根據使用者自註冊為會員後,距今的時間段內訂單量的變化判斷使用者的生命週期階段。此標籤有助於判斷**使用者的流失情況,而且對於不同的階段,應該採取不同的營銷策略。
劃分標準如下:
1---考察階段:最近30天註冊未下單使用者;
2---形成階段-未復購-1:.最早一次銷售日期》=系統日期-30天,且最早一次銷售日期=最近一次銷售日期;(最近30天完成了第一次購買,但是還沒有再次購買)
3---形成階段-未復購-2:系統日期-90天<=最早一次銷售日期《系統日期-30天,且最早一次銷售日期=最近一次銷售日期 ;(最近30-90天完成了第一次購買,但是還沒有再次購買)
4---形成階段-未復購-3:系統日期-180天<=最早一次銷售日期《系統日期-90天,且最早一次銷售日期=最近一次銷售日期;(最近90-180天完成了第一次購買,但是還沒有再次購買)
5---適應階段-已復購-1:最早一次銷售日期不超過180天,且最近一次銷售日期》=系統日期-30天,且最早銷售日期《最近銷售日期;(最近180天完成了第一次購買,且最近30天還有新的購買)
6---適應階段-已復購-2:最早一次銷售日期不超過180天,且系統日期-90天<=最近一次銷售日期《系統日期-30天,且最早銷售日期《最近銷售;(最近180天完成了第一次購買,且最近30-90天還有新的購買)
7---適應階段-已復購-3:最早一次銷售日期不超過180天,且系統日期-180天<=最近一次銷售日期《系統日期-90天,且最早銷售日期《最近銷售日期;(最近180天完成了第一次購買,且最近90-180天還有新的購買
8---成長階段-1:最早一次銷售日期超過180天,且最近一次銷售日期》=系統日期-30天,且最近乙個月的訂單量》6個月平均訂單量+0.2;
9---成長階段-2:最早一次銷售日期超過180天,且系統日期-90天<=最近一次銷售日期《系統日期-30天,且最近三個月的平均訂單量》最近6個月的平均訂單量+0.2;
10---穩定階段-1:最早一次銷售日期超過180天,且最近一次銷售日期》=系統日期-30天,且最近6個月的平均訂單量-0.2<=最近1個月的訂單量<=最近6個月的平均訂單量+0.2;
11---穩定階段-2:最早一次銷售日期超過180天,且系統日期-90天<=最近一次銷售日期《系統日期-30天,且最近6個月的平均訂單量-0.2<=最近3個月的平均訂單量<=最近6個月的平均訂單量+0.2;
12---衰退階段-1:最早一次銷售日期超過180天,且最近一次銷售日期》=系統日期-30天,且最近1個月的訂單量《最近6個月的平均訂單量-0.2;
13---衰退階段-2:最早一次銷售日期超過180天,且系統日期-90天<=最近一次銷售日期《系統日期-30天,且最近3個月的平均訂單量《最近6個月的平均訂單量-0.2;
14---沉睡階段:最早一次銷售日期超過180天,且最近一次銷售日期在系統日期之前的90天-180天之間;
15---準流失階段:最早一次銷售日期超過180天,且最近一次銷售日期在系統日期在系統日期180-365天之間;
16---流失階段:最早一次銷售日期在180天以上,且最近一次銷售日期在系統日期365天以上。
對處於不同生命週期的使用者,採取不同的營銷策略:
●潛在使用者-新人專區,採取措施減少使用者觀望時間,完成首單;
●形成階段&適應階段-客戶成長階段,採取相應措施優化使用者體驗,打好使用者購物基礎,如問卷調查,優惠讓利活動;
●成長&穩定-客戶維護階段,提高使用者粘性,比如優惠券營銷,京東服務推薦;
●衰退-客戶挽留階段,設定問卷調查,了解使用者需求。
●沉睡&流失-客戶喚醒階段
根據使用者購物、評價、曬單等情況,迭代相加後得出分數,資料使用最近一年的資料。這個指標非常重要,例如京東的京享值。
計算方法和指標選取範圍如下:
1)根據客戶統計如下14個指標進行計算得出:
總訂單金額 \ 大訂單金額 \ 跨一級品類數 \ 綜合毛利率 \ 商品折扣率 \ 平均訂單額(客單價)\ 訂單次數 \ 退貨訂單量 \ 拒收訂單量 \ 換貨訂單量 \ 登入天數 \ 曬單次數 \ 關注商品數量 \ 評價次數
2)對指標進行標準化後,乘以對應權重,加總求出使用者價值標準得分。
帕累託效應/二八定律:19世紀末20世紀初義大利經濟學家帕累託發現。他認為,在任何一組東西中,最重要的只佔其中一小部分,約20%,其餘80%儘管是多數,卻是次要的,因此又稱二八定律。使用者價值分組是在使用者價值標準得分的基礎上,按照整體資料分布和二八法則,將使用者進行分組。
具體操作:
1)在計算使用者價值標準得分的基礎上,去除極值並進行標準化
2)取分位數區間進行分組,具體如下:
「使用者價值標準得分」小於其50%分位數的記為「價值低」;
「使用者價值標準得分」位於50%分位數-80%分位數之間記為「價值中」;
「使用者價值標準得分」位於80%分位數-94%分位數之間記為「價值高」;
「使用者價值標準得分」高於其94%分位數的記為「非常高」。
該標籤可用於判斷使用者質量,根據使用者近一年訂單特徵對使用者忠誠度進行聚類(k-means),
主要有以下5個特徵:購物天數、優惠率、末單距今天數、購買sku單數、購買**品類數,其中:
2. 計算步驟:
距離的定義如下:距離得分=【(a.購物天數-b.購物天數)平方+(a.優惠率-b.優惠率)平方+(a.末單距今天數-b.末單距今天數)平方+(a.購買sku單數-b.購買sku單數)平方+(a.購買**品類數-b.購買**品類數)平方】開平方其中a代表某使用者的數值,b代表聚類中心的數值。
3.列舉值含義
• 高度-忠誠型:購物天數、購買sku單數、購買**品類數明顯偏高。
• 中度-忠誠型:購物天數、購買sku單數、購買**品類數較高。
• 近期-普通型:末單距今天數較近,其他三項指標(購物天數、購買sku單數、購買**品類數)均低於中度-忠誠型。
• 遠期-普通型:末單距今天數較遠,其他三項指標(購物天數、購買sku單數、購買**品類數)均低於近期-普通型。
• 近期-偶然型:末單距今天數較近,折扣率低。
• 近期-投機型:末單距今天數較近,折扣率高。
• 遠期-偶然型:末單距今天數較遠,折扣率低。
• 遠期-投機型:末單距今天數較遠,折扣率高。
活躍度型別為四位數「千位+百位+十位+個位」分別代表「7日活躍型別+30日活躍型別+90日活躍型別+180日活躍型別」。
標籤示例:1323,含義為7日活躍型別為「不活躍」,30日活躍型別為「活躍」,90日活躍型別為「一般活躍」,180日活躍型別為「活躍」。
數倉建設生命週期 數倉治理一場仗
分享資料大咖實踐經驗 網羅職場大佬成長秘籍 年年資料要治理,資料年年治不好 數倉治理的老大難,通常是跟著業務需求快跑,要不是資料零散在各個團隊,或者是大家的研發規範有不同,作為一項通過維度模型來約束規範的工種來講,模型 的治理難度,大於 架構 目前整個行業通常的模型治理方法,是規定一種建模規範,大家...
分享電商使用者生命週期價值知識
618購物節在即,剁手黨們已經迫不及待,大大小小的電商平台也開始早早策劃籌備活動。作為電商企業,如何才能在這波流量高峰中挖掘出屬於自己的節日紅利?首先,我們還得從電商使用者ltv 使用者生命週期價值 談起。在電商運營中,常常會聽到使用者生命週期價值。為什麼要了解使用者生命週期價值?使用者生命週期可以...
針對性運營幫助使用者生命週期價值公升級
使用者運營的本質在於同使用者進行有效的溝通。使用者處於不同生命週期的階段,相應的運營重點也不同,因此需要通過針對性的運營,幫助提公升各生命週期的使用者價值。華為分析服務的特性智慧型運營可以幫助運營人員實現 在恰當的時刻,給恰當的人,推送恰當的訊息 對使用者進行有效觸達。根據使用者的生命週期和運營目標...