新零售环境下的会员数据化运营

广义的零售行业，是一个非常大的概念，其中包含便利店、商超、商城、步行街、餐饮、服装、图书、健身等多种业态。而零售注重的是快速把握流行趋势、快速把握客户的情况，从而进行精准的营销。而如今线上商城的冲击、成本的不断提高，零售行业需要全面的转型升级。那么在这样的新零售情况下，如何做好会员的运营，如何做好CRM甚至说如今的SCRM就非常重要。

什么是新零售

新零售这个概念是马云2016年下半年提出来的，至今已经快要有三年的时间，而对于新零售的解释有多种多样，如：线上线下深度融合、人货场、购物体验、无人零售等等。但是，无论那种新零售的模式，为的都是能够为企业创造更多的利润，能够为消费者带来更好的产品及购物体验。而这就离不开对消费者的精确洞察。

什么是数据化运营

所谓数据化运营，就是运用大数据的手段对业务进行运营，帮助企业通过数字化转型提升自身业绩的过程。数据化运营的过程需要经历数据治理、数据整合、数据分析、数据展现等几个过程。在这个过程中，最终要达到的目标则是：企业可以通过对人货场中的数据进行指标分析，进行其趋势的探究、数据的对比和下钻细分，将客户分群进行精准营销。

通过指标的整理形成数据化运营大屏，使用恰当的图表展示对数据进行监控。

如何进行数据化运营

1、报表

对数据进行运营，少不了报表的参与，一般企业要进行数据的监控与复盘，则需要日报、月报等相应的报表。对于新零售行业，建议对数据进行日度、周度、月度的分析，因为零售行业的规律是每周的变化，一般是周末会较平时更为火爆。

• 日报
  

对于日报，一般是早晨发，用以总结前一天的会员运营情况。主要统计昨日公众号、微博等自媒体渠道新增粉丝数量、注册会员数量、会员消费情况等数据。如图（本文图中均为模拟数据）：

微信公众平台和微博均有相应API接口可以调用数据，对于CRM与POS系统也有会员数据与会员消费情况数据，二者数据相结合，得到会员的转化情况，加之各地会员的消费情况查看全国（或某区域）的消费活跃情况，对于BI系统，该数据是可以点击相应省份进行下钻分析，找出有问题的省份，并且可以对不同省份进行数据对比，对于转化率较低的省份，需要加强营销策略，有区别的进行营销。另外可以查看消费的会员加入的年费，可以看到客户黏性是否需要进一步加强。然后，再进一步分析不同属性客户的数据：

从男女分布可以看出，店铺以男性顾客为主，且男性的购买力相对于女性要强，但是有很大一部分男性客户客单价较低，此时要考虑对于该部分男性会员予以组合购买、发放优惠券等优惠政策，以提升该部分客单价。

上图中，我们发现会员客单价最小值是负数。在实际的数据分析中，这样的事情是正常的，下面就让我们进一步探究前一天的客单情况：

对于客单分析先分析不同的年龄段，分析公司产品对不同年龄段的人吸引力，也可以及时调整产品设计或者供货商渠道，保障公司品牌的针对性，把握客户需求趋势。

当然，刚刚提到的消费为负数的也要列出来，这些负值有可能是因为退款导致，这些是要重点关注的。除了异常的负值，消费top10的会员也要关注，这些top10的会员一般超过客单价很多，需要对其消费订单进行盘查，若是高频低额消费，则很有可能是店员恶意刷积分兑换礼品，这种数据提交到营运部门，查询监控便可得知。

• 周报
  

对于日报而言是每天的总结，是每日的数据变化。由于零售行业和周的影响很大，所以可以进行周报的分析。周度分析一般在每周一进行，每周一同时要分析

对于周报而言，可以将日报的数据进行趋势分析，如上图销售额在周六周日有明显上升，但转化率却下降，说明周末人流量大，应当适当采取吸粉及会员注册活动。平均回购率可以进行监控，看是否是正常水平。购物篮系数反应了商品的连带情况，4.88说明平均每个小票/购物篮中有4.88样商品。可以根据不同品类或商品进行购物篮分析，使用高连带的产品进行促销活动，提升商品连带，增加销售额。

• 月报
  

由于月度数据的数据量相对较大，因而可以分析的内容也会多一些，且月报是对一个月的业绩总结，企业也会每个月进行月度的经营分析，因而月报相对来说更加重要。

一般最为关注的便是本月的销售额和来店人数情况，查看每一个月的来店消费人数情况，查看每个月的变化。然后，拿出一个月的每天数据再进行分析，从上图中总体情况可以看出，14号、15号的客单价猛然上升，但当天并没有人数的明显上升，这时便可以使用BI工具进行下钻到当天会员消费情况，查看会员客单价上升的原因，询问当天是否有什么会员活动，若有活动或相应动作，说明该种促销方式可以提高会员客单价，可以在下次节假日活动中进行。除了上述的数据外，还要关注消费时段，从上图中看出晚上下班后是消费高峰期。

上面是整个月的情况，那本月的数据还可以按照周度的维度进行分析：

前面看的是整体的状况，接下来看会员的状况，将会员与普通顾客的情况进行比较，上面的前两张图通过双Y联合图，将两个维度的客户拉到同一个坐标高度，可以明显看出会员的消费变化。会员第四周的周日销售额出现异常，需要进一步查找原因。通过第二张图发现当天会员的消费人数下降，是造成整个销售额下降的根本原因，此时需结合当天是否有相应的促销活动与会员身份消费冲突来判断，若有相应的促销活动，下次应当相应的规则规避。

2、数据模型

对于数据模型，这里算是老生常谈，常用的数据模型有RFM，AARRR，帕累托分析等等，这其中在不同的场合要有不同的应用。下面简单介绍几个常用摸模型：

• RFM模型
  

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。其是通过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。

注：图片来自百度百科

通常，我们要画一个RFM矩阵来辅助我们对实际的客户运营工作，对于不同形态的矩阵表现，要进行相应的应对措施。同时RFM矩阵也可以提取相应的数据进行A/B测试，以便确认如何进行下一步运营。

一般的企业都会有大量的沉睡客户，也就是矩阵的左下角数据会比较大，此时应当对该部分用户做出相应的措施。当然，对于不同细分行业，RFM的区间划分应当不同，如房产和汽车等，R>360是很正常的现象，而对于日常消费品，这种则属于沉睡客户。

• AARRR模型
  

互联网AARRR分别代表了五个单词，分别是产品生命周期中的五个阶段：

• 获取（Acquisition）：获取用户，用户下载产品
• 激活（Activation）：用户第一次使用产品
• 留存（Retention）：用户回到产品，再次使用
• 收入（Revenue）：产品（通过用户）赚钱
• 传播（Refer）：用户告诉其他用户
  

类比的线下AARRR模型可以描述如下：

• 意识（Awareness）：顾客是否听说过品牌？是否有关注品牌（公众号、微博等）？
• 激活（Activation）：顾客购买体验
• 复购（Repurchase）：顾客是否还会再次购买该品牌
• 售后（Repair）：产品出现问题的售后情况
• 传播（Refer）：顾客告诉其他顾客
  

线下的AARRR模型和线上的AARRR模型略有不同：

STEP1：线上的是通过各种引流的方式进行获取（Acquisition）用户，进而使用。而线下的更多的是通过听说或者了解这个品牌后，有了这样的意识（Awareness），进而进入店铺，进行第一次购物体验；

STEP2：第二个步骤基本相同，都是第一次发生接触，线上是对产品的第一次使用，而线下则是从第一次购物体验开始的。但是对于线上产品来说，第一次使用不见得消费，而且互联网产品大部分都是以免费来获取流量的，这也是线上线下的本质不同。

STEP3：对于第三步，都是通过第一次接触，再次产生接触，不同的是线上产品此次仍旧可能是未进行消费，而对于线下零售业而言，这便是复购了。相比之下，这个转化率可能会有区别，一般情况复购率会低于互联网产品的留存率。但提高这个过程转化率的方法均是提醒顾客曾经使用产品或来过店里消费。

STEP4：对于这个R，互联网线上产品此处是真正的产生消费，而对于线下而言，此步骤在第二步就完成了，但是对于线下门店而言，其中的一个步骤也是不可或缺的，那便是售后（Repair）。售后服务也是客户购物体验重要的组成部分。当然，对于线上而言，这个步骤的转化是越高越好；对于线下零售而言，这个步骤的转化越低越好；

STEP5：对于最后一步，二者是统一的，均是对品牌产品的口碑营销。

注：图片来自互联网

对于线下企业来说最重要的是前两步的转化，因为前两步均是消费转化的过程，而对于线上来说第四步决定着产品的存亡。下面针对线下企业转化模型的促进进行分析：

意识阶段：

品牌通过硬广和软广对公众宣导企业形象，通过长时间的塑造品牌形象，使品牌产品或品牌自身在公众印象中根深蒂固，如凉茶——>王老吉，避孕套——>杜蕾斯等等。

激活阶段：

此步骤对于线下企业来说，多数是来源于线下，线下企业一般是通过线下购买引流到线上商城或天猫、京东等店铺。较少是从线上引流到线下。其主要原因是线下企业的营销宣传也多是线下为主，更多的是对于店面和商品的直观体验，然后进行激活，产生首次购买。

复购阶段：

此处的复购可能是针对同一品牌的不同产品进行第二次购买，是消费者与品牌的第二次接触。若此处的转化率不高，或下降，则需要审视产品的质量问题和产品生命周期情况，查看各个产品的复购周期，进而有针对性的提高产品优势，再有针对性的进行营销。

对于复购阶段，也有相对特殊的行业，如汽车行业。很多人或家庭，一辈子仅买一辆车。因而难以产生复购可言，但是这种企业仍可以进行其后市场进行服务，作为对消费者品牌的营销，进而促进最后分享环节的转化。

售后阶段：

售后往往是在运营过程中被忽视的一个阶段，而售后也是对品牌的一种宣导。有一些品牌可能质量不好，但售后服务非常棒，消费者可能会因为售后的原因而进行下一步的分享转化。但若产品质量极好，就很少有售后，其实也是减少了与消费者的互动。

此处的售后，不仅仅是包含商品质量问题的反馈，还有在服务方面的反馈。如今微信公众号、淘宝旺旺、京东售后都有很多机器人、真人客服，而这种反馈的文字是可以进行文本挖掘，挖掘出消费者反馈的信息的。

传播阶段：

对于线下企业，传播推荐其实比线上更为重要，因为这种推荐往往是即时性的，在购物时直接看到推荐，会比线上推荐促进成交快的多。但是这种传播又是难以跟踪的，需要一定线上线下结合的手段进行跟踪。

总之，对于AARRR模型，线上线下均可以应用，但是应用范围可能会有所不同，应用的方法也应该有所区分。

• 帕累托分析
  

帕累托分析是通过一个双Y联合图来分析各个区间的客户情况，通过帕累托分析可以很明显的反应二八原则，如图则是帕累托分析：

一般在做这样的分析的时候，往往是在做活动的时候，为了控制营销成本，确定ROI。要选取一定百分比的客户，此时用帕累托分析最为好用。

总结

新零售的数据化运营，不仅仅是简单的上一套系统，分析分析数据，更重要的是持之以恒的对数据进行监控，不断的运营数据，"养"数据，让数据变得更加漂亮。

作者简介

张文迪，国内知名BI软件公司行业数字化解决方案专家，工信部认证高级数据分析师。熟悉大数据BI产品架构，在零售、供应链方面具有丰富的数据产品落地经验，参与BI大数据系统建设与企业指标体系建设项目。中国科技核心期刊论文作者，曾在零售行业应用购物篮模型和Apriori算法落地、设计零售行业异常会员用户筛选机制、建立零售行业及其供应链企业的标签指标体系、建立物流项目的配送中心测算模型等。