到一个好的让新客产生二次复购的策略。

第二个例子，是我们有一家母婴行业的客户，这家品牌以前觉得，只要一个顾客购买过A商品也购买过B商品，就觉得这两款商品有关联，于是会将这两款商品打包组合，但在后面营销的过程中，就遇到了很多问题。

后来，我们经过分析，得出了结论：这种关联法并不是科学的方法，因为你购买过A商品又购买了B商品，可能会有很多行为导致，这可能会有集中几种可能：一种是用户同时购买；另一种是先买了A商品再买了B商品。

这两种行为背后有着不同的因素：第一种，用户同时购买，那么确实需要将A商品和B商品打包；但如果是第二种情形，先买了A商品，然后再买了B商品，这两种商品其实并不适合打包组合，而是适合向购买A商品的顾客去推，而不适合推给先购买商品B的顾客。

我们后来通过分析，还发现了一个有意思的现象：购买过婴儿的口罩、面巾、手帕的人，下次来买的时候还是会买这些商品。还有一些消费者会购买棉柔巾，这在一般情况下可能被一些女生用来卸妆，但我们后来发现，他们购买棉柔巾往往不是为了自己，而是用来给婴儿擦脸。

通过这种商品关联的分析，能够找到一些特殊的用户使用商品的习惯，可以有针对地推出一些营销方案。

在现在的电商环境里，需要从商品的维度进行结合，建立一个PRFM模型。这样可以对历年的老客户的营销方案做出相关的改良和优化。

（DT君注：在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。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3项指标来描述该客户的价值状况。PRFM模型是在RFM模型基础上，增加了产品的维度。）

▍如何预测未来的销售趋势

除了上面这些基本的分析，现在的电商商家的要求其实更多，他们希望能通过对数据的深度挖掘，用科学的方法进行事前的分析预测。

在最近两年的双11，我们也尝试对一些品牌作出销量、用户增长等预测，预测的结果还是令人满意的。

我们具体怎么做呢？这其中需要考虑到几点因素，一是历史数据，这其中的用户数是最多的，也是对品牌方销售作出预测的统计基础。

第二，我们需要结合他们的业务逻辑，因为从业务逻辑角度看，会员增长、新客流失都是必然的规律。

第三，需要结合周期性的市场变化。因为电商逃不开双11、618，在这些时期，就算不参加主会场的活动，销量肯定也会增长。

在对用户增长进行预测时，我们需要留意到，新客的人数一般和品牌方的推广方案、市场趋势相联系，品牌方投入越多，赚的也越多，新客人数也会更多。但老客人数不一样，老客人数可能跟你开店的时间长短有关，但也和“唤醒率”有关。

顾客的流失，一定程度上有着周期性的变化。比如，每年的前几个月和双11，情况必然不同。对此，需要结合业务的情况来进行预测。

比如，在分析流失率时，我们需要进行同属性客户的聚合。我们的方法是：通过按月打包的方式。

例如，2017年1月份的新客，我们会将他们打包成同一个群体，为什么会这样打包？因为这个群体满足一些相同的属性，1月份的顾客是有一定的周期性变化的。因为都在春节之前，顾客的很多购买属性是完全相同的。

（图片说明：某日化品牌网店2015年1月、2月的唤醒率的趋势）

而1月份后每个月的顾客情况也是可以统计出来的。比如，上图我们下面统计了1月、2月的情况。

一个是2015年1月的数据，另个是2015年2月的数据。这是一家真实的日化类店铺，可以看到这两条曲线都有一个很明显的周期性变化，我们可以看到三个最高点，其实都是双11，而且在周期性变化的前提下，它满足一个逐渐衰减的变化趋势。

这符合我们的判断，因为2015年1月的那些客户的总量是不变的，它的流失率肯定会越来越高。因此我们可以通过时间序列的模型进行一些预测。

数据之间往往是可以得到相互印证的。比如我们获得了2016年12个月的数据以及2017年前10个月的数据，那么2017年最后2个月的数据，我们虽然没法进行精准的预测，但我们可以基于历史同月数据，做一个综合的预测。

我们可以通过观察时间序列和客户人数的衰减变化，并对时间序列的模型做一些改造，打造一套预测的方法。

归根结底，要对品牌的增长趋势进行科学的分析，一定要结合具体的业务场景，符合业务逻辑，通过对数据的反复挖掘，总会得到有价值的结论。

注：以上内容根据宋剑豪在数据侠线上实验室的演讲实录整理，有删减及部分调整，已经本人审阅。本文仅为作者观点，不代表DT财经立场。

作者 | 宋剑豪

编辑 | 胡世龙 ： hushilong@dtcj.com

题图 | 视觉中国

▍数据侠门派

本文数据侠宋剑豪，花名火狐，大数据服务提供商“网聚宝”公司品牌数据部首席数据分析师。