MarTech营销数据闭环：数据应用

直隶按察使 2023-08-02 09:55:42

在数据洞察一文中，我介绍了大量原始数据如何化繁为简，变成业务能够看懂的信息，好比把食材做成大餐，那么大餐在哪里吃呢？在家里，还是在高端餐厅？这就是数据应用，他确定了数据的使用场景。

营销数据都是关于人的数据，颗粒度可粗可细，可以适用大量场景。本文会介绍品牌企业典型的几个应用场景及使用部门。

一、目标市场分析

通常品牌的市场部会定期使用自有和第三方宏观数据，做细分市场容量和所占份额的调研，以此为依据制定后续企业战略和打法，比如整合城市和细分品类分析表。

刘生：MarTech 营销数据闭环（五）数据应用

尤其是在新品孵化和蓄水阶段，需要找准细分区域、细分品类赛道，做好产品定位，这一阶段需要品牌做大量市场数据的整合分析，获取品类集中度、价格带集中度等信息。

数据颗粒度是企业精细化运营的根本，营销数据闭环是一场颗粒度革命，帮助公司管理层从「北极星指标」入手，通过下钻、上卷等手段，层层关联到核心问题和权责人。

传统的市场份额是通过大量渠道调研、用户问卷等方式采集的，费用巨大，从工作量、样本数和准确率的角度考虑，无法支撑细颗粒度的统计。

而使用闭环的营销数据，从消费者个体数据上卷汇总，就可以得到品牌想要的各个维度的数据，再结合外部的宏观数据，可以轻松得到市份额等指标。

二、目标用户分析

经常看到一些互联网公司年底会发布用户画像报告，这类报告的意义不仅是对外彰显品牌调性和数字化实力，而且对市场部、商品开发部、销售部都有重要作用。

消费者画像也是一种标签，但与运营使用的标签不太一样，前者侧重于整个群体的大分类，比如「人口属性」，「地区属性」，「小镇青年」，「新中产」，「银发族」，「宠物档」等，后者侧重于直接引导转化的小分类，比如「近 7 天无线购物活跃时段」，「30 天类目搜索偏好」，「近 90 天好评率」等。

通过整个品牌对目标用户画像的梳理，能够统一语言，明确商品定位、价格定位、推广策略等。

比如，某咖啡豆品牌利用电商数据发现超过 30% 的订单来自于华东地区某 1 线城市，而结合第三方宏观数据发现这个地区在家使用咖啡豆自制咖啡的渗透率达到了 60%，那么就证明这是个有价值的市场，品牌在接下来制定新品开发策略时会更加重视这个区域的用户喜好，对产品包装、产品定价、销售渠道等进行特定策略布局，以及考虑是否在该地区开设线下门店，更好的宣传品牌和服务消费者。

刘生：MarTech 营销数据闭环（五）数据应用

三、经营分析

销售运营部门将营销的个体数据进行上卷、下钻可以看到各种维度的交叉分析，及时了解品牌的真实经营状况。

举个例子，某服装品牌在总结 2021 年营销活动 ROI，发现只有上海地区 ROI 呈增长，其他几个城市都出现下滑。如果此时盖棺论定上海营销活动做的最优，还为时太早，可以下钻一层，看一下上海具体搞了哪些大的营销活动。

刘生：MarTech 营销数据闭环（五）数据应用

经过下钻发现，上海地区全年重大营销活动都出现了 ROI 下滑，只有「品牌周年庆活动」 ROI 比较高，导致总体 ROI 出现了上升，但这里有两点问题：

2021 年「品牌周年庆活动」活动由于受到疫情影响，只在上海地区小范围内宣传和举办，投入较小，虽然 ROI 高达 5.9，但绝对销售额只有 55.4 万，完全没达到营销目标
在「618 大促」和「国庆大促」中，ROI 首次出现< 1 情况，意味着营销活动本身出现了亏损

综上分析，可以看到，某服装品牌的营销活动策略出现了很大问题，全国范围内营销效率下滑，上海地区甚至出现营销亏损，需要大力整治。

四、客户关系管理

当品牌拥有 PII 数据和交易数据之后，就出现了客户关系管理系统 CRM，通常这些数据的用法，是基于 RFM 模型做用户分层（Customer Segmentation）。没有任何一个现代企业无差别的对待所有消费者，资源紧缺的情况下，把营销预算提供给更有价值的消费者符合人性驱动的市场经济原则。

经济学中有一句话「凡选择必有歧视」，这里的歧视是一个中性词，当企业针对不同群体提供差异化服务时，比如只给 VIP 提供额外优惠和更体贴的服务，本质上是歧视了非 VIP 客户。

经常会有人对所谓「价格歧视」愤愤不平，实际上无论喜欢不喜欢，价格歧视是客观存在的，不以某个人、某个组织为转移，除非我们回到计划经济。

本质上，品牌追求的是边际平衡，也就是花在 VIP 身上的营销成本和 VIP 带来的营收一定是边际平衡的。

早些年，我去麦当劳点餐，经常看到有些人手握一把优惠券，而我只能原价购买，但我并不觉得难受，因为我不经常吃麦当劳，自然也会不花时间去收集优惠券。

本质上，麦当劳是用纸质优惠券对不同人群进行价格歧视，用价格来区分人群。像我这种非目标人群，自然享受不到优惠。

现如今，大量的交易在线上进行，数字化营销让价格歧视执行起来更加方便，而且玩法五花八门。实际上，20% 的消费者贡献 80% 的收入是著名的二八理论，因此品牌需要对接触的消费者进行优先级划分，找到自己最重视的 20%。RFM 模型（最近购买时间 Recency、购买频率 Frenquency、购买金额 Monetary） 3 个指标就可以把消费者分成重要价值、重要发展、重要保持、重要挽留等 8 个细分用户。

刘生：MarTech 营销数据闭环（五）数据应用

从 RFM 模型的定义可以看出来，所有指标都在交易数据中可以获取，而且维度只有 3 个，只需要一张如下交易订单表即可。需要强调的是这里的交易订单必须是支付且妥投的个人订单，把团购订单、大客户订单去掉，否则对细分人群有影响。

刘生：MarTech 营销数据闭环（五）数据应用

R 是最近一次消费时间间隔，也就是当前日期 12 月 11日减去 12 月 3 日，等于 8；

F 是最近一个周期的消费频次，周期需要根据行业确定，比如快消品等高频品类，一般每个月都会复购，那么把周期定为 3 个月即可。对于中频品类，要看平均复购一次是多久，然后取 3 倍时间为一个统计周期；

M 是最近一个周期的消费金额，100 + 150 + 120 = 370。

计算完成如下表：

刘生：MarTech 营销数据闭环（五）数据应用

最简单的方式就是把 RFM 的数值按照某个阈值一分为二，这个阈值的选取有以下方法：

采用均值方法划分，比如有 1000 个会员取到的 R 平均值是 10，那么 8 就是低
采用中位数方法划分，这种方法可以将人群一分为均等两份
采用 20 分位数划分，这个原理就是二八原则，要选出真正高价值的 20% 用户

除此之外，还有更复杂分段打分法，不在这里赘述，有机会单开一文讲解。

接下来就是按照细分出的 8 个用户群，执行不同的营销策略和持续优化模型。RFM 模型优化，主要还是在于阈值的调整。要随着最终划分的人群以及相关的运营效果、活动规律，调整阈值的设定，最终达到一个最合理的划分。

目前使用大数据可以得到更细颗粒度的用户标签，为什么还要花这么多时间介绍 RFM 模型呢？RFM 仍然有极大价值的原因包括：

RFM 模型性价比高，只要有交易订单数据就可以使用，不需要大数据系统
目前很多品牌并没有实时数仓，数据刷新频率无法支撑大量细分标签的更新和准确性
营销内容的生产也是瓶颈，除了头部互联网公司，没有品牌能够真正支持「千人千面」，品牌可以把消费者细分成 1000 个群体，但也要有能力准备 1000 个营销内容

RFM 的缺点包括：

数据都来自于交易订单，具有滞后性，是建立在用户行为在交易前和交易后无差别的前提下
对耐消品行业是无效的，比如，用户购买家居建材装修房子，可能 5、6 年都不会有相关需求，这是没法用 RFM 模型分析的

除了对用户使用 RFM 模型细分，还可以对用户进行生命周期的管理。比如在汽车、保险、母婴、化妆品等行业，消费者会经历一个需求萌芽、范围锁定、决策支持、下单购买、传播分享、替换产品的过程，每个阶段都有清晰的营销重点。

需求萌芽阶段可以通过「小红书」投放大量 KOL/KOC 素人使用产品的生活场景，引起消费者的好奇和好感
范围锁定阶段可以通过「知乎」投放产品功能效果的评测和专业的产品科普知识，产品硬核成分和技术参数解析，进一步锁定产品
决策支持阶段通过公众号、小程序、线下门店等 DTC 渠道与消费者直接产生互动，传递品牌价值，消除消费者顾虑，促成下单
下单购买阶段通过电商推荐位、线下导购寻找更多产品交叉销售机会，提高连带率
传播分享阶段通过良好体验 + 额外奖励，促使消费者对商品进行评论及分享
替换产品阶段引入新的产品承接消费者需求，继续延续用户生命周期。提前预判消费者替换阶段，根据经验，在进入替换阶段前开始引入新品，成功率会更高。比如，保险行业，总是在距离保险到期至少还有 3 个月时就开始电销，而此时消费者通常还没有开始货比三家，很容易直接转化

这几个步骤一环扣一环，构成了消费者的完整生命周期。