对CRM产品设计学习的一些总结(起点学院)

2019-10-06 本文已影响0人 DancingBUG

一. CRM介绍

toB的CRM--Vtiger：

toC的CRM--数云：

1.1 CRM的会员关系

二. CRM的会员定义

2.1 多层级多归属的会员体系

平台会员体系：

对于一个平台上的会员，根据其最原始的关联来源，其可能隶属于门店、品牌商、服务商、平台等，也可能同时隶属于几个所属对象。站在平台的角度，要真正驱动会员价值，会员信息需要跨层级跨归属的互通，因此需要搭建多层级多归属的会员体系。

多层级多归属的会员体系需要同时要满足平台、服务商、品牌、门店等经营主体对其会员从上至下的隶属管理和各经营主体的独立区隔管理。

门店ID：每个门店队该门店用户的主键标示；

品牌ID：品牌对其所属多／跨门店用户的唯一主键标示；

服务商ID：服务商对其所属多／跨品牌用户或对品牌所属的多／跨门店用户的唯一主键标示；

平台ID：平台对多／跨服务商的用户或服务商所属的多／跨品牌用户或对品牌所属的多／跨门店用户的唯一主键标示；

微信开放平台会员体系：

对于推出UnionID机制的原因，其官方的解释是：“经开发者反馈，由于同一公司下多个公众号之间需要用户帐号互通，微信开放平台提供了UnionID机制，来解决此问题。”比如部分大型连锁企业（多个经营主体的聚合体），旗下有成百上千的门店（独立经营主体），每家都有一个公众号，这些公众号之间的数据在此之前无法互通，现在有了UnionID（多层级多归属统一ID）机制就可以打通数据，让所有门店（独立经营主体）的用户共享一个UnionID，方便统一识别用户。

举个例子说：比如一家大企业下面有餐饮、娱乐、住宿、购物等分公司，每个分公司都有自己的公众号，当一个用户同时关注这4个公众号，原本这4个号之间无任何联系，在餐饮店消费得的积分、返现无法在其他店兑换或使用。自从有了UnionID，就可以打通这4个公众号。比如在餐饮店消费后返现到微信会员卡的金额，可以直接到相应娱乐、住宿、购物中心去消费，这种交叉营销的方式，大大增加了用户粘性和消费频率，可以说是肥水不流外人田。用户端也能在这四家店达到无缝连接，既方便又实惠！

开发者可通过OpenID来获取用户基本信息，而如果开发者拥有多个公众号，可使用以下办法通过UnionID机制来在多公众号之间进行用户帐号互通。只要是同一个微信开放平台帐号下的公众号，用户的UnionID是唯一的。换句话说，同一用户，对同一个微信开放平台帐号下的不同应用，UnionID是相同的。

同一用户用同一微信同时登陆PC网站、移动应用、公众号，这三方的数据就可统一储存，用户无论在哪一端进行操作，三大终端平台都会统一修改结果，这将极大方便了对同一用户的数据管理和行为统计。

综上所述，一个完善的多／跨层级多／跨归属会员体系具备以下几个特点：

1. 任何粒度的经营主体都能对其所属的会员进行独立管理；

2. 经营主体能够对其所隶属的经营主体会员进行聚合管理；

3. 平台方需要对平台中的多层级的经营主体会员进行跨归属的聚合管理；

4. 一个用户通过多个经营主体的终端进入，在平台进行统一标示识别；

5. 多层级多归属的会员体系，能够统一管理平台用户信息，让精准营销更接地气。

2.2 会员信息管理

2.3 会员等级和权益

2.4 会员价值称量体系

2.5 会员积分体系

2.6 会员来源和转化路径

三. CRM会员管理

3.1 获客管理

3.2 会员对象管理

把会员当做对象进行管理，包括基础的增删改查，和高级的标签，等级，积分等。

对单个会员的详情管理：

3.3 会员生命周期管理

每个用户都有4个大周期：考察期，成长期，成熟期，衰退期

除了大周期，在每个周期内都有针对用户特征的聚类组：

针对周期设计精准营销：

3.4 会员标签

会员标签：指对用户的某一类属性（统计学人口属性）或行为统计（打开、点击、填写、领取、收藏、交易等）进行的描述定义（这是本人对标签的理解，非哪个官方的定义）。通常的句式为：if 用户满足属性／行为统计，then 标记为“标签”。

标签可以理解为用户聚类，具有相同特征的用户可以聚类为一个标签内，同一个用户也可能具有多种特征，也就可能打上多种标签。

标签管理：会员标签管理的规划设计，从对象管理出发，将标签视为一个对象进行管理。

对标签管理的功能设计除了通用对象管理的增删改查，还需要考虑了对标签进行触发打标时的条件管理，标签的使用情况进行统计展示。

标签创建：标签只有一个名称字段内容的填写（需要能够识别重复内容），其创建的入口除了在标签管理页面中有外，在会员管理页、会员详情页也设计了多个快速标签创建入口（请往下看，存量会员数据打标中详细阐述）

标签查询：对所有不同来源的标签进行统一搜索入口聚合查找

标签删除：删除标签，对应原有标签用户身上的标签属性同步删除

标签修改：修改标签名称，对应原有标签用户身上的标签属性同步修改

使用统计：count 每一次标签的使用记录，显示的是当前附有该标签的所有人数

设置自动打标：请往下看，对增量会员的自动打标中有详细阐述。

增量自动标签：

增量可以理解为：当用户触发了XX规则

自动打标规则的设置，需要创建／指定标签，并对其赋予打标签时需要触发的规则条件进行配置。

规则创建后，具体的应用，需要结合相应的触发场景进行应用生效，规则条件包括历史数据统计和“未来活动条件”，过滤器将在下一篇拓展学习材料《由Axure页面管理联想到的NoSQL的过滤器》进行阐述。

在当前多渠道多终端的社交化移动互联环境下，用户跟平台产品接触的触点越来越多，会员字段不断丰富扩充，用标签对会员进行属性描述标示，较传统的会员分级管理更有灵活有效，更利于后续的会员画像和精准营销。

存量手动标签：

基本句式：if 目标用户／用户群符合条件“XX”，then 对其手动打标签为“XX”。

对满足条件的存量群体用户手动打标签，需要筛选查找到目标用户，然后赋予其标签。

筛选查找：筛选查找到目标用户，具体怎么，请往下看，会员条件筛选中有详细阐述。

对选中的目标群体用户打标签，标签引用可是从存量标签中进行选择，也可以直接创建标签（上图中的“标签名称”下拉框，兼具存量标签搜索查找和文本录入保存入库功能）

目标会员条件筛选查找：理想状态大而全的做法是可以对用户的全字段的留存信息进行直接记录查找或间接的转化统计查找，但从用户体验和产品实现难度上考虑，产品对此是有所平衡把握的。

对满足条件的存量个体用户手动打标签，查看某个特定用户详细信息，对其有过全面描述把握后，对其进行打标签描述概括其属性。

3.5 过滤器和触发器

触发器：

过滤器：

一个过滤器由名称、描述、过滤条件组成，其核心在过滤条件。

过滤条件，是由多个条件／条件组根据需要进行组合配置的结果，其功能主要有：

条件／条件组的增加、修改、删除，创建时的查找（见下图，过滤条件增加）；

条件／条件组间的关系维护，两两条件／条件组间的关系and／or的选择；

条件／条件组基于另一条件组的升降级的嵌套关系维护（考虑到开发实现，产品实现前期不用考虑）

具体对过滤器中条件／条件组的设置，条件是对单个条件的设置，条件组是对两个及以上的条件进行同时条件设置及其两两之间关系设置。

条件／条件组中的条件是基于数据仓库中的用户留存数据，其数据主要概括为：

基础属性：人口统计学角度的用户描述信息，通常源于用户注册及营销活动；

行为记录：用户与在平台产品中发生的交易、关注、分享等留痕数据；

触点信息：用户通过不同的渠道与产品发生信息流转的接触点；

四. 会员分析

4.1 会员全局分析

dashboard报表首页展示：

会员基本特征：

会员消费行为分析：

会员业务转化分析：

会员细分：

自定义分组：

帕累托分析：

会员冷热评估模型：

4.2 会员细分

RMF模型：衡量客户价值的模型

R--最近消费时间 | F--消费频率 | M--消费金额

k-means聚类：

决策树：

聚类的组特征描述：

多维度用户价值称量的会员等级设置：

1.会员等级设置

公司定位是平台，会员管理系统要满足不同业态不同品牌商对其线上线下会员管理的同时，也要符合平台对全品牌会员的系统管理诉求。在会员等级管理时，对会员价值的称量上采用了比较灵活的多维度动态指标综合加权的成长值（在当前市场所见到的CRM产品中没有见到过，该指标完全由自己定义）。通过最终唯一的成长值指标对会员进行价值称量分级。

2.等级成长值设置

会员成长值是根据不同的成长策略进行量化赋分，并按照不同的权重进行综合加权得出的总值。其综合考虑到了会员与品牌的消费交易行为、和品牌的参与互动行为数据，在此基础上，对电商会员分组管理中常用的RFM模型进行了会员价值动态称量。将此作为一个动态成长值指标加入综合成长值计算。

品牌商可以根据其运营需要对会员成长值进行灵活配置，三个指标会员可以任意选择，可以不启用某些指标。

成长值=RFM权重*RFM会员成长值+消费激励权重*消费激励会员成长值+活跃权重*会员活跃成长值（RFM权重+消费激励权重+活跃权重=100%）

RFM模型策略中，RFM对某特定的会员具有时效性的，其消费行为是动态的，对应RFM会员成长值是动态的。同一个会员在不同时间，其所处的RFM得分不同；

消费激励策略中，成长值是正向增长的，会员产生一次消费行为，激励一次，成长值累加一次；

会员活跃策略中，成长值也是正向增长的，会员参与一次品牌的互动活动，赢取相应的成长值。

3. RMF模型成长值配置

RFM模型，熟悉电商数据分析的同学都很清楚，该模型是用来进行用户分组的，通过对用户在R（Recency，最近一次消费）F（Frequency，消费频率）M（Monetary，消费金额）三方面的指标（在此不做详细解释，不熟悉的同学请参照以上图片释义）表现进行聚类，然后对聚类分组进行定性描述的。

如图示：

我们做了5个组距的划分，对应产生5*5*5=125种RFM聚类属性。给RFM三个指标不同的组距赋予不同的成长值，对应的125种RFM聚类产生125中成长值组合。品牌商可以根据业务需要对组距可以进行自定义增减，组距为n，对应产生n*n*n中RFM聚类属性。

如：一个用户在某个时间段内的RFM聚类属性为：近30天内，消费9次，总计消费10000元；其对应的成长值为100+300+200=600；

后来该用户因故没有再次来平台消费，过了一年后再次统计，该用户的RFM聚类属性为：超过360天，消费0次，总计消费0元，其对应的成长值-100+0+30=-70

将此纳入综合成长值，其为一个负向因子，可能会影响会员等级的下调。

4.消费激励策略成长值配置

消费激励策略，对会员的消费行为进行成长值量化。除了对消费金额进行成长值量化外，还会员的消费金额进行分级对待，突出单次消费贡献度。

考虑品牌运营实际需要，将充值作为用户的一种特殊消费行为，对会员的充值力度进行成长量化，某种程度上反应了会员对品牌的认可和忠诚度。

消费激励策略，其成长值的是会员消费行为的单向累计的统计，只有增加，没有减少。

如，某用户某日第一次消费100元，增加成长值100，其总消费成长值为100；1月后，来充值100元，增加成长值10，其总成长值为110；

4. 会员活跃策略成长值配置

会员活跃策略，通过会员与品牌商的互动行为（签到、分享、评价、领卡等）进行量化，互动一次，增加一次相应的成长值，反应了会员对品牌的好感度和兴趣度。

会员活跃策略，其成长值的是会员与品牌互动行为的单向累计的统计，只有增加，没有减少。

如：某日某用户，首次领卡成为会员，获得成长值10；对品牌进行了评价，获得成长值10；而且还进行了一次品牌签到，获得成长值5，其累积成长值为25；一周后，该会员再次评价了该品牌，获得成长值10，其累积成长值为35。

PS：事实上用户对品牌的好感度和兴趣度随着时间的变化应该也是变化的，应该也要考虑行为的时间间隔，相应的成长值应该有增加，也有减少。如关注，取消关注；领卡，取消卡等

以上对会员价值多维度指标的综合成长值，虽然尚有不足之处，但能够一定程度反应用户对品牌的忠诚度、贡献度、活跃度，能够体现用户对品牌的价值。

4.3 用户画像

用户画像是基于数据分析后对会员进行聚类分组的定性，是对会员从多个维度展开的更立体更全面的标签化描述。

会员画像本质也是会员分析的一种分析呈现方法。会员分析的目的就是为了清楚的描述展现会员的特征属性，更好地理解把握会员是我们做分析的终极目标。“标签”可以认为是自然语言的一部分，是一个简单精炼的归纳表现形式。在实际业务中，大家都在广泛的应用这一类基于标签的画像方法，即会员画像。基于会员画像的标签方法归纳起来，就是给用户贴一系列的标签，而“标签”是能表示用户某一特征属性的标识。

会员画像是建立在一系列属性数据之上的目标用户模型。会员画像的基础信息应该是对会员描述的全量信息，通常可以分为机器很容易解析的结构化信息和机器很难理解需要结合知识库才能够理解的非结构化信息，这些信息最后以饱含深意的标签的形式表现出来。

结构化信息：可以理解成在数据库中结构化存放的信息，归结起来包括会员的基础信息，行为信息，已经分析总结后的特征信息。会员的这些信息要基于时间和空间维度来谈才有意义，脱离了时间，空间的数据是无意义的。

比如“有钱人”这个标签，100年前的有钱人和现在的有钱人绝不是一个概念，至少有钱程度差异很大了；即使同一时间的当下的1万/月的高薪，在一线城市和三四线城市，在不同的国家，肯定都意味不同的。因此用户画像应该是多维度的立体的描述体系。

非结构化信息：非结构化信息，就是一些零碎的，人类自然语言描述等，目前机器还不能有效的准确的理解人类的自然语言，因为我们的自然语言很多时候是有歧义的，需要通过上下文才能理解的，而机器需要结合庞大知识库的转译才能够理解的非结化信息。

比如一些人类生活总结出来的概念、行为、习惯等知识的结合就能解读出额外的信息。比会员信息中缺失的性别，会员信息中没有性别，但我们可以结合一些业务描述语境来判断，通常姓名中带有女字旁，与花名相关的会员，我们可以认为其为女性。又比如用户访问过的网站，经常访问一些美妆或女性服饰类网站，是女性的可能性就高；访问体育军事类网站，是男性的可能性就高。还有用户上网的时间段，经常深夜上网的用户男性的可能性就高。把这些特征加入到知识分类器进行训练，也能提高一定的数据覆盖率。当然这些知识也要限定在一定的时间空间下，不同的时间空间的知识解读出来的信息完全是不一样的。

要想让机器能够理解这些知识：

第一个是要有足够大的规模，必须覆盖足够多的样本，足够多的概念；

第二个是语义要足够丰富，当说到各种各样的关系的时候，机器必须都能够理解；

第三个就是数据质量要足够精良，能够按照一定的规则被聚类被归纳；

第四个就是结构必须足够友好需要借鉴语义和背景知识来给我们力量。

会员画像归根结底就是对会员属性分析结果的描述呈现，终究只是概括性的归纳描述。因此，我们不可能通过会员画像对会员做到全方位全面的描述，这里的全面只能是相对的。细细纠结下，会员画像本身也是有其自身缺陷的。

首先，会员画像从某种程度讲上还是不完整的。

导致这个问题可能有两个原因，第一个原因就是任何画像的来源数据都是有一定偏差的，一般描述的都是用户画像的某一方面，很难有一个非常完整的画像。还有一个非常重要的原因就是隐私，大家都是有选择性的提供个人信息，会回避不愿谈及自己的，但是很多时候可能了解用户不愿谈及的这个方面的内容对于我们做产品，做服务又是非常重要的。基于这两个原因，我们对用户的理解就是一个碎片式的，很难召回完整的目标客户。

其次，会员画像还有一个问题就是不正确性。

也就是说，我们对用户画像的理解很多时候是错误的，这导致会出现错误的服务应用。导致不正确性的原因有很多，人类社会是在向前发展，知识也在不断的演变。因此，供机器学习的知识库永远也不会有完整全面的时候，总有机器还无法理解知识，就会做出不够精准正确的描述。

综上，我们理解的会员画像，通常只是基于存量的历史数据，通过数据分析模型，对会员数据从属性特征在时间、空间内尽可能地描述归纳。因数据分析统计分析有其局限性，基于此的会员画像也不可能做到真正意义上的全面完整。因此，我们只能做到尽可能的全面无死角的会员画像。