品牌营销：用户分层、沟通策略、统计评估那些事

乔一鸭 2023-07-28 16:09:06

我认为数字化是天时地利人和。

“天时”主要指组织架构：因为数据天然在业务这边有屏障，各个业务团队在运营过程中积累了很多数据，但业务团队拿到数据需要组织的驱动。我们当时的营销部隶属电商团队，我的领导是电商总监，所以在数字的控制权上有天然优势。

“地利”主要指流程：在前 5 年的时间内，运营和数据这两个闭环天然隔开，一般运营有自己的专属闭环，如从商品、销售、预测、上架及最终的渠道分销等构成一个完整业务闭环。在数据这一端只能看到业务的最终呈现结果，从结果角度驱动业务，必然存在不相接的状态。

因此，在后两年，公司在流程上做了一个调整，之前团队一般是业务团队出策略，数据越来越多后，我们希望数据团队来出策略。如在审批预算上，是否花钱由数据团队来决定。

“人和”对数据团队有较高的要求：其要求在于，第一，懂数据，对数据有敏感度；第二，虽然不在业务圈内，但要知道业务体系是怎么跑和运转的。因此，这方面对人的要求极高。

在最初做品牌营销时，我们团队做了三件事：

数据收集整理，与各个团队一样，做好数据基础；
数据的洞察分析，即收集的数据如何做洞察、如何赋能业务及支持业务的决策；
数据营销应用，品牌营销三步法聚焦在第三件事情上，在基于数据、用户行为分析的基础上，如何做品牌营销，所有东西都是基于内部方法，就比较容易上手。

当时面临的主要挑战也有 3 个：

数据分散在不同的数据库，不利于统一管理、分析和再利用；
2 个服务商的系统都属于 SaaS 版本，即标准化的产品，有新功能需求很难满足；
线上数据报表繁多，各个部门做报表的时间花费较多，人工成分很多，效率低，易出错。

我们的消费者电商触点分布涵盖市面上丰富的电商平台，如淘宝、拼多多、有赞等，相应的数据获取工具有京东九数、品牌数据银行、ERP 等，数据存储也会放在阿里服务器、京东服务器、聚石塔等，整体来说数据相对分散。

同时，从品牌角度看数据，在做数据利用和效率分析时非常低效，业务部门会给我们提很多需求，这些需求几乎都是要人工做，但是业务对时效性要求很高。

效率低就会直接引发一个思考，如何提升团队数据分析的效率？

当时，公司有超 4000 万名消费者的订单与行为数据，但这些数据如果不产生价值就是成本。老板每天 challenge 我们的也是围绕这几个问题：数据怎么为业务赋能？怎么产生价值？如果数据就是存在在那里，每年都要付出存储、硬件等费用成本。

所以，我们当时面临了四个问题：

数据效率：

各品牌数据量级庞大，现有系统运算速度低下，数据准确度受影响；
各部门数据需求和处理频繁，易出错，需要提高数据处理与报表制作效率。基本上是手工出报表，整个业务加上数据团队，报告约在三四千个。

数据分散：

各销售平台、各系统、各业务线数据孤岛化，分散在不同系统，难以管理，整合分析与应用；
各平台格式不统一，全域品牌和用户分析受阻。同时，从品牌视角看，数据十分割裂。比如，当看用户画像时，有天猫用户画像、微信用户画像，导致在市场部做广告投放时，对以品牌为全视角的画像可参考性比较小，另外对消费者整个生命里程的周期偏差比较大。

数据价值：

用户与数据量级大，但数据价值挖掘不深，许多数据为沉睡数据资产，利用率不高。

数据应用：

现有工具未能满足新的用户归类与营销需求；
用户营销渠道多样，需对用户营销手段整合规划以优化投入与效率。让数据能真正赋能业务，驱动业务增长。

针对以上问题与挑战，下面主要分享数据应用实践这部分，我将其抽象为三步：

第一步，做用户分层，品牌零售一定要进行用户分层，再看分层的差异性，及用户心智差别；
第二步，制定沟通策略，即针对不同用户，在不同时机推不同商品；
第三步，科学的统计评估方法，即用事实说话。

具体来看：

一、用户分层

对于品牌快销，最重要的是回购周期，它决定了用户心智。

1. 回购周期 RC（Repurchase Cycle）：

回购周期是指一个正常（平均）用户从第一次购买开始到再次购买之前的时间周期。

回购周期有 2 种计算方式：

1）正常用户计算法

正常（平均）一次购买量
正常（平均）每天使用量
RC = 正常（平均）一次购买量/正常（平均）每天使用量

2）现有数据归纳法

根据品牌消费者购买信息，将所有回购用户的平均回购间隔天数制成分布柱状图
累计 90% 用户的平均回购间隔天数即为 3RC
RC = 累计 90% 用户的平均回购间隔天数/3

下面举个小例子：

公司的一个洗碗机洗涤剂品牌，在中国引入不久，暂时没有特别多数据的积累，但是我们可以看业务数据，消费者一次购买的 PCT 是 150 元，差不多可以使用 50 次（按照我们的估算），假设平均每两天洗一次碗，每天洗碗的次数是 0.5 次，我们可以算出日常用户回购周期差不多在一百天。

然后看目前数据库中的 2 万左右的数据，用现有数据分析法，其数据中心 90% 的用户在 450 天内完成回购，故 RC = 150 天，但对这个品牌来说，用户心智还没有形成，所以我们这两种方法是有一种选择性。

对于不成熟品牌，就是用户心智还没有形成的时候，希望品牌输入一个强有力的心智，在合适的时间去触达它，我们建议在不成熟品牌的时候，采用我们推理正常用户的计算方法来定义回购周期。

对于成熟的品牌，其数据量、用户量的积累已经有一定的规模，我们还是希望遵循用户心智，遵循统计的归纳方法制定回购周期。那么回购周期计算完对分层有什么用呢？下面介绍用户分层的分类就很清晰了。

2. 用户分层

1）用户分层：一重分类

根据客户最近一次购买时间，进行人群归类一重分类，这里用回购周期数字 RC 做第一重的切分，并可分为潜力人群、活跃用户、睡眠用户、流失用户（注：每位客户只会存在于 1 个分类中）。

潜力人群：品牌/品类的目标消费人群，且目前还没有购买我们的品牌/品类的产品；
活跃用户（R ≤ 2RC）：最近一次购买时间发生在 2 个 RC 内；
睡眠用户（2RC < R ≤ 3RC）：最近一次购买时间发生在 2 个 RC 到 3 个 RC 之间；
流失用户（R > 3RC）：最近一次购买时间发生再 3 个 RC 以上。

这四类对品牌零售来说还是比较粗放，所以我们会进行二重细分。

2）用户分层：二重细分

我们会根据客户 R 值进一步的分类，从潜力角度会分为品质潜力人群和竞争品牌人群。前者是品牌/品类目标消费人群，目前还没有购买过品类产品；后者是品牌/品类目标消费人群，目前购买竞争品牌产品的客户。

活跃用户：是要重点关注的用户，可根据最近一次购买时间划分，分为高度清醒人群(R ≤ 1RC)、中度清醒人群(1RC < R ≤ 1.5RC)、濒临入睡人群(1.5RC < R ≤ 2RC)；
睡眠用户：可分为轻度睡眠人群(2RC < R ≤ 2.5RC)、中度睡眠人群(2.5RC < R ≤ 3RC)；
流失用户：可分为品牌流失用户和品类流失用户，前者是最近一次购买时间在 3 个 RC 以上，且流入到竞争品牌中；后者是最近一次购买时间在 3 个 RC 以上，且后续不再购买品类产品。

3）用户分层：三重细分

新客、老客、忠粉是贡献我们的 GMV 的这部分用户，三重细分是我们从活跃用户里面再去切分一层的，再去切分的时候，除了购买时间以外，还要根据购买频次、贡献客单价等进行细分。

如果我们的老客第一次购买两次及以上就是老客，对于这样的快销品牌尤其电商促销氛围特别浓的场景来说，很多用户，它购买力只有 9.9，这可能就不算老客，定义中也可以对客单价有要求，这样我就会对新客、老客、忠粉重新定义来去识别，到底哪些是老客、哪些是忠粉（注：PCT2：用户第二次购买的客单价；V：某一个固定金额，因品牌而异）。

新客：活跃用户中 F = 1 的用户；
老客：活跃用户中 F = 2 且购买 PCT2 < V 的用户；
忠粉：活跃用户中 F ≥ 3 或 F = 2 且第二次购买 PCT2 ≥ V 的用户。

以上是通用的老客和忠粉的定义，而每个品牌也有其判定方法，有的以客单价，有的以商品品类数，有的用周期使用数来做判定，各个品牌也可以按照自己实际情况，对老客和忠粉进行界定。如 A 的 V = 200，是店铺平均客单价的 2 倍，A 旗舰店平均客单价为 100；B 是买到 4 瓶消毒液/除菌液的金额，V = 200。

做完梳理后，整个部门营销目标就会变得比较清晰，我们的用户营销目标 KPI 会变成提升活跃用户的质量，还有增加活跃用户的数量。

首先开源，去做拉新抢客；其次节流，做巩固、阻睡、唤醒、激活，让我们整个活跃用户池子变得更大，质量更高，数量是新客、老客和忠粉的三个之和，整个活跃用户的质量，是老客和忠粉的占比。

具体在使用过程中其实还会有一个标签的概念在里面，最基础的分层做完，在营销过程中还会增加各种各样的标签，涵盖基本属性、人群偏好、行为特征、营销标签、RFM 模型标签等，并在实时变化。RFM 模型是通过客户购买行为，衡量客户价值的重要工具和手段。

R：Recency，最近一次消费时间；
F：Frequency，消费频率；
M：Monetary，消费金额。

我们希望把这个标签四宫格融入到分层里面，如下图：

产品经理，产品经理网站

针对 1a 品类潜力客户来说，会按照标签贴四宫格，比如说品牌潜在人群、品类场景人群、品牌高相似画像人群，里面的每一类人群用户心智都是不一样的，那么提供的内容、素材、沟通的时机都会不同，每一个小四宫格可以再去叠加标签，好处是当我们做了一年营销活动，可以从整体上了解在新客、拉新、促活等事件上花费了多少钱。

之前我交流了很多行业品牌，他们去做标签叠加的时候都会比较散，可能今天用「客单价」这个标签，明天用「进店浏览」这个标签，但是我希望在底层的标签上做一个比较细的切分，再到上面去叠加标签，这样我们会看的比较清晰。

同样，活跃用户也可以叠加标签，甚至发展到标签八宫格、十六宫格等具体应用。

此外，我们还需要做一件事情，用户进行了细分，但资源有限，我们还需要做优先级判断，如果这次只有 500 万的预算，这 500 万预算到底给哪一个用户分层？

我建议可从两方面评估：一是重要性评估；二是可改变性评估。有的客户是很重要，但是可改变性没有那么高。这时候需根据实际情况做判断。

过去我们的经验是首先会把资源重点投放在阻睡，如对于濒临入睡客户，因为具有承上启下的作用，还没有沉睡，但又濒临沉睡，所以我们会花大量的资源和精力去维护，不让它沉睡和流失。

二、沟通策略

用户分层及优先级确定之后需制定具体的沟通策略，我这里是讲了一个方法的框架模型——6W3M 模型。

我们做这个框架的时候，第一是把我们逻辑进行梳理，第二是想要把这种框架和逻辑变成产品的一种能力迭代，然后赋能给一些新员工。

1. 6W

6W，就是 Why、Who、When、What、Which、Where。

“Why”指我为什么要做这个事情，每一个营销一定要清楚它的沟通目的，是为了去做拉新、巩固、忠粉，每一个目的不一样，后面选择的标签、触达的对应人群，还有你触达的方式都不一样。
“Who”要去筛选不同的标签，拉新有五个用户分层，你需要定义什么时候触达哪个圈层，是在活动的时候还是在日销的时候，还是在做某一个动作的时候做触达。
“What”指我给他的内容是什么，刚刚讲到说每一个细分用户他的心智都是不一样的，对价格比较敏感或者喜欢促销的用户给他价格优惠的信息。比如刚才的 Finish 会有高端人群关注地球和环境保护，此时会有品牌动机还有情感交流给到这些用户，有一些宣传文案和内容。
“Which”指落地到拉新商品，其必须要有很强的转化力、竞争力，旗舰店可能比较认品牌，专营店可能会比较认活动，不同的渠道定位和商品定位对应的人也不会不一样。
“Where”指你用什么样工具触达它，常见的是微信、短信，还会联动站内广告推广工具等。