会员分层和顾客忠诚度分析

会员分层：方法一：当用户在电子商务网站上有了购买行为之后，就从潜在客户变成了网站的价值客户。电子商务网站一般都会将用户的交易信息，包括购买时间、购买商品、购买数量、支付金额等信息保存在自己的数据库里面，所以对于这些用户，我们可以基于网站的运营数据对他们的交易行为进行分析，以估计每位用户的价值，及针对每位用户的扩展营销（LeadGeneration）的可能性。评价用户价值的指标对于评价指标的选择这里遵循3个原则：指标可量化：没办法，要做定量分析，这个是最基本的前提；尽可能全面：根据底层数据选择尽可能多的可以获取的指标，这样能够从多角度进行分析和评价；线性独立：即指标间尽量保持不相关。比如如果选择用户的购买次数和总消费额，那么一定是购买次数越多的用户总消费额越高，也就是导致了评价维度上的重合，而选择购买次数和平均每次交易额可以避免这种相关性产生的弊端。根据以上几个原则选取了以下几个指标（同样根据网站的特征选取合适的统计时间段）：最近购买时间：用户最近一次购买距当前的天数；购买频率：用户在这段时间内购买的次数；平均每次交易额：用户在这段时间内的消费总额/购买的次数；单次最高交易额：用户在这段时间内购买的单词最高支付金额；购买商品种类：用户在这段时间内购买的商品种类或商品大类。用户评价模型的展示一样的，也可以用雷达图进行展示，同样也使用离差标准化的方法对每个指标进行消除度量单位的10分制评分。下面是一个雷达图的示例：

通过这个雷达图，我们可以读到比用户忠诚度更多的信息。图中的上面3个指标——最近购买时间、购买频率和购买商品种类可以用来评价用户的忠诚度，而下面的2个指标——平均每次交易额和单词最高交易额可以用来衡量用户的消费能力。如上图，用户1虽然购买频率和购买的广度不高，但其消费的能力较强，而用户2是频繁购买用户，对网站有一定的忠诚度，但其消费能力一般。所以图形的上半部分面积较大的用户拥有较高的忠诚度，而下半部分面积较大的用户具有更高的消费能力。这两类用户都是网站的有价值客户，但由于其类型的不同，在营销策略上可以分开对待。用户交易行为分析的意义发现网站的高价值客户（VIP），为客户关系管理（CRM）及保持有价值客户提供支持；发掘网站的可发展用户，对于一些新客户或潜力客户进行针对性营销；及时发现可能流失的客户，及时采取有效措施；根据用户交易行为细分客户群，实施有针对性的营销策略。实战这个是我根据我们某业务用户特征做的分类：

方法都很简单，基于业务的指标构建→数据提取→指标标准化离散→聚类→结果分析，分层效果还是很清晰，最后分析后把每一层聚类的标准固化就实现实时分层的应用方法二：根据美国数据库营销研究所ArthurHughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：

最近一次消费（Recency）消费频率（Frequency）消费金额（Monetary）RFM分析原多用于传统营销、零售业等领域，适用于拥有多种消费品或快速消费品的行业，只要任何有数据记录的消费都可以被用于分析。那么对于电子商务网站来说，网站数据库中记录的详细的交易信息，同样可以运用RFM分析模型进行数据分析，尤其对于那些已经建立起客户关系管理(CRM)系统的网站来说，其分析的结果将更具意义。基本概念解释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。RFM分析模型主要由三个指标组成，下面对这三个指标的定义和作用做下简单解释：最近一次消费(Recency)最近一次消费意指用户上一次购买的时间，理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。因为最近一次消费指标定义的是一个时间段，并且与当前时间相关，因此是一直在变动的。最近一次消费对营销来说是一个重要指标，涉及吸引客户，保持客户，并赢得客户的忠诚度。消费频率(Frequency)消费频率是顾客在一定时间段内的消费次数。最常购买的消费者，忠诚度也就最高，增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyaltyladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想像成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。消费金额(Monetary)消费金额是对电子商务网站产能的最直接的衡量指标，也可以验证“帕雷托法则”(Pareto’sLaw)——公司80％的收入来自20％的顾客。数据获取与分析在从数据库中提取相关数据之前，首先需要确定数据的时间跨度，根据网站销售的物品的差异，确定合适的时间跨度。如果经营的是快速消费品，如日用品，可以确定时间跨度为一个季度或者一个月；如果销售的产品更替的时间相对久些，如电子产品，可以确定时间跨度为一年、半年或者一个季度。在确定时间跨度之后就可以提取相应时间区间内的数据，其中：最近一次消费(Recency)，取出来的数据是一个时间点，需要由当前时间点-最近一次消费时间点来作为该度量的值，注意单位的选择和统一，无论以小时、天为单位；消费频率(Frequency)，这个指标可以直接在数据库中COUNT用户的消费次数得到；消费金额(Monetary)，可以将每位客户的所有消费的金额相加(SUM)求得。获取三个指标的数据以后，需要计算每个指标数据的均值，分别以AVG(R)、AVG(F)、AVG(M)来表示，最后通过将每位客户的三个指标与均值进行比较，可以将客户细分为8类：

Recency

FrequencyMonetary客户类型↑↑↑重要价值客户↑↓↑重要发展客户↓↑↑重要保持客户↓↓↑重要挽留客户↑↑↓一般价值客户↑↓↓一般发展客户↓↑↓一般保持客户↓↓↓一般挽留客户——“↑”表示大于均值，“↓”表示小于均值结果的展示FM模型包括三个指标，无法用平面坐标图来展示，所以这里使用三维坐标系进行展示，一种X轴表示Recency，Y轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户，根据上表中的分类，可以用如下图形进行描述：

用户忠诚度分析的意义那么基于这个展示的结果我们能做些什么呢？其实对于任何网站而言，有两个方向是一致的：保留忠诚用户，减少流失用户。基于上面的用户忠诚度评价体系扩展开来就是：1.分析忠诚用户的行为特征，努力满足他们的需求，提高他们的满意度；2.从最近访问时间的指标数据机用户忠诚度变化趋势中发现一些可能正在流失的用户，分析他们流失的可能原因，并试图挽留流失用户；3.比较忠诚用户和流失用户在指标数值上的差异，寻找哪些指标的差距导致了用户忠诚