我们以前讲过新零售的人货场重构,旨在基于大数据环境,使用AI等现代化技术赋能企业管理和决策。那么对于大数据来说,智能或是专业的分析是必不可少的。很多企业已经开始使用DataFocus、Tableau等大数据分析工具对企业大数据进行分析和洞察,以提供最精准的数据结论或可视化视图来辅助决策。那么对于很多TO C企业来说,客户数据是企业大数据的重要组成部分,对于客户数据的利用效率关乎整个企业的运营成果。我们以前介绍过需要让客户数据“动起来”,同样的,基于客户数据分析我们更可以做到培养新老客。

首先我们需要明白,为什么需要培养新老客户,因为新老客特征不同,适合的培养策略不同。同样的,根据一些合作商家的客户数据分析显示,只购买过一次的客户占比高达71%-80%,2次的占14.27%-18.3%,剩下的是3次以上的客户数据,10次以上的客户会比3-9次的客户占比略高,占1.57%-3.4%。所以,针对不同的数据我们需要有不同的定义策略。除了我们以前介绍过的生命周期等各类定义策略,还可以基于购买数据分析来定义。

我们可以按一下方式先进行数据上的分类,或者说贴上标签。

  1. 数据显示购买一次,时间较近:对店铺印象深刻,对服务和产品余温较强,适合趁热培养,加深粘性,可以及时成功1转2。定义为活跃新客。
  2. 数据显示购买一次,时间较远:对店铺印象淡忘,服务和产品冷却,需要更大的成本才能激活,适合逐步唤醒,提高1转2。定义为沉睡新客。
  3. 数据显示购买多次,时间较近:对店铺印象深刻,活跃度高,保持基本服务,高频优质活动通知,长期培养,提升2转n。定义为活跃老客。
  4. 数据显示购买多次,时间较远:印象淡忘,曾经忠诚信任,某种原因而流失,找出根源,对症下药,逐步唤醒。定义为沉睡老客。

注意,这里的时间和我们以前介绍过的RFM模型中的R是一个类型,指最后购买时间。

标签: , , ,
版权声明:除非注明,否则均为DataFocus企业大数据分析系统 原创文章,转载请以链接形式标明本文地址。否则将追究法律责任。
转载请注明来源:https://www.datafocus.ai/26396.html
上一篇:
下一篇: