一、会员数据化运营基本概述
会员数据化运营几乎是所有企业的必备运营工作，企业要生存必须要有会员(客户)，无论企业处于发展周期的哪个阶段、企业规模如何、企业性质如何都是如此。会员数据化运营辅助于客户关系管理（CRM），可以用来解决以下几方面问题：
- 会员的生命周期状态是什么？
- 会员的核心诉求是什么？
- 会员的转化习惯和路径是什么？
- 会员的价值如何？
- 如何扩大市场覆盖、获得 更多的新会员？
- 如何更好的维系老会员？
- 应该在什么时间、采取何种措施、针对哪些会员做哪些运营活动？
- 在特定运营目标下，应该如何制定会员管理策略（包括行为管理、体验管理、增值服务、信息管理、营销管理、客户关怀等）？
二、会员数据化运营关键指标
会员数据化运营的关键指标包括会员整体指标、营销指标、活跃度指标、价值度指标、终生价值指标和异动指标。
2.1 会员整体指标
1、注册会员数
注册会员数是指已经成为企业注册会员的数量。根据注册时间周期的不同，又可以细分为累计注册会员数、新增注册会员数等。。。
2、激活会员数
激活会员相对于注册会员有一个特定的激活动作，该动作往往决定了用户是否真的会成为企业会员。常见的代表性动作包含：点击确认链接、手机验证、身份验证等。
激活会员数是指已经注册的会员中有多少会员已经激活。根据激活时间周期的不同，又可以细分为累积激活会员数、新增激活会员数等。
激活会员数可以延申出相对转化率指标：会员激活率。即注册会员中完成激活的会员比例。
3、购买会员数
购买会员是真正给企业带来利润的群体。购买会员数指有过购买行为的会员数量（企业也可根据自身转化为其他要素，例如付费会员数）。根据购买时间周期的不同，又可以细分累计购买会员数和新增购买会员数。
购买会员数可以延申出相对转化率指标：
- 注册-购买转化率：从注册到购买的会员转化比例
- 激活购买转化率：从激活到购买的会员转化比例
2.2 会员营销指标
1、可营销会员数
可营销会员数是指整体会员中可通过一定方式进行会员营销以满足企业特定需求的会员数。会员可营销的方式包括：手机号、邮箱、QQ号、微信等具有可识别并可接触的信息点，具备这些信息中的任何一种便形成可营销会员。
2、营销费用
会员营销费用一般包括营销媒介费用、优惠券费用和积分兑换费用3中。
（1）营销媒介费用
营销媒介费用是特定营销媒介而产生的费用，例如短信费用、会员渠道推广费用、电子邮件费用等。
（2）优惠券费用
优惠券根据不同的使用条件和金额可以划分成多种，如30元红券，50元店铺券等。
（3）积分兑换费用
大部分网站都有会员积分系统，会员积分通常可以兑换成金额使用。
3、营销收入
会员营销收入是通过会员营销渠道和会员相关运营活动产生的收入，包括电子邮件、短信、会员通知线下二维特定会员优惠码等。
4、用券会员、金额、订单比例
会员营销时大多数情况下都会使用优惠券，这不仅是促销销售的一种方式，也是识别不同会员订单来源的重要途径。用券指标包含以下几种：
- 用券会员比例：使用优惠券下单的会员占总下单会员的比例
- 用券金额比例：使用优惠券下单的订单金额占总下单金额的比例
- 用券的订单比例：使用优惠券下单量占总下单量的比例
5、营销费率
营销费率是会员营销费用占营销收入的比例。营销费率分析的目的是监控营销费用的支出情况，确保其不超出计划指标。
6、每注册、订单、会员收入
监控会员营销的单位收入是评估收益效率的重要指标，包括以下指标：
- 每注册收入：每个注册用户带来多少收入
- 每订单收入：每个订单带来多少收入
- 每会员收入: 每个会员带来多少收入
7、每注册、订单、会员成本
单位成本的考量是精细化业务动作的关键指标。包含以下几种：
- 每注册成本：每获得一个注册用户需要多少成本
- 每订单成本：每获得一个订单需要多少成本
- 每会员成本： 每获得一个会员需要多少成本
2.3 会员活跃度指标
1、整体会员活跃度
整体会员活跃度用来评价当前所有会员的活跃情况，通常以会员动作或关键指标作为会员是否活跃的标识（如是否登录）。
2、每日、每周、每月活跃用户数
活跃用户中活跃的定义在不同公司有不同的方法。活跃根据活跃周期的不同可以定义如下：
- 每日活跃用户（daily active users daily,DAU）：每天活跃的用户数量
- 每周活跃用户（weekly active users daily,WAU）：每周活跃的用户数量
- 每月活跃用户（monthly active users daily,MAU）： 每月活跃的用户数量
2.4 会员价值度指标
1、会员价值分群
会员价值分群是以用户价值为出发点，通过特定模型或方法将会员分为几个群体或层级。会员价值分群并不是一个真正的指标，而是给用户打标签，该标签用来显示用户的状态，层次和价值区分等。
2、复购率
复购率是一定周期内购买2次或2次以上的会员比例。
3、消费频次
消费频次跟复购有关，二者都是重复消费指标。消费频次是将用户的消费频率，按照次数做统计，统计结果是在一定周期内消费了不同次数，例如2次，3-5次等。该指标可以有效分析用户对于企业的消费粘性。
4、最近一次购买时间
最近一次购买时间也可以作为会员消费价值粘性的评估因素。如果会员距离上次的购买或消费时间过长，那么意味着用户可能处于沉默或将要流失甚至已经流失的阶段，此时应该采取措施挽回用户。
5、最近一次购买金额
该指标和最近一次购买时间类似，衡量的是用户最近一次购买或消费时的订单，该金额越大说明用户最近一次的消费能力越高。
2.5 会员终生价值指标
1、会员生命周期价值、订单量、平均订单价值
会员生命周期指标是从用户成为企业会员开始到现在的总数据统计值，该指标与任何时间周期无关，衡量的是用户完整生命周期内的价值。包括以下几种：
- 会员生命周期价值（customer lifetime value,CLV）：用户整个生命周期内下单金额总和。
- 会员生命周期订单量：用户整个生命周期内下单量总和。
- 会员生命周期平均订单价值： 会员整个生命周期内下单金额/下单量。
2、会员生命周期转化率
会员生命周期转化率指会员在完整生命周期内完成的订单和到达网站、企业、门店的次数比例，该指标衡量了用户是否剧有较高的转化率。
3、会员生命周期剩余价值
会员生命周期剩余价值是一类预测性指标，用来预测用户在其生命周期内还能产生多少价值。该指标可以细分出很多相关指标，例如：
- 预期未来30天的会员转化率
- 预期生命周期剩余订单价值
- 预期7天内的下单数量
- 预计下一个订单的订单金额
- 下一次购买的商品名称
这种预测性的指标通常会基于特定的算法和模型做训练，然后预测未来的数据。其中回归和分类是主要预测性应用方法，在某些情况下也可以使用关联算法。
2.6 会员异动指标
1、会员流失率
会员流失率指会员不再购买或消费企业相关业务、商品和服务，会员流失率指流失的会员数量与全部会员数量的比例。需要从两个方面重点关注该指标：
- 会员流失率的数值：正常情况下会员流失率应该是一个比较小的比例。
- 会员流失率的走向：尽管会员流失不可避免，但我们仍然希望流失用户的比例越小越好，因此需要关注流失率的走向。比较好的状态是流失率处于平稳或下降状态，如果出现流失率上升的情况则需要引起警惕。
2、会员异动比
会员异动比指新增会员与流失会员之间的比例关系。即 会员异动比 = 新增购买会员/流失会员
如果会员异动比等于1，说明企业在一定周期内新增会员与流失会员数相等；如果大于1，说明新增会员多于流失会员，这是良好的发展状态；如果小于1，说明会员增长不如流失快，企业面临会员枯竭的危机。
三、会员数据化运营应用场景
3.1 会员营销
数据化运营应用于会员营销主要体现在以下几个方面：
- 以信息的方式建立基于会员的客户关系管理系统，促进所有会员数据的信息化。
- 通过特定方法将普通用户拓展为企业会员，并提高新会员留存率
- 基于用户历史消费记录，挖掘出用户潜在消费需求及消费热点
- 基于历史数据，为会员营销活动提供策略指导和建议，促进精准营销活动的开展
- 从会员营销结果中找寻异常订单转化，作为识别黄牛或vip客户的参考
- 挖掘会员传播关系，找到口碑传播效应的关键节点
3.2 会员关怀
数据化运营应用于会员关怀主要体现在以下几个方面：
- 为预警事件设置阈值，自动触发应急处理机制。
- 分析会员的行为，为会员提供个性化、精准化和差异化服务。
- 通过会员的喜好分析，提高客户的忠诚度、活跃度和粘性。
- 通过会员分析，预防会员流失，并找到挽回已经流失会员的方法。
- 基于会员群体行为，更好地划分会员群体属性并挖掘群体性特征。
- 基于群体用户和内容相似度，发现有价值地会员互动方式。
- 基于会员生命周期地关怀管理，促进用户终生价值最大化。
四、会员数据化运营分析模型
4.1 会员细分模型
会员细分模型是将整体会员划分为不同地细分群体或类别，然后基于细分群体做管理、营销和关怀。会员细分模型常用于整体会员的宏观性分析及探索性分析，通过细分建立初步认知，为下一步的分析和应用提供基本认知。会员细分也是做精准营销的基本前提。常用的细分模型包括：基于属性的方法、ABC分类法、聚类法等。
1、基于属性的方法
会员细分可以基于现有会员属性，常用的细分属性包括：会员地域（北京，上海等）、产品类别（大家电，3C数码等）、会员类别（例如大客户、普通客户、VIP等）、会员性别、会员消费等级（例如高价值会员、中价值会员等）等。这种细分方法可以直接利用现有会员数据库数据，无须做二次开发和计算，是一种比较简单且粗浅的方法。
2、ABC分类法
ABC分类法（Activity Based Classification）是根据事物的主要特征做分类排列，从而实现区别对待、区别管理的一种方法。它强调的是分清主次，并将管理对象划分为A、B、C三类。在ABC分析法中，先将目标数据列倒序排序，然后做累积百分比统计，最后将得到的累积百分比按照下面的比值划分为ABC三类：
- A类因素：发生累计频率为0%~80%，是主要影响因素。
- B类因素：发生累计频率为80%~90%，是次要影响因素。
- C类因素：发生累计频率为90%~100%，是一般影响因素。
3、聚类法
使用聚类法做会员细分是常用的非监督方法，该方法无须任何先验经验，只需要指定要划分的群体数量即可。
4.2 会员活跃度模型
会员活跃度用来评估用户的活跃情况，是会员状态分析的基本模型之一。一种方法是加权统计的方法，另一种活跃度模型是RFE模型。
RFE模型基于用户的普通行为（非转化或交易行为）产生，它与RFM类似，都是使用3个维度做价值评估。RFE模型是根据会员最近一次访问时间R(recency)、访问频率F（Frequency）和页面互动度E（Engagements）计算得出的RFE得分。
- 最近一次访问时间R：会员最近一次访问或者到达网站的时间。
- 访问频率F：用户在特定时间周期内访问或到达的频率。
- 页面互动度E：互动的定义可以根据不同企业的交互情况而定，例如可以定义为页面浏览量、下载量、视频播放次数等。
在得到用户的RFE得分之后，与RFM类似，也可以有两种应用思路：
思路1：基于3个维度值做用户群体划分和解读，对用户的活跃度做分析。例如RFE得分为313分的会员说明其访问频率低，但是每次访问的交互都非常不错，此时重点要做用户回访频率的提升，例如通过活动邀请、精准广告投放、会员活动推荐等活动提升回访频率。
思路2：基于RFE的汇总得分评估所有会员的活跃度价值，并可以做活跃度排名。同时，该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析建模提供基础。
4.3 会员价值度模型
会员价值度用来评估用户的价值情况，是区分会员价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。常用的价值度模型是RFM。
RFM模型是根据会员最近一次购买时间R（Recency）、购买频率F（Frequency）、购买金额M（Monetary）计算RFM得分，通过着3个维度来评估客户的订单活跃价值，常用来做客户或价值区分。
在得到不同会员的RFM之后，根据产生的结果有两种应用思路：
思路1：基于3个维度值做用户群体划分和解读，对用户的价值度做分析
思路2：基于会员的RFM的汇总得分评估所有会员的价值度价值，并可以做价值度排名。同时，该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析和建模提供基础。
4.4 会员流失预测模型
会员流失预测模型是用来预测会员是否流失，是做会员生命周期管理的重要预防性应用。常见的属于流失的状态定义如下：
- 会员已经退订公司的促销活动。
- 会员已经连续6个月没有登录过网站。
- 针对会员发送的关怀迹里活动后没有得到任何有效的反馈和互动。
- 会员最近1年内没有任何订单。
会员流失预测预警模型的实现方法属于分类算法，常用的算法包括逻辑回归、支持向量积、随机森林等。
- 在做会员流失预警模型时，需要注意以下几个问题。
- 流失会员的样本分类一定是少数类，需要注意处理样本不均衡的问题。
- 对于流失会员的预测结果，得到概率性的输出可以结合流失预测标签一起应用，因为业务方可以基于概率，再结合业务经验做判断。
- 对于参与训练模型的维度变量的选择，一定要结合业务经验，因为业务方对于特定场景的判断是影响训练模型和应用结果的关键因素之一。
- 输入的维度变量中一定要包含发生转化前的行为数据。假如业务定义为最近6个月没有订单的客户为流失客户，那么在做预测模型时，需要将用户的匿名访问、登录、页面浏览、搜索、活动咨询等转化前的数据考虑在内，而不能只考虑订单转化本身。
- 会员流失预警模型不是一次性的，而是周期性监视和运行的，例如每天每周或至少是每月。
通过会员流失模型，得到每个会员是否属于流失标签后，可以将该结果给到会员运营人员，运营人员一般会根据业务经验做二次审查和确认，然后再通过会员挽回激励等机制，提升会员的忠诚度，延缓或防止会员流失。而关于如何挽回以及激励的问题，通常需要数据参与来帮助运营人员制定相应的策略，例如，在合适的时间以恰当的方式提供个性化的内容给特定会员。这些都需要数据的支持。
4.5 会员特征分析模型
会员特征分析模型是针对现有会员做特征分析。会员特征分析模型提供的结果可能是模糊的，也可能是明确的，例如：
- 明确的特征，这类特征模型提供了业务所要行动的细节要素，是一种具有极高落地价值的数据分析工作。
- 模糊的特征，它只有数据分析结果，未提供详细的动作因素，仅仅指明了下一步行动方向和目标。
会员特征分析主要应用于以下两种业务场景：
第1种是在没有任何前期经验或特定目标下触发，希望通过整体特征分析了解会员全貌，在这种模式下可以通过一定方法先将用户划分为几个类别，然后再做基于类别的特征分析，常用的实现方法和应用包括以下两种。
- 聚类。通过聚类将用户划分为几个群组，然后再分析不同群组的典型特征和群组间的差异性。例如，公司的总体会员具有哪些特征？模型结果通过聚类方法将会员划分为三类，然后每个类别都有各自显著性特征，会员部门可根据不同类别做特定分析并指定群体性策略。
- 统计分析。先对整体用户做统计分析，包括描述性分析，频数分布等了解整体数据概括。
第2种是有明确的业务方向，希望找到能达到事件目标的会员特征，用于做进一步的会员运营，对于这类分析模型常用的实现方法和应用包括以下三种。
- 分类。利用分类规则，例如决策树，找到符合目标的关键变量及对应的变量值，进而确定会员特征。例如：收入大于5400元，最近购买时间是5个月之前，总订单金额在4300元以下的会员，最可能购买商品。
- 关联。使用关联规则，找到不同属性项目间的关联发生或序列发生关系，然后将会员的属性特征（频繁项集）提供给运营人员。例如：购买X商品的客户一般来自上海，购买频率为一周三次，客单价为100元以下。
- 异常检测。使用非监督式的异常检测方法，从一堆数据中找到异常数据样本，然后将这些数据样本特征提供给运营人员做进一步确认和审查。例如：异常客户的特征往往是，每次订单的商品数量超过4件，地域集中在江苏和浙江一般拥有超过三个以上的子账户。
会员特征分析模型输出的上述两类结果，第1类结果往往作为辅助性、启发性和提示性结果，用于为运营提供进一步业务动作的思考，这种一般开始于数据工作项目的开始或业务方对数据主题的先验经验不足的情况下。第2类结果则可以作为运营下一步动作的直接触点。
4.6 营销响应预测模型
营销响应预测模型是针对营销活动展开的，通常在做会员营销活动之前。通过营销响应预测模型分析，找到可能响应活动的会员特征及整体响应的用户比例数量和可能带来的销售额，这对于在会员营销之前的有关策略制定的辅助价值非常明显。
营销响应预测模型的实施一般采用分类算法。常用算法，包括逻辑回归、支持向量机、随机森林等，有关这些算法的具体选择问题，这里不再详细阐述。
在做营销响应模型之前，需要先收集训练所需要的数据集。
（1）从所有会员中随机选择一定量的会员样本，具体数量要根据企业实际情况而定，一般情况下至少需要有1000条数据以上，同时要兼顾总体会员数量，才能满足模型训练的需要。
（2）针对选择的会员样本，通过一定媒介和渠道发送营销活动信息，例如手机短信、电子邮件等。需要注意的是，一定要记录好营销活动发送的时间频率信息等关键运营要素，这些需要与后期的实施保持一致。
（3）收集营销活动数据，在收集数据时需要注意数据收集的周期。通常情况下，一般电子邮件的有效周期为1~7天，时间过短可能无法被用户看到；手机短信的有效期一般是1天，时间太长，用户一般会忽略。
经过上述步骤收集到分类所需的样本集之后，接着就需要通过分类模型做营销响应预测，这是典型的二分类问题。在做营销响应模型训练时，也需要注意在前面会员流失预测模型提到的问题，二者在很多方面都有共通性。
通过营销响应预测模型得到的结果一般包括以下两个方向。
基于模型找到最可能产生购买转化行为的会员规则特征，例如最近一次购买时间在三个月以内，会员等级为三级以上，总订单金额大于3000，订单量大于10的客户，通过这些条件直接从数据库中筛选对应的会员列表，并可以对该列表中的会员发送营销活动信息。
基于模型预测可能产生的订单转化数量、转化率（例如选择10000个客户，会有4000个客户产生转化）以及有转化客户的客单价（通过训练样本及选择有转化客户，然后用订单金额/会员量计算得到）大体计算出此次发送能得到的营销收入，这些信息可以作为此次营销活动计划提报的数据量化指标和资源申请的数据支持。
五、会员数据化运营分析小技巧
5.1 使用留存分析做新用户质量分析
用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为。留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为3类，以登录行为认定的留存为例。
（1）日留存
次日留存率：（当天新增的用户中，第二天还登录的用户数）/第1天新增总用户数
第3日留存率：(第1天新增用户中，第3天还有登录的用户数)/第1天新增总用户数
......
（2）周留存
以周度为单位的留存率，指的是每周相对于第1个月的新增用户中，仍然还有登录的用户数。
(3) 月留存
以月度为单位的留存率，指的是每个月相对于第1个月的新增用户中，仍然还有登录的用户数。
5.2 使用AARRR做APP用户生命周期分析
AARRR是acquisition activation retention revenue refer五个单词的缩写，分别对应用户生命周期的5个环节：获取用户，提高活跃度，提高留存率，获取收入，自传播。
（1）获取用户
获取用户的第一步，解决的是从哪里能带来更多的用户和会员的问题。该部分的数据评估维度一般包括两个层次：用户数量和用户质量。
（2）提高活跃度
提升活跃度是将用户引入后持续关注的问题。分析活跃度的数据评估维度包括每日、每周、每月用户活跃用户数3种。
（3）提高留存率
提升留存率意味着会有更多的客户沉淀下来。
（4）获取收入
获取收入是运营的根本目标，有关收入得数据支撑，一般会通过以下几个指标来做分析：
- 付费用户数/比例：产生收入得用户数及其占整体得比例；
- ARPU：平均每用户收入，衡量每个用户得付费能力。
- 新增付费用户：新产生得付费用户数。
- 付费转化周期：用户从免费到付费的转化时间，时间越短越好。
- 重复消费比例：具有2次及以上消费的用户比例。
- 消费金额在特定金额以上的客户：通常用来分析VIP客户或大客户，例如消费金额在10000以上。
- 消费分级：根据不同的消费数据做消费分级，用来整体划分会员群体。
（5）自传播
如果用户使用产品时体验良好，那么可能会产生传播效应，把产品推荐给其他朋友，亲戚等使用，
5.3 使用协同过滤算法为新会员分析推送个性化信息
使用基于用户的协同过滤算法的主要步骤如下：
（1）收集用户数据。一般情况下对会员数据的采集包括属性、行为等多个方面。
（2）会员相似度计算。以新会员为目标对象，计算其他所有会员与新会员的相似度，并获得相似度得分。关于相似度的算法有很多，其中基于几何距离的相似度算法有：欧式距离、曼哈顿距离、切比雪夫距离等。基于非几何距离的相似度算法：余弦距离、汉明距离等。
（3）将其他所有会员与目标新会员的相似性得分按倒序排序，得分最高者为最相似的会员。但实际情况下，我们会选择K个最相似的用户，使用类似于K近邻的方法。
（4）选择最相似的K个会员的目标推荐信息。在选择目标信息的过程中，对应不同会员的信息统计有多种方法，例如普通计数，加权汇总等。