数据分析：用CRM实现数据式管理

数据分析：

用CRM实现数据式管理在大数据时代，CRM逐渐被电商企业认同并成为其营销的重要工具。CRM在客户营销和管理上有着无法比拟的优势，它借助大数据的发展潮流，让数据的智能分析成为可能。因此，CRM无疑是一种有效的营销工具，它能帮助电商企业做出准确的客户数据分析，提升数据分析的水平，帮助电商企业提升销售业绩。目录contents01CRM数据分析02RFM模型解析及运用案例导入运用客户数据驱动品牌营销薇诺娜是一个专注于为敏感肌肤研发产品的护肤品牌。

作为一个新兴护肤品牌，薇诺娜发展迅猛，成为2020年“双十一”唯一一个进入“天猫美妆”Top10的国产品牌。薇诺娜能够获得如此令人瞩目的成绩，离不开品牌数据运营思维的支持。薇诺娜在成立之初就创建了数据部门，建立了自己的数据库，通过分析数据背后的规律来了解客户特征，如客户的经济水平、感兴趣的内容等，以根据客户需求研发产品。除了自己创建数据部门，薇诺娜还会使用第三方数据分析工具来构建客户画像。依据数据分析，薇诺娜精准选择广告投放媒介，对客户实施精准营销。在线上，在数据分析的支持下，薇诺娜通过多种渠道沉淀私域流量。完成私域客户流量沉淀后，薇诺娜会对客户进行分层运营。在品牌运营中，薇诺娜运用数据分析，为有不同兴趣、消费习惯的客户提供不同的产品信息获取渠道，向客户展示符合其需求的产品，很好地满足了客户个性化的需求，实现了精准营销。薇诺娜Part/

01CRM数据分析CRM数据分析是指用适当的方法对收集的大量数据进行详细研究和概括总结，提取有用信息并形成结论的过程。数据是商业活动的基础，也是商业活动的结果。电商企业在与客户建立关系的过程中产生的大量数据，为电商企业今后的成功运营和赢得市场提供了有价值的参考依据。9.1.1CRM数据分析的必要性01整体把握客户及其需求02预测机制03与外部数据集成04实现一对一营销05促进交叉销售06将数据转化为信息07发现最有价值的客户9.1.2CRM数据分析指标统计口径释义成交订单客户下单并成功付款的订单未成交订单客户下单却未付款的订单关闭订单下单后客户/商家主动关闭，或因超过支付时间被系统自动关闭的订单有效成交订单有效购买商品（非购买赠品、支付邮费或补差价）的订单无效订单非购买商品，而是购买赠品、支付邮费或补差价的订单有效购买客户一天内的一笔或多笔有效成交的订单成交客户产生过成交订单的客户有效客户产生过有效成交订单的客户潜在客户产生过未成交订单、关闭订单或无效订单的客户新客户一定时间内，有效客户中产生过1次有效购买的客户回头客（重复购买客户）在店铺内产生过2次（或多于2次）有效购买的客户老客户一定时间内，有效客户中产生过有效购买的客户CRM常用的数据分析指标的统计口径9.1.2CRM数据分析指标CRM数据分析指标释义客户消费

行为指标客单价在一定时间内，每位客户消费的平均金额最近一次消费客户最近一次购买的时间购买次数客户在一定时间内产生的有效成交订单的数量购买金额一定时间内，客户产生的所有有效成交订单的有效购买金额累计购买次数客户产生的所有有效购买的次数1次回购周期客户的第二次有效购买与第一次有效购买的时间间隔（以“天”为单位计算）N

次回购周期客户的第N+1次有效购买与第N

次有效购买的时间间隔（以“天”为单位计算）客户回购周期客户重复购买的平均时间间隔，即采用“交易按天合并”的算法，计算客户每次重复购买与上一次购买的时间间隔商品购买

指标商品新客户对某款商品产生过1次有效购买的客户商品回头客对某款商品产生过2次及以上有效购买的客户CRM数据分析指标CRM数据分析指标释义商品购买

指标商品重复购买率商品重复购买率有2种计算方法：一种是所有购买过商品的客户，以每个人为独立单位重复购买产品的次数，例如有10个客户购买了商品，其中5个产生了重复购买，则重复购买率为50%；另一种是单位时间内重复购买的总次数占比，例如10个客户购买了商品，有3个产生二次购买，这3个客户中的1个客户又产生了三次购买，则重复购买次数为4次，重复购买率为40%商品1次回购周期客户第二次有效购买某商品与第一次购买该款商品的时间间隔（以“天”为单位计算）商品N

次回购周期客户第N+1次有效购买某商品与第N

次有效购买该款商品的时间间隔（以“天”为单位计算）商品平均回购周期所有重复购买某商品的客户回购周期的平均值商品购买

指标品类新客户对某品类商品产生过1次有效购买的客户品类回头客对某品类商品产生过2次（或2次以上）有效购买的客户品类1次回购周期客户第二次购买某品类商品与第一次购买该品类商品的时间间隔（以“天”为单位计算）品类N

次回购周期客户第N+1次购买某品类商品与第N

次购买该品类商品的时间间隔（以“天”为单位计算）店铺购买

指标店铺重复购买率以一定时间内店铺内产生的所有有效成交订单计算，店铺重复购买率=重复购买的客户数/（重复购买的客户数+新客户数）有效客户比例产生有效购买的客户数在店铺总客户数中的占比9.1.2CRM数据分析指标回头客回头客是指在店铺的购买次数大于1次的客户，本身不受时间的限制。交易按天合并回头客交易不合并一个客户一天内产生的多笔订单算作一次购买，客户仍然计算为新客户一个客户一天内产生的多笔订单算作多次购买，客户计算为回头客判断回头客的标准采用“交易按天合并”的算法得出的回头客的数量比采用“交易不合并”的算法得出的回头客的数量要少，但是更准确，因此一般推荐商家使用“交易按天合并”的算法来计算回头客。客户昵称购买时间订单金额香蕉2020年5月6日65.5元香蕉2021年1月25日100.5元香蕉2021年4月3日95元雪人2020年6月7日65.45元雪人2020年12月8日97.65元雪人2021年1月5日155.45元诺诺2019年8月12日131.95元诺诺2019年12月24日211.55元诺诺2020年10月6日56.7元诺诺2020年12月4日29.9元诺诺2021年3月13日45.8元追风少年2020年6月5日36.9元小章2021年1月4日139元小章2021年1月4日21元小胖2020年12月9日148.68元某店铺的客户订单记录9.1.2CRM数据分析指标重复购买率重复购买率是指客户对某店铺、品牌、商品或服务的重复购买比例。常见的计算重复购买率的方式有两种：01以客户为对象的重复购买率的计算在一定的时间范围内，重复购买率=重复购买的客户数/购买客户数×100%同样的公式，如果去掉了时间范围的限制就变成了计算历史重复购买率，分子就变成了回头客，即：历史重复购买率=回头客/所有客户×100%02以订单为对象的重复购买率的计算在一定的时间范围内，重复购买率=重复购买的订单数/订单总数×100%9.1.2CRM数据分析指标客户回购周期客户回购周期是指客户重复购买的平均时间间隔，即采用“交易按天合并”的算法，计算客户每次重复购买与上一次购买的时间间隔。如果每个客户有N次购买记录，意味着客户会有N-1个回购周期，取N-1个回购周期的平均值，就可以得到这个客户的客户回购周期，而店铺的平均回购周期就是所有回头客的客户回购周期的平均值。客户昵称购买时间订单金额客户回购周期阿平2019年7月3日26.5元/阿平2019年11月11日102.65元131天阿平2020年8月1日45.65元264天草莓2020年4月16日85.9元/草莓2020年10月18日121.5元185天草莓2020年11月1日132元14天草莓2021年3月5日211.54元124天草莓2021年4月21日156元47天Lucky2020年11月11日39.9元/Lucky2020年11月22日125.3元11天Lucky2020年12月24日56.8元32天某店铺的客户订单记录9.1.2CRM数据分析指标商品回购周期商品回购周期是指客户重复购买同一件商品的平均时间间隔。对于有不同容量（规格）SKU的商品，商品回购周期应该按照SKU分开计算。商品回购周期区别于客户回购周期，需要根据购买商品的件数计算。商品回购周期=（第N+1次购买时间-第N次购买时间）/第N次购买的件数客户昵称商品购买时间购买件数阿平B2020年11月4日1阿平B2021年2月13日2阿平B2021年4月5日1草莓A2020年8月16日2草莓A2020年11月18日2草莓A2020年12月8日2草莓A2021年2月5日2草莓A2021年4月19日1LuckyC2020年5月11日1LuckyC2020年10月22日1LuckyC2020年11月24日1某店铺的部分客户订单记录9.1.3CRM数据分析的思维方式●对比思维没有对比就没有优劣。单独看一个数据并不能得到多少有效信息，将其与另一个数据进行比较更容易得到有用的信息。时间拍下

总金额拍下付款

总金额成交

总金额成交

会员数拍下

订单数拍下付款

订单数拍下

支付率2021年9月13日¥5915¥3288¥328826255.59%2021年9月12日¥4701¥437¥43781289.30%某店铺交易信息记录●拆分思维当一些数据在某个维度可以被进行对比时，分析人员可以选择用对比的方式对数据进行分析。如果对比后需要找到导致数据出现的原因，就需要用到拆分思维，将一些数据拆分为更“细”的数据。拆分之后的数据相对于拆分前会清晰许多，便于分析和查找细节。9.1.3CRM数据分析的思维方式●降维思维为了降低数据分析的复杂度，在进行数据分析时，分析人员只要从中筛选出代表维度，对与这些维度有关联的指标进行分析即可。当一个维度的数据可以通过其他两个维度的数据计算转化时，就可以“降维”。时间拍下

总金额拍下付款

总金额成交

总金额成交

会员数拍下

订单数拍下付款

订单数拍下

支付率2021年9月13日¥5915¥3288¥328826255.59%2021年9月12日¥4701¥437¥43781289.30%某店铺交易信息记录●增维思维“增维”和“降维”是相对的，有降必有增。如果在当前的维度不能很好地解释数据，分析人员就可以增加一个维度的指标。●假设思维当尚未得出结果或有几种选择时，我们可以使用假设思维，先假设有了结果，然后倒推。9.1.4CRM数据分析的分析方法●同比/环比分析同比在一般情况下是将今年第N月与去年第N月的情况相比较。同比发展速度主要是为了消除季节变动的影响，用于说明本期发展水平与去年同期发展水平对比而达到的相对发展速度。环比是报告期水平与前一时期水平的对比，表明现象逐期的发展速度。●趋势分析趋势分析法又称比较分析法、水平分析法，它是通过对财务报表中各类相关数字资料进行统计，将两期或多期连续的相同指标或比率进行定基对比和环比，得出它们的增减变动方向、数额和幅度，以揭示企业财务状况、经营情况和现金流量变化趋势的一种分析方法。定基动态比率即用某一时期的数值作为固定基期数值，将其他的各期数值与其对比来进行分析，其计算公式为：定基动态比率=分析期数值÷固定基期数值环比动态比率是以每一分析期的前期数值为基期数值而计算得出的动态比率，其计算公式为：环比动态比率=分析期数值÷前期数值9.1.4CRM数据分析的分析方法●抽样调查抽样调查是一种非全面调查，它是从全部调查研究对象中抽选一部分单位进行调查，并据此对全部调查研究对象做出估计和推断的一种调查方法。在抽样调查中，抽样的方法有以下几种：简单随机抽样：也称为单纯随机抽样，是指从总体N个单位中任意抽取n个单位作为样本，使每个可能的样本被抽中的概率相等的一种抽样方法。分层抽样：又称分类抽样或类型抽样，它根据某些特定的特征，将总体分为同质、不相互重叠的若干层，再从各层中独立抽取样本，是一种不等概率抽样。整群抽样：指先将总体中各单位归并成若干个互不交叉、互不重复的集合，称为群（如按需求分群、按消费风格分群），然后以群为抽样单位抽取样本的一种抽样方法。等距抽样：也称系统抽样或机械抽样，它是指先将总体中各单位按一定的顺序排列，根据样本容量要求确定抽选间隔，然后随机确定起点，每隔一定的间隔抽取一个单位。多阶段抽样：也称多级抽样，是指在抽取样本时，分为两个及两个以上的阶段从总体中抽取样本。双重抽样：又称二重抽样、复式抽样，是指在抽样时分两次抽取样本。9.1.4CRM数据分析的分析方法●相关性分析相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量元素的相关程度。变量元素之间需要存在一定的联系才可以用于相关性分析。输入数据单击“插入函数”按钮选择“CORREL”函数设置“Array1”的数据范围设置“Array2”的数据范围得出计算结果9.1.4CRM数据分析的分析方法●A/B测试A/B测试，是专门用来进行效果对比、为营销提供决策支持的数据分析方法。A/B测试的核心是确定两个版本（A和B）哪一个更好，在测试时需要同时试验两个版本，最后从中选择较好的版本。操作步骤具体操作方法第一步选择A、B对比组可以采用抽样调查的方法，从所有客户中随机筛选出两个不重复的样本A和B，例如从10万个“睡眠客户”中随机抽取1000个客户并分为A、B两组，每组500个客户第二步A、B两组同步执行不同方案对A、B两组客户分别执行不同的测试方案，为了更好地区分不同方案的实施效果，两种测试方案在设计时应该坚持“大部分内容相同，小部分内容存在差异”的原则，例如测试不同主题邮件的打开率，两个测试邮件只需要保证主题不同第三步对比执行结果对A、B两组客户分别发送不同主题的邮件之后，观察并分析两组客户的邮件打开率，观察哪组客户的邮件打开率更高。邮件打开率越高，说明邮件的主题设计得越好，越容易吸引客户打开邮件A/B测试的操作步骤Part/

02RFM模型解析及运用在CRM的众多分析模式中，RFM模型是被经常提到的。RFM模型是衡量客户价值和客户赢利能力的重要工具和手段，该模型通过一个客户的近期购买行为、购买的总体频率及花了多少钱3项指标来描述该客户的价值状况。9.2.1RFM模型解析R、F、M概念解析（Recency）RR是指最近一次消费，即客户最近一次交易时间和现在的间隔。R值越大，表示客户交易发生的时间越久远，反之则表示客户交易发生的时间越近。（Frequency）FF是指消费频率，即客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。（Monetary）MM是指消费金额，即客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。9.2.1RFM模型解析R、F、M指标数据解析及分析●R提取的数据是一个时间点，需要由当前时间点即最近一次消费时间点来作为该度量的参考值。无论是以小时还是以天为单位，都要注意单位的统一。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，即根据店铺销售的商品差异，确定合适的时间跨度。确定时间跨度之后就可以提取相应时间区间内的数据。●F将客户的消费次数作为计算对象，使用Excel中的COUNT函数即可得出。●M将每位客户所有的消费金额相加（用Excel中的SUM函数）可得。9.2.1RFM模型解析R、F、M指标数据解析及分析获取3个指标的数据以后，需要计算每个指标的数据的均值，分别以AVG(R)、AVG(F)、AVG(M)来表示。通过将每位客户的3个指标与均值进行比较，我们可以将客户细分为8类。RFM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RFM客户类型划分注：“↑”表示大于均值，“↓”表示小于均值。9.2.1RFM模型解析R、F、M指标数据解析及分析RFM模型包括3个指标，无法用平面坐标系来展示，但可以使用三维坐标系进行展示，X轴表示R，Y轴表示F，Z轴表示M，坐标系的8个象限分别表示8类用户。RFM客户价值象限分类9.2.2RFM模型的价值01降低营销成本02管理客户生命周期03促进新客户的再次转化04提高高价值客户的留存率9.2.3运用RFM模型开展客户细分单维度RFM指标客户细分RFM模型的3个指标可以单独作为客户细分维度。商家可以根据R值按客户所处的生命周期阶段对其进行分组，可以根据F值按客户忠诚度对客户进行分组，也可以根据M值按客户贡献价值对客户进行分组。客户组别R值范围/（天/小时）客户类型1R＜

30活跃客户230≤R＜

90沉默客户390≤R＜

180长期沉默客户4180≤R＜

270睡眠客户5270≤R＜

360深度睡眠客户6360≤R＜

540预流失客户7540≤R＜

720流失客户8R≥720死亡客户根据R值分组9.2.3运用RFM模型开展客户细分单维度RFM指标客户细分RFM模型的3个指标可以单独作为客户细分维度。商家可以根据R值按客户所处的生命周期阶段对其进行分组，可以根据F值按客户忠诚度对客户进行分组，也可以根据M值按客户贡献价值对客户进行分组。客户组别F值范围/次客户类型1F=1新客户2F=2回头客3F=3成熟客户4F=4黏性客户5F=5粉丝客户6F＞5忠诚客户根据F值分组9.2.3运用RFM模型开展客户细分单维度RFM指标客户细分RFM模型的3个指标可以单独作为客户细分维度。商家可以根据R值按客户所处的生命周期阶段对其进行分组，可以根据F值按客户忠诚度对客户进行分组，也可以根据M值按客户贡献价值对客户进行分组。客户组别M值范围/元客户类型1M＜

100低贡献客户2100≤M＜

200中低贡献客户3200≤M＜

500中等贡献客户4500≤M＜

2000中高贡献客户5M≥2000高贡献客户根据客户M值分组9.2.3运用RFM模型开展客户细分单维度RFM指标客户细分按照单个RFM指标对客户进行分组，不同的店铺设置的分组的数量和分组的标准有所不同。01根据实际业务需要设计分组的数量对于客户基数较大的店铺来说，划分的客户组别要多一些，对于客户基数较小的店铺来说，客户组别可以少一些；对于CRM成熟的店铺来说，划分的客户组别要多一些，对于CRM处于起步阶段的店铺来说，划分的客户组别可以少一些。02根据客户行为特征设计分组的标准不同类目的商品，其重复购买周期有所不同，所以生命周期的划分标准也有所不同。因此，在设置分组的标准时，商家应该结合自己的实际情况。9.2.3运用RFM模型开展客户细分多维度RFM指标客户细分随着商家的CRM的深入，单维度RFM指标客户细分往往无法满足精准营销的需要，这时商家就需要使用两个以上的RFM维度来进行客户细分。中大型商家经常使用F值、R值的组合划分出具有明确生命周期与忠诚度特征的客户组别。F值、M值的组合适用于高客单价、高重复购买率的店铺进行客户分组。客户组别F值范围/次R值范围/（天/小时）客户类型1F=1R＜

90活跃新客户290≤R＜

180沉默新客户3R≥180流失新客户4F=2R＜

90活跃回头客590≤R＜

180沉默回头客6R≥180流失回头客7F＞

2R＜

90活跃忠诚客户890≤R＜

180沉默忠诚客户9R≥180流失忠诚客户使用F值和R值的划分组别9.2.3运用RFM模型开展客户细分多维度RFM指标客户细分随着商家的CRM的深入，单维度RFM指标客户细分往往无法满足精准营销的需要，这时商家就需要使用两个以上的RFM维度来进行客户细分。中大型商家经常使用F值、R值的组合划分出具有明确生命周期与忠诚度特征的客户组别。F值、M值的组合适用于高客单价、高重复购买率的店铺进行客户分组。客户组别F值范围/次M值范围/元客户类型1F=1M＜

100低价值新客户2100≤M＜

200中价值新客户3M≥200高价值新客户4F=2M＜

200低价值回头客5200≤M＜

500中价值回头客6M≥500高价值回头客7F＞

2M＜

1000低价值忠诚客户81000≤M＜

2000中价值忠诚客户9M≥2000高价值忠诚客户使用F值和M值的划分组别9.2.4基于RFM模型的营销策略的制订RFM模型客户细分首先对客户数据进行处理，处理步骤如下图所示。然后根据R值、F值、M值的得分情况进行整合，得到8种组合，即2-2-2、2-1-1、2-1-2、2-2-1、1-1-2、1-2-1、1-2-2、1-1-1，其中2-2-2为最好的客户（活跃客户），1-1-1为商家要放弃的客户；2-1-1为商家可能需要重点突破的客户，1-1-2为商家要重点维护的客户。其余4种组合（2-2-1、1-2-2、2-1-2、1-2-1）均属于一般客户。从所有客户中随机抽取20名，其数据分析结果如下表所示。客户IDR值得分F值得分M值得分RFM得分12222-2-221121-1-231121-1-241111-1-152222-2-261111-1-120名客户的数据分析结果客户IDR值得分F值得分M值得分RFM得分71211-2-182122-1-292222-2-2101211-2-1112112-1-1122212-2-1132222-2-2141111-1-1151121-1-2162112-1-1171221-2-2181111-1-1192112-1-1201121-1-2最后根据分析结果进行RFM整合，可以得出活跃客户、重点维护客户、重点突破客户、一般客户和流失放弃客户。客户细分结果如下表所示。客户类型活跃客户（2-2-2）重点突破客户（2-1-1）重点维护客户（1-1-2）流失放弃客户（1-1-1）一般客户（2-2-1、1-2-2、2-1-2、1-2-1）客户ID1、5、9、1311、16、192、3、15、204、6、14、187、8、10、12、17客户细分结果9.2.4基于RFM模型的营销策略的制订制订营销策略客户类型特征营销策略活跃客户活跃客户是潜在价值和当前价值都很高的客户，是店铺的核心客户，这类客户的特征是与店铺之间的关系非常持久、稳定实施战略联盟策略，与客户形成战略伙伴关系。商家在制订经营战略时，要时刻把活跃客户考虑在内，要关注活跃客户的价值、利益实施客户专案管理策略。成立专门的客户专案小组，处理并管理活跃客户在交易中发生的问题，为这些客户及时提供符合其要求的商品或优质的服务建立优良的客户数据库系统，加强客户文化研究实施客户信息保密策略，维