编辑导语:为了提高企业的运营利润，采取精细化运营策略，做好用户管理，已经成为企业采取的必然措施之一。为了实现更好的用户运营管理，提高用户粘性，大多数企业都会选择构建会员分析系统。如何在数字化浪潮下建立会员分析系统？我们来看看作者的经验总结。

本文基于在两家鞋服零售头部企业参与CDP、MA项目和会员相关数据产品，谈谈我所理解的数字化浪潮下的会员分析系统建设。

首先，建立一个目标导向的会员分析系统

知其所以然，用户分析和管理的最终目的是从用户身上获取最大利润，也就是LTV-用户终身价值最大化。所以，从企业整体管理目标来看会员分析的定位，我们可以把它拆解下来，构建一个目标导向的会员分析体系(会员包含在用户中)。

如图，会员分析系统需要向上提供数据支持策略制定，向下需要完成会员运营的目标。这个目标可能会在LTV的基础上增加一个战略转型目标，比如品牌年轻化。那么，用户运营的目标中的用户年龄构成、客单价都会相应调整，所以必须在明确用户战略目标的前提下，设计或调整用户分析系统。

二、会员分析系统的组成

在确定用户运营的战略目标后，应对部门的工作内容和分工结构以及各模块的KPI，形成分析体系。每个企业成员属于不同的部门，但这个逻辑是一样的。根据管理和工作流程，可以抽象出三个部分组成会员分析系统，即战略规划+周期/日常分析+执行跟踪。

第三，战略规划分析

这一部分的目的是在企业层面进行经营分析和相关决策时，了解当前的形势和趋势；同时，在确定战略目标后，我们将定期审查/评估目标的实现情况。

其中，用户生命周期、价值分析和用户画像数据也常用于周期/日常分析；三个模块的数据并不是完全独立的区分使用对象，从用户的角度有重点的划分；同时，在制定重要策略时，内部数据不仅会用到上面提到的那部分，还可能给企业更长的机会洞察用户数据分析的趋势。

1.核心指标

战略目标确定后，会制定相应的指标作为目标达成情况的考核，这是企业高层和部门管理层关注的核心数据和业务风向标。

成员的核心指标通常可以分为四个部分来考核“量”和“质”。会员数量和消费的会员数量是增长的基础，会员质量是可持续增长和盈利的保障。根据期末阶段业务的方向和目标，会有独特的考核指标，如拓展新渠道、新模式相关目标等，分析维度指标会结合同月环比、增长率、目标完成情况等进行分析。

2.用户生命周期和会员级别

用户的生命周期从用户与品牌的第一次接触开始，到企业无法再从用户身上获得商业价值时结束。基于用户在流程中的消费和交互的数据，通过规则的分层，实现定制化商业价值的最大化。

根据公式LTV-CAC=LT*ARPU-CAC，划分用户生命阶段运营的目的是不断扩大有价值用户的数量、用户在这个价值范围内的持续时间以及每次的价值。用户的人生阶段可以分为五个阶段:养成、成长、成熟、沉寂、失落。在每个阶段，它们被分层以制定操作和资源分配策略，从而最大化操作效益。

实际的划分不一定完全如此。划分阶段和层级是根据实际业务来确定的，我所经历的两家公司的生命周期也不是完全按照这个来划分的。底层逻辑与目的一致。

如上图所示，基于成员生命周期的分层，会对应每个阶段的转化考核指标。通过对增长率到流失率的分析，可以判断会员运营的发展趋势，结合获客成本和ROI分析运营效益。

生命周期分析的维度和价值如下。通过成员生命周期的构成、趋势、对比/分布，可以进一步拆解分析原因来制定推广计划。

会员等级制是企业面对用户，鼓励用户完成一定事项，提升商业价值，增强用户粘度的一种运营方式。通过构成、对比/分配，结合销售数据分析，了解和判断目前的运营效果和等级制度设计，制定差异化的推广策略。分析思路和目的价值如下。

3.成员价值分析

通过对会员价值进行分层，匹配不同的运营策略，不断完善和巩固核心价值用户群体，实现LTV和ROI最大化，为策略的制定提供数据支持，会员价值分析常用RFM和LTV。

LTV是用户流失给企业带来的商业价值的总和，是运营改善的最终商业目标，也是战略有效性验证的核心指标。相对于ROI的单一效果计算，LTV是基于用户运营的长期价值考量，这个标准是权重和质量两方面的分析计算，更有利于长期获得一个用户价值更高的良性运营北极星。

LTV的应用可分为预测性LTV和现有的LTV计算。现有的LTV计算是根据几个月到几年的累积数据，计算当前用户、活动、渠道的LTV值；LTV预测算法也根据累积的历史数据预测未来的LTV值。

LTV的计算：LTV并没有一个通用的固定的公式，企业根据自身业务判断拟定，常用的的计算公式有 LTV=LT*ARPU；LTV=MMR/churn rate。LTV预测：需要算法团队基于用户特征训练模型进行预测，通常根据数据情况准确性会有一定的用户范围，对应数据越多的用户群预测准确性越高。

应用程序:LTV具有从计划到分析和执行的应用程序，在计划层有两个主要功能:

衡量用户价值和运营效果；辅助计算未来一段时期内收益和辅助营收目标的制定。

RFM零售运营中最常用的分析模型之一，根据用户最近一次交易时间、交易金额和交易频率对用户进行划分。细则网上资料众多，所以常见的分析方法有两种。

通过RFM值评分进行用户分类，单独使用或组合其他标签、数据使用；单独使用R/F/M值，或者组合其他标签、数据，如高M值用户+性别年龄段。

4.人群画像(用户)

人群画像是对特定人群特征的聚合分析，从而全面了解人群各维度的信息，辅助分析企业决策、运营策略等。

基于标签体系的人群画像可以灵活组合人群，自定义分析维度可以满足更多业务场景和业务目标的需求。这部分是基于CDP系统逻辑下可以实现的画像分析。比如企业不设置CDP，可以根据需要固化常用人群和分析模板进行画像分析。人群画像在“周期/日常分析”中也经常使用。这部分先只说明战略规划层面的分析。

画像构建由“人群”和“画像分析维度”两部分组成，两者都是基于用户标签体系。构建基于业务使用场景的标签系统对用户进行标记，并利用标签系统的逻辑数据在画像分析维度进行处理，从而通过标签定义人群+画像维度定制分析模板，对不同人群进行定制分析。下图是基于人群的对应逻辑和画像分析的常用分析维度。

画像常用于战略规划、周期/日常分析，区别在于人群和分析的深度。周期/日常分析基本会覆盖战略规划的人群，但战略规划分析会更复杂，更有预见性，需要数据和算法团队的协同参与。

下图分三部分展示了人群画像的应用，其中人群列表并不全面，并举例说明。

策划一些人物肖像的目的/价值

用户/会员总数:指导品牌用户定位、策略制定、目标实现验证。如果品牌想年轻化，可以结合当前用户画像明确调整后的具体目标年龄段，以增加目标的有效性，验证同样的原理；通过对属性、消费偏好、行为特征的分析，指导商品规划、渠道、营销资源配置等策略的制定。

特定人群:了解整体用户后，基于商业利益核心相关的用户画像进行深度分析。业务运营稳定后，流失和高价值人群是影响用户收入的重要人群。通过分析，明确轻重缓急，指导战略制定。

渠道针对的是近两年的市场。很多新零售企业会做直播、小程序、社区、分销场景等线上渠道。新渠道的开发将着重于及时的后续计划调整，以确保目标的实现。

这是我个人工作经验总结出来的，根据商务人士的选择不同而不同。

注意，人群画像分析需要TGI分析来真正分析人群特征。

四。定期/每日分析

周期/日常分析由会员构成、会员消费、场景分析、画像特征、预测分析五部分组成。部分维度与战略规划层重叠，规划层的分析层的数据是多维度的钻取和更多的交叉分析，更加多维度和细化。

1.成员增长和构成

在会员等级和生命周期的分析中，除了对全会员的构成、对比/分布、趋势的整体分析外，还有两个使用周期/日常分析的区别。

更多的下钻和交叉分析，以及时洞察当前业务问题和支持营销方案。呈现形式上，规划层用于方向决策，更多的是总体数据以可视化+汇总的数据，分析层除了可视化和汇总外，会有更多更详细报表数据。

RFE是基于RFM的变形。它分析用户的线上行为，用于渠道线上营销，融合线上线下。然而，它的使用相对来说没有RFM那么普遍。个人认为线上+线下行为数据融合分析会越来越重要。以下面两个场景为例。

在召回用户选择群体时，仅对线下数据分析，基于长期未消费用户定义为流失，在做召回策略时需要进一步分群获知成功率更大的用户和拟定策略时如获取其线上行为数据，即可对近期有线上RFE高的用户+高价值用户做策略提升转化率。将REF的计算结合物联网设备如face id相关系统，试衣扫码系统等获取的数据，加入计算，可以让用户活跃的数据更趋近真实情况辅助于商品推送、门店导购等场景提升转化。

但是根据我自己的工作经验，目前RFE和线下数据结合的比较少。一般线上团队都是单独使用这个模型数据，或者通过一个标签系统把用户特征和消费特征数据结合起来。结合线下数据进行分析是零售分析的一个小发展方向，适合用户量大，线上触达构建良好的企业。

会员增长常用的维度指标在后面的会员消费分析中一并解释，因为通常会员招募和消费会一起分析。

RFE的定义:最后访问时间R(Recency):成员最后一次访问或到达网站的时间；访问频率F(Frequency):特定时间段内用户访问或到达的频率；页面参与度(E):参与度的定义可以根据不同企业或行业的互动来确定，例如可以定义为页面浏览时间、浏览产品数量、播放视频数量、点赞数量、转发数量等。

分析方法如图所示:

与应用RMF的逻辑一致:

通过RFE值评分进行用户分类，单独使用或组合其他标签、数据使用；单独使用R/F/E值，或者组合其他标签、数据。

2.会员消费

会员消费分析是一个基本的分析模块。会员消费的现状、发展趋势、分布和比较通常与相关指标的非会员数据一起呈现，如客流量、总销售额等。比较会员运营在整体运营中的作用，通过分析发现的问题可以指导经营策略的调整。

基于适用场景的分析，也是工作报表常用的数据，在BI系统上以自定义报表的形式保证了灵活性。如上所述，成员的成长目标往往被放在一起分析，衡量成员成长的指标很少，所以我整合了一些常见的分析如下。

3.场景分析

零售运营是围绕场景进行的，这些场景的营销策略和行动都是为了达到目标而优化的。因此，需要对相应场景的数据进行分析，以科学地支持作战决策。

我选取了五个零售高频场景来说明分析维度和数据价值。其中，营销活动和商品的维度因规则而多变，数据处理系统的支持可能不固定。

社群分析通常是独立的会员模块，从获客到转化、传播、用户画像，所以只说明对社群中会员数据的分析。

4.肖像分析

战略规划部分对肖像的定义和构成进行了阐述。这里主要说明人群画像和战略规划分析在工作周期/日常分析中的区别。

分析的人群和画像维度更细。人货场是零售分析的基础逻辑，人群画像也是。基于业务不同地区、门店、商品策略进行对应的画像分析支持运营策略制定。基于营销运营活动需求的分析，为了提高转化，营销推广投放分析工作会基于活动渠道、时间、等分析用户以支持精准营销。流失人群和高价值人群的分析会更加深入以更有效应用于营销，如基于流失与消费次数、商品、渠道、加入会员时长、消费偏好的关系辅助制定营销切入时间点、商品售卖推送策略和渠道评估与管理。

普通人群从人群画像分析应用场景中划分如下:

5.预测分析

有三个预测对业务推广非常有效，但我的算法知识比较薄弱，只能简单解释一下定义和用法。请原谅我。

LTV在前面的文章中已经解释过了。下面是操作过程中的应用场景:

运营前：算回报周期、营销用户总体价值、辅助营销成本计算，通过LTV预测，单独使用、结合其他维度数据或算法标签对用户分层，分配营销资源，达到效果最大化，如结合流失预测，对高价值中高流失风险用户资源倾斜，增加营销获益。运营后：营销效果验证，验证渠道质量。

幻数是辅助商业判断的相关性指标。通过分析/算法，可以发现关键的业务数字或价值，辅助业务判断或策略制定。零售场景中的幻数，如忠实用户的购买次数/件数、成为会员的时间、重复购买次数最多的用户客单价、购物前的时间等，流失的可能性最大。

但需要注意的是，这个数字并不能说明因果关系。如果达到了价值，就可以实现目标，影响程度需要和业务经验一起判断。

顾名思义，流失预测是通过积累的用户行为数据和消费数据，分析当前存量用户的流失风险，再结合用户画像、价值分析等数据，降低流失。在运营上，还有一点就是基于品牌定位来识别必然会流失的用户。比如品牌年龄定位，由于生活发展不同，必然会导致部分用户的流失。确定减少无效营销的投入，设定合理的目标，降低损失率。

6.联盟营销的一般分析

成员整体营销分析站在高管的角度，从全局的角度对整体营销和成本进行监控和分析，从而保证整体规划目标的达成、风险的控制、成本的降低。它由以下三个部门组成，通常设置在后面。先建立单个营销的分析体系，所以也是在分析单个策略数据后进行说明。

五.执行/跟踪

借用《数据管理》这本书里的一句话，“销售是被跟踪的，不是被分析的”，同样，会员运营目标的实现也必须依靠每一次营销触达，每一次活动的跟踪和每天的目标数据，及时调整运营动作，一步步赢得最终目标。

基于马以往的经验，营销工具和消费端报表产品，下面总结基于跟踪执行的分析系统建设，也是基于IT系统建设。

1.单一营销策略分析

营销数据分析分为两部分，总体营销数据分析和单项策略分析。整体分析属于周期分析，所以放在周期/日分析部分。单项营销策略属于执行/跟踪，只不过会跟进策略期内的营销情况。

基于营销环节的拆解，首先，营销总是有明确的目标，比如招募会员，促进销售等。，所以需要围绕目标提供分析维度，用相应的目标来获取营销效果衡量指标。第二部分是基于营销执行力，即在确定营销目标后触达用户，并对行动数据进行跟踪分析，监控营销推广和目标达成情况。最后，根据整体数据分析，不断优化策略和达成。

它由三部分组成，但并不是所有的营销都需要固定的模板分析。如上所述，需要根据营销目标来提供。精准营销也需要精准的数据分析。将所有数据放在一起会干扰分析和业务。下面用图表解释了这三个部分的价值。

效果分析:主要供高层管理人员和运营策划人员分析检查，通过核心指标了解目标完成情况，通过效果数据分析验证和驱动reach渠道和营销方案优化。

链接触达分析:主要面向运营高管，他们在营销中监控和跟踪动作的完成情况，分析动作的转化，驱动内容和触达渠道的优化。

营销对比:恢复常规活动，对比同类型营销的优劣，进而追溯策略的差异，提高整体趋同水平。

2.活性分析

这个分析活动数据主要是线上活动或者线上线下导流活动。从总量数据、用户参与数据、目标转化数据、活动内容数据四个方面进行分析。下面将以彩票和内容类别为例，说明分析指标的维度和作用。具体指标设置需要根据活动的具体形式和方案来确定，逻辑一致。

3.存储语句(成员部分)

门店PC或移动BI会跟进每天的数据KPI，包括会员相关的数据，以便跟踪每天目标的完成情况，及时发现问题。所以在店铺报表里是会员相关的带动指标，一般没有独立的会员报表，在日报表里有。

会员招募：新增会员数、会员招募完成率；会员消费：会员消费人数、会员消费金额、会员客单价、会员连单率、会员单件数。

4.异常分析

会员异常数据分析分为两部分，基于运营异常监控，保证业务目标达成；基于对用户行为的异常监测，识别风险，减少损失；除了异常的操作/用户行为，还有异常的活动和策略。一般在系统层面都有相应的报警设置。主要监测和分析指标如下。

不及物动词结论。

因为是基于会员分析体系的整体情况，所以内容很多，其中基于用户标签体系和人群画像的部分内容无法阐述，可能不利于理解。这两个方面我以后有时间再分别讲。

到目前为止，从整体的会员满意战略到基于CDP、MA、会员数据相关产品以及市场和会员运营相关部门近年来的合作实施，分析体系的内容还存在一些不完善的地方，后续工作如果有新的认知还会进行修正和迭代。

参考:数据管理

作者:玩家25；微信官方账号:玩家25号，专注数字营销。

本文由玩家@25原创发布。每个人都是产品经理。未经许可，禁止复制。

来自Unsplash的图像，基于CC0协议。