作者：周小钧来源：帆软数据应用研究院

全文共4444字，建议阅读12分钟

随着全球经济低迷的持续影响，许多行业都面临着前所未有的变革与挑战。然而，在这样动荡的时期，却有一个行业“悄悄复苏”。据国家统计局发布数据，2023 年上半年社会消费品零售总额同比增长 8.2%，最终消费支出对经济增长贡献率达 77.2%，比去年全年明显回升，消费需求成为三大需求中拉动经济增长的最主要因素。

在上述市场背景之下，消费零售企业一方面需积极拓展新业务打开市场，向品牌集中化、产品多样化、模式多元化方向转型；另一方面，存量会员客群的运营成为消费零售企业自发性运营的的第二个核心抓手，这是考验消费零售企业“主动造血能力“的关键核心。

因此，本文旨在从会员管理数字化经营视角出发，详谈帆软看到的建设路径与经验总结。

消费新形势下，会员客群正在发生哪些变化？

前文提到，整个消费行业正朝向品牌集中化、产品&模式多元化方向转型，其本质为群体消费行为特征的变化，而对应匹配的特征是消费者开始逐步具备大牌观念，追求个性需求，消费行为逐渐下沉。

而笔者基于对数家消费企业的会员客群业务现状分析，总结出如下2个核心问题点：

1、缺少对会员的分层定位&差异化营销

分层定位：对会员的分层定位大多通过会员卡等级进行，缺少复购率、活跃度等会员关键指标。对会员的分层，细分客户特征和附加价值挖掘深度不足

差异化营销：目前营销主要针对会员群体制定发券、满减等活动，缺乏针对性，无法提升不同会员对其忠诚度

2、缺少会员运营全链路数据及数据分析意识匮乏

缺少数据：营销活动的销售情况经常到了晚上或者第二天才统计出来，对于活动过程中的客流量、客单价、销售额等缺乏可视化的过程数据追踪

分析意识匮乏：以促销商品为例，其依赖人工判断，销售人员通常会从滞销、高库存、新品等维度考虑选品，但缺乏通过数据，去对品类商品结构进行合理性评估，从而再进行促销选品的分析意识。

02 针对上述变化，帆软对于会员运营业务的经验逻辑&链路思考

基于上述总结的核心问题，笔者认为会员运营在消费企业内其实是一个相当长线的任务。整个业务链路起点来自于面向自身拥有的“会员资产”的分析，进而基于已有货品进行人货场比配，最终确定如何设计运营营销动作，并逐步迭代优化的过程。

而上图，则是帆软基于部分消费企业会员业务的经验提炼。

总结来看，消费零售企业在会员运营管理上，需要构建会员画像，以消费者需求定位核心会员群体和商品，充分发挥用户资产，打造企业级的会员运营闭环体系，即回答好“他们是谁” “需要什么”“如何运作”这三个核心问题。

核心问题一：“他们是谁？”——打开已拥有的会员群体

面对“他们是谁”这个问题，消费零售企业的核心在于“会员画像”的构建，利用分群策略以消费者价值驱动，同时综合考虑消费者需求、购买行为、购买场景、消费主题等因素。

面向会员画像的构建，RFM模型是一个绕不过去的内容和话题。常见的RFM模型大家都很熟悉，不过多赘述，仅在此给出一份基于RFM的迭代方案，以供参考：

基于此类指标设计，可以衍生一系列的分析拆解逻辑，示例如下：

值得一提的是，基于以上业务逻辑，笔者在调研时发现了一个看似“简单却又麻烦”的场景——打标签。即基于不同的逻辑属性，给所有会员群体打上对应标签。

在以往，大多数业务人员都会利用Excel去做标记及分析，但一方面Excel的标签只能基于复杂的If类函数公式展开，不仅书写麻烦，调整起来更是难上加难，并且一位业务同事处理完后，其他人的阅读成本相当高，久而久之负责打标签的同事就成了"活字典"，信息沟通效率极低。

但目前，在业内其实有更好的解决方法，即通过BI工具中的“条件标签列”功能，敏捷调整会员分群场景，快速基于不同会员维度对客群进行分类，兼容“且”与“或”的分析场景，并且可以反复添加多种分类逻辑，快速构建客户画像的指标群。

举个例子，以下图为例，比如我希望根据我的客户进行一个快速的分类，基于历史与近年的合作数据划分一个标签，分类出未来需要运作或者需要重新激活的客户。此时，就可以通过上述功能进行如下配置，快速将客户分类贴上不同的标签：

基于上述操作，我们便可快速根据分析需求，设计出符合自身企业需要的客户分群画像图，这里给出笔者过去调研的消费企业的分析图表参考：

核心问题二：“需要什么？”——找到他们需要的商品

基于会员的基本消费信息可以初步切分出会员的分布与结构性组成，下一步则需要我们找到与各类客群匹配的商品。那么，我们要做的就是从会员数据中找出他们真正需要的商品，所以面向会员的消费行为分析会在RFM模型等基础上，衍生出一个完整的多层级分析体系，笔者将其称为“多级会员分析链路”：从“消费前”到“消费中”到“消费后”的购物全流程，建立一个消费行为的数据体系。

这里给出笔者总结的逻辑之一以供参考，整个分析链路基于不同的业务实体特征，会衍生不同的价值体系：

整个体系链路中，最为重要的显然是“消费中”的内容，对会员消费品类、商品、消费时段等进行监控，可作为精准营销品类、品牌定位的依据。

在这里，我们可以完成会员分析业务中最重要的“跨越”：从“会员分析”越向“人货匹配”。

消费偏好的分析可以帮助我们构建一系列商品的目标池，这类目标池在分析的初期颗粒度上，往往无法抵达商品科目的最底层SKU，一般只能罗列一些中类，例如休闲食品中的干脆小食、奶制品等。而继续往下到达SKU的分析则同样考验营销业务的功力，此处给出一个笔者曾服务过的某零售企业的营销拆解逻辑：

此类分析需要依赖“会员经营”维度与“商品经营”维度数据的高频联动，在探索性分析过程中往往互为因果。

但笔者在深入企业实践时发现，大部分企业在做探索式分析时，仍十分依赖Excel工具进行探究。即使是年收超百亿的消费品巨头，仍旧以传统的Excel离线方式在处理展示数据，往往面临数据版本不准、百万数据堆在excel等问题。想要实现一次月度会员分析报告或是选品汇报，就需要动辄几个通宵甚至一周的时间处理数据。

可见，Excel限制了消费企业对于数据的管理&分析能力。而BI能做的就是帮助消费企业在传统数据分析的基础上，多走一公里，解决业务基于数据平台的数据处理&联动分析。

其中，FineBI作为国产BI，在数据联动分析与探索方面做了针对性研究，通过类Excel的数据编辑探索逻辑，可直接联动的分析操作配置，能快速解决消费企业在人货匹配侧高频数据联动的分析需求：

一切数据工具都是为了提效，而一切分析的目的都是尝试找到业务的突破口，进而提升企业效益，我们已经找到了我们的客户是谁，也大致定位到了他们需要什么，最后的一步就是如何推动他们了。

核心问题三：“如何运作？”——寻找匹配项与发力点

“运作”的实质是基于会员运营分析的差异化营销动作。在营销链路上，我们将会员的全生命周期可分为“拉新”→“促活”→“留存”→“转化”→“裂变”，基于上述会员全生命周期，顺应衍生出针对不同阶段会员的营销活动，并配予不同的营销动作。

前文中，我们完成了对于会员画像的研究和思考。在基于前置的会员选择和商品选择基础之上，会设置全新的分析指标，笔者称之为“拉动性指标”，即每类活动都存在一个拉动目的，该目的往往与消费零售企业的增长直接相关。拉动性指标之下往往会对应一系列的“支撑性指标”，而该类指标必须与一系列具体营销动作相关，不一定一一对应，可能是多类指标对应多类营销动作的数据，类似一个N:N的关系，总结起来可如下图所示：

此类N:N的关联关系在业务分析中往往错综复杂，我们需要同步解决多个“拉动性指标”与“支撑性指标”的关联问题，同时解决基于营销数据动态调整营销动作的问题，数据不仅汇总困难，分析钻取亦很困难。

举个例子，大多数消费企业的数据配合过程往往是：由IT同事准备一张业务活动的Excel数据大宽表，而后业务进行分析，但是业务基于IT已准备好的一张实际宽表，导致业务只能基于某一固定活动维度展开分析，在需要对多个活动交叉对比或多个支撑性指标对比分析时，此类分析模式与工具往往变得捉襟见肘。

因此，一种能优化IT业务数据配合模式，并能敏捷配置N:N等多类型数据的工具成为解决上述问题的“突破口”。

而BI就是这个“突破口”。在BI平台上，IT能对数据进行全面整合，统一口径，缩短IT与业务之间的数据逻辑交流时间。同时业务可自主完成想要的分析过程，不再单纯依赖IT的开发排期，通过BI快速获取自己想要的数据，如果想要尝试去专门研究某个业务，或者探索相关问题，也可以基于平台数据进行多维度交叉分析。

以我们消费零售中最为常用的“发券活动”为例，我们往往需要通过数据分析报表监控消费券的使用情况，分析各类会员的用券率和趋势变化，及时发现异常用券情况，通过用券趋势变化来实时调整营销策略，提升营销效果。根据以往笔者的调研，这个过程里，在数据侧我们其实在业务上会有以下几个典型的场景：

首先，消费企业在一次活动中需要针对不同的消费券查看消费情况，看看这些券发放了多少使用了多少，看看是不是真的活动有在执行；
其次，我们需要看一看这些券是否真的都发到了需要营销的人那里，这就需要我们对应看下收到券的人，与我们预期的会员人群是否匹配，需要看下对应收到消费券的会员明细清单；
最后，我们会研究下，消费券的活动是否真实的拉动了我们的收入，如果拉动了，收入的增长是消费券的关联又有多少。

这几个过程，在一次会员营销的过程中常常出现，历史沟通过的不少业务老师都表示，历史往往是从一线收集很多的券码发放数据，然后线下去和会员信息做个关联进行对比，而后再导出一份经营的数据表，总体制作成一份PPT，再进行活动内容的整理和汇报，整个过程费时费力。

但仔细梳理，会发现这些事情，其实总结起来，就是面向业务分析时BI产品能够协助的核心场景：