如何用生命周期模型理解客户?

共 1950字,需浏览 4分钟

 ·

2021-05-25 19:15

你好,我是林骥。91cf10318b291e81a9a6b8f603626943.webp点击上方...设为星标

客户作为一个有生命的个体,有哪些特点?

今天介绍的第 019 号分析思维模型:客户生命周期模型,能帮我们更好地理解客户,从而有利于营销活动的策划和运营管理的决策。

1. 模型介绍

每个生命,都有一个从出生到死亡的过程。

客户生命周期,是指客户从第一次购买到最后一次购买间隔的时间。

结合以前介绍过的 RFM 分析模型,我们可以把客户生命周期分成不同的阶段。

因为行业和品类的特殊性,划分阶段的标准不是唯一的。你可以根据自己的实际情况,定义适合自己业务的标准。

为了方便理解,下面介绍一种划分方法,供你参考。

(1)新生客户(R < 360,F < 4)

其中 R 代表最近购买日期与指定日期的间隔天数,F 代表累计购买次数。

如果客户最近购买次数不多,例如 360 天内购买不超过 4 次,那么我们定义为新生客户。

(2)有效客户(R < 360,4 ≤ F < 7)

如果客户最近购买次数较多,例如 360 天内购买了 4 到 6 次,那么我们定义为有效客户。

(3)活跃客户(R < 360,7 ≤ F < 10)

如果客户最近购买了很多次,例如 360 天内购买了 7 到 9 次,那么我们定义为活跃客户。

(4)忠诚客户(R < 360,F ≥ 10)

如果客户最近购买次数非常多,例如 360 天内购买了 10 次或 10 次以上,那么我们定义为忠诚客户。

(5)休眠客户(360 ≤ R < 720)

如果客户很久没有来购买,例如在最近 360 天到 720 天内没有再购买,那么我们定义为休眠客户。

(6)流失客户(R ≥ 720 )

如果客户已经离开非常久,例如超过 720 天都没有再购买,那么我们定义为流失客户。

事实上,客户生命周期通常不是理想化的按顺序进行演变。

比如说,很多客户购买一次之后,就直接进入休眠甚至流失状态。

2. 应用举例

我们以 Tableau 自带的超市数据集为例,对客户生命周期进行数据可视化的分析。

(1)打开数据源

首先,用 Tableau 打开软件自带的【示例 - 超市】数据。

(2)创建计算字段

其次,创建几个相关的计算字段。

【R 间隔天数】

{FIXED [客户名称]:
DATEDIFF('day',MAX([订单日期]),DATE("2021-12-31"))}

【F 累计购买次数】

{FIXED [客户名称]: COUNTD([订单 Id])}

【L 生命周期】

{FIXED [客户名称]:
DATEDIFF('day',MIN([订单日期]),MAX([订单日期]))}

【C 客户分类】

IF [R 间隔天数] >= 720 THEN '6流失客户'
ELSEIF [R 间隔天数] >= 360 THEN '5休眠客户'
ELSEIF [F 累计购买次数] < 4 THEN '1新生客户'
ELSEIF [F 累计购买次数] < 7 THEN '2有效客户'
ELSEIF [F 累计购买次数] < 10 THEN '3活跃客户'
ELSE '4忠诚客户' END

为了简化判断条件,上面对生命周期的阶段顺序做了适当的调整。

(3)绘制分析图表

最后,在 Tableau 中通过拖拽和点击的方式,生成分析的图表,包括以下几个小的步骤:

a. 把【F 累计购买次数】拖至【行】,把【R 间隔天数】拖至【列】。

b. 把【客户名称】拖至【标记】的【详细信息】,把【C 客户分类】拖至【颜色】。

c. 把【L 生命周期】拖至【大小】,把图例拖到左边,以节约显示的空间,并在工具栏选择【整个视图】,稍微调整一下客户分类的颜色,得到结果如下。

60cdbec9f217f9d57ca63dcd0d5c4ba5.webp

从上图数据来看,忠诚客户的生命周期较长,流失客户的生命周期较短。

从下图也可以直观看出,忠诚客户比流失客户的生命周期明显长很多。

ed6f961ebfa36f5241e2612f389d8e58.webp

客户生命周期是动态的,你可以在任意时间点进行计算。

单独的一个数据没有什么意义,只有经过对比,才能知道数据代表的真实含义。

比如说,客户平均生命周期 823 天,与过去相比是否有进步?与同行相比是否更好?

最后的话

客户作为一个人,往往都具有多面性。

理解客户,本质就是要洞察和满足客户的需求。

如果按照客户生命周期来划分客户,那么有助于我们理解不同阶段的客户需求,从而有针对性地采取运营策略,在成本可控的前提下,尽可能延长客户的生命周期。

664c840a547e6b860ce5d848c351660c.webp

福格行为 杜邦分析 矩阵分析 夏普利值 RFM分析

销售漏斗 正态分布 幂律分布 A/B 测试 线性回归

相关分析 聚类分析 帕累托 本福特 决策树

同期群 假设检验 Kano模型

e75d21634d3bf22b35a7af3e6ef07308.webp

点击左下角的阅读原文可加入我的免费知识星球
如果对你有启发,麻烦你点赞支持一下谢谢!☟分享 ☟收藏    点赞 ☟在看
浏览 72
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报