268万会员无法创造应有收益?是时候唤醒数据价值了

来源:创略科技 时间: 2019-06-06 关键词:技术、流失、数据

 

2019年,“会员数据化”、“复购率”、“会员流失”成为了零售企业的高频词。

 

某著名服装品牌也不例外,其拥有来自于办卡、终端导购、微信端等共计268万名会员。虽然会员数量庞大,但是却无法创造其应有的价值绝大多数消费者在有过一次购买行为后,就此流失。

 

长期以来,支撑零售商业模式的核心是:来客数和客单价,但基于来客数下滑、客单价紧缩的市场环境下,复购率就变得尤为重要。据京东对商家复购率和收益分析结果显示:购买一次的客户占比93%,为商家总收入的83%;购买两次客户占比5.5%,为总收入的11%;购买三次客户占比1%,为总收入的3%;购买三次以上客户占比0.5%,为总收入的33%。

 

如果产生三次购买行为的客户占比升至30%,那其总收入就超过了93%购买一次客户的占比。同理,唤醒存量客户的价值在现阶段远大于增量客户。正所谓“躺在金山上饿死,捧着金饭碗要饭”,企业要想避免这样的窘境就要尽力挽回客户,避免客户流失、增加复购率。

 

客户为什么会流失?

 

市场调查显示:一个公司平均每年约有10%-30%的顾客在流失。但很多企业不知道失去的是哪些顾客,什么时候失去,也不知道为什么失去。研究分析顾客流失,对于企业加强客户粘性、增加复购率有十分重要的意义。

 

纵观各行业,客户流失的原因有3点:

 

  1.需求把控不足  

 

接触的客户多了是否就意味着能了解每一位客户的需求?面对数据的挑战,经验主义更需要科学的支撑。在消费需求内涵无限放大的时代,客户渴望每一个需求都被满足。当企业无法精准把控客户需求从而没有满足需求时,客户自然终止其在此消费的生命周期,转而去寻找其他渠道。

 

  2.价值提供不足  

 

等价的饮品,知名和不知名品牌你选哪一个?相信多数消费者都会选择前者,因为基于两种选择而言知名品牌的饮品所能提供的情感价值、品牌价值、体验价值更为丰富,所以更容易被选择。对于整个市场而言都是一个道理,客户流失的一大原因就在于企业无法提供价值更高的选择。

 

  3.体验设计不足  

 

体验为王,客户已不再是寻求单纯的物质满足,而是寻求心理满足。很多企业不懂得如何挖掘客户潜能,因提供同质化的服务导致体验设计失败。如果你的客户得不到一次好的体验,他们将不再回来,甚至一传十十传百带来不好的口碑,给公司带来更大的损失,反之亦然。

 

如何有效甄别客户流失原因从而快速召回?

 

对于该著名服装企业而言,数据作为一种度量方式,能真实的反映产品运营的状况,帮助企业进一步了解产品、了解客户进而优化运营策略创造复购率,但如何有效挖掘268万会员背后的数据价值却是难点。其一,会员数据分散在各个渠道,无法打通,只能通过先迁移流量后做运营的方式,但是效率较低;其二,会员数据中拥有pos机等准确可追踪的数据同时也包含虚假、无法溯源的数据,直接做决策可信度低;其三,利用数据洞察出的决策难以进行实际应用,落地价值低。为此,该企业花费了大量的资金投入到数据技术中,但因缺乏专业性技术导致无法落地,指导决策。如何才能正确的留存客户,挖掘客户最大价值?

 

  1.整合数据,“孤立数据”变身“数据生态”  

 

客户的数据来自不同的渠道,渠道和渠道之间是割裂的,这就形成了数据孤岛。为了整合数据,企业通过数据技术,对海量数据进行采集、计算、储存、加工,希望整合出来的数据能重复建设。但事实是,多数企业打通的只是基于数据的标签。

 

现阶段倡导的“数据打通”是基于动态的、实时的数据,不止打通更是融合。通过客户数据中台(CDP)将不同渠道中海量客户数据资产进行打通、融合,从而实现颗粒度、精细度更高的数据挖掘与数据提纯。经过提纯后的数据个体通过不同需求的排列组合升级为“数据生态”,能指导决策且可重复建设。

 

  2.多维分析,“沉睡数据”变身“红利数据”  

 

信息爆炸,全球的数据量正以指数级增长,如何正确利用数据,使“沉睡数据”变身“红利数据”是现代企业战略性方向。数据唯有通过数据计算才能产生价值,需要企业进行多层级、多维度、高垂直度的分析、建模、计算。

 

红利数据的意义是真正的价值落地、可以指导决策。某国际高端汽车品牌就利用深耕于营销场景的机器学习、深度学习以及自然语言处理组合算法模型等人工智能技术对车主数据进行建模分析,通过营销计分模型使客户数据指向客户的行为、消费主张,最终个性化打造峰值体验,快速且连贯地传递给客户服务。

 

  3.流失预警,“流失客户”变身“粘性客户”  

 

数据现阶段已经作用于客户旅程的全生命周期价值,其中针对流失环节的客户流失预警模型能够有效挽回流失客户。其建立过程包括5个步骤:定义流失目标、定义数据范围、构建初始变量、数据处理与抽样、模型拟合

 

实现实时对客户数据(包括造成流失的关键因素)进行采集分析,周期性地对留存客户做流失风险程度预测,并对不同风险客户匹配相应干预措施。比如针对最容易召回的人群通过价格调整,产品服务优化等方式实现降低流失率。某OTA线上旅游平台,基于该思路构建智能预警系统后,客户流失率降低16%,微信取关率减少57%。

 

马云说,数据是第一生产力。而今,数据的价值再一次被客户、市场认证。当新技术使数据价值落地后,定性变成定量、局部变成全局,客户的行为从不可预测变成可预测时,客户的实时全景视图就此被构建起来。客户何时有流失可能性、原因是什么、如何防止,被一眼洞察,基于此,企业能最大程度地加强客户粘性,从而使会员创造巨大价值。