首页 / 运营增长 / 电商行业为例,从 0 到 1 搭建客户数据平台(CDP)的实践

电商行业为例,从 0 到 1 搭建客户数据平台(CDP)的实践

作者:GrowingIO

受益于计算机技术的发展,现在基本上所有的信息都可以数据化,当越来越多的信息都能数据化之后,我们对数据的依赖也会越来越大,对数据的期望也会越来越强。

从电商行业的数据化来看,主要分为以下四个步骤

1.建立指标体系

如果数据只是一堆数字,没有足够的信息量,那是无意义的。

我们需要建立完整的数据指标体系来衡量工作成果,比如用 n 个 9 来衡量技术系统高可用性,或者用 KPI 指标来衡量各条业务线。

2.发现业务问题

数据指标通常是工作结果的呈现,业务存在的问题一定会体现在结果数据中。

从数据中挖掘价值点不容易,但发现问题却比较容易,就像每天开车路上发生的车祸总是令人印象深刻,但实际上绝大多数车辆都是安全行驶的。

当业务存在问题时,结果数据呈现的速度越快,留给解决问题的时间就会越多。

3.挖掘数据价值

从数据中发现问题,本身就可以促进问题的解决,但我们对数据的期望并不仅限于此,我们肯定希望能从数据中挖掘出更多的价值,来驱动业绩更快的增长。

想要达到这样的期望,首先需要的是尽可能的将客户的所有行为都数据化,记录下来客户跟业务之间的每一次接触。

想象一下当所有人在任何时间、地点,发生的任何行为都被采集并整合到一起,再叠加各种算法和模型,那具体某个人的未来轨迹将大概率会被预测到,这个世界的未来或许会变得极具确定性。

这个场景在西部世界的第三季里被完美的展现出来,有兴趣的话可以去看看。

4.驱动业绩增长

当以上三个步骤完成以后,就相当于给你的座驾配备了最新的自动驾驶技术,在驱动业绩增长的漫长旅程中,你将获得更加轻松极致的驾驶体验。

电商数据指标体系的搭建

搭建电商数据指标体系是用来发现问题的。接下来主要看看怎么对电商业务进行抽象,提炼出数据指标。

电商业务比较流行的一种抽象是“人、货、场”。商品、用户、场景以不同的方式组合在一起往往意味着不同的电商模式。

我们先抛开不同模式之间的差异性,围绕共性来进行抽象,共性可以简单归结为一句话:谁在什么场景下买了什么商品

  • 商品角度

从商品角度,我们最关心的肯定是卖了多少,赚了多少;具体到数据指标,我们会看销售额、毛利额、毛利率、件数;再进一步还会细到每个品牌、单品、品类。

但如果只看这些数据指标的绝对值,并不能知道是好还是不好,那么怎么判定呢?我们可以从以下维度进行比较:

  • 跟业务目标比。看达成率,是超额完成还是没达成;
  • 跟自己的过去比。是越来越好还是越来越差;
  • 跟同类比。像公司层面就跟同行比;部门内部就是各组跟各组比;再就是各品类/品牌/单品之间进行排行对比。

看到数据,知道好坏,就可以酌情对商品结构进行调整,让好的商品越卖越好,不好的进行淘汰。

  • 购买角度

接下来,我们来看“购买”这个动作。

隐含的主语是用户,什么时间买的、第几次购买、这次购买花了多少钱;进一步我们会关心这个用户一个月或者一年一共购买了几次,总共花了多少钱。

具体到数据指标,有购买用户数、客单价(或者 ARPU 值)以及人均购买次数、单次购买金额这几个指标。

对电商而言,通常都是一手做新客拉新,一手做老客留存。对于新客,一般都会有比较可观的拉新费用,用新客在首单或者半年或者一年内贡献的 ARPU 值比上费用,可以计算出不同维度的 ROI 。只要 ROI 合理,新客多多益善。

当新客流入的速度大于老客流失的速度时,假设客单价不变,销售业绩就会越来越好,反之就有陷入衰退的风险。

我们需要根据用户数据指标展示出来的问题,快速调整运营策略,是加大新客拉新的力度还是老客留存的力度,或者双管齐下。

  • 场景角度

我们再来看场景。

举个例子,当你在刷抖音时看到“兔头妈妈甄选”这个母婴品牌“6·18”的大促广告,你正好想在“6·18”囤货,随即点击广告进入到该品牌的天猫旗舰店,并在该品牌旗舰店的直播间买了购物袋里摆在第一个位置的纸尿裤。

在这个转化链路里,我们显然会关心:

  • 有多少用户看到和点击了广告
  • 有多少用户进到了天猫旗舰店里
  • 最终购买了什么商品花了多少钱
  • 有多少用户进到了直播间这个场景
  • 并通过直播间里的哪个位置进行了加车购买

具体到数据指标,简单提炼下,可以得出流量(主要是UV)、点击率转化率客单价这几个指标,还可以额外增加一些点赞率、分享率相关的指标。

有了这些指标数据,把各个场景按照UV、转化率、客单价进行综合排行,哪个场景好,哪个场景不好,一目了然。

我们就可以依据数据结果,快速调整具体场景的设计。

以上分别从商品、用户、场景三个角度进行了数据指标的提炼。

这三组指标之间存在如下图所示的等式。这个等式说明了这三组指标是有关联的。

我们把这三组指标进行分解关联,得出这张指标体系层级图。

第一层:主要是6个一级指标。通过这些指标的各种同比、环比、以及目标达成率,就能知道业务状况是好是坏,以及是由哪个或哪几个指标导致的。

第二层:是三组指标分解后的数据,具体分为三类,用来继续寻找业务好坏的具体原因。

第三层:是三组指标分解并进行关联后的数据,进一步细化到图上的四类

客户数据平台( CDP )的建设与应用

在刚才的指标体系中,如果问题指向了商品或者场景,调整起来相对比较容易;但如果指向的是客户,就要复杂的多。

如何了解客户,洞悉客户需求,帮助我们提升客户生命周期价值?客户数据平台就至关重要。

那么如何建设和使用客户数据平台( CDP )?主要由行为数据采集、标签计算、分群营销和画像应用,这循环迭代的四个步骤组成。

第一部分:行为数据采集

首先是保护客户隐私的前提下尽可能多的采集客户的行为数据,越全越好。

在电商的业务场景里,简单列举几个比较有意义的行为,比如

  • 浏览行为(看了哪些品牌、哪些商品;是自己主动搜索的,使用哪个搜索词搜索的);
  • 购买行为(这是客户最重要的行为,后面会具体用到);
  • 评论行为(是好评还是差评,评论字数有多少,是否有信息量);
  • 分享行为(像商品的分享、活动的分享、直播的分享、订单的分享以及分享带来的效果等)。

其它的行为还有售后行为,异常行为,在玩法中的行为,在社群中的互动行为,参与问卷调查的行为,参加市场活动的行为以及其它系统监测不到需要借助人工采集录入的行为等。

这些行为数据需要从不同的源头采集,大致分三类:

  • 一类是可以直接采集的,像App、微信小程序、H5,以及抖音、支付宝等其它的小程序;
  • 一类是内部系统数据同步,像客服系统、社群管理系统以及其他的内部服务;
  • 一类是第三方像天猫、京东、拼多多、微信公众号、线下门店等系统的数据同步。

这些行为数据我们统一采集到CDP平台里,异构数据源需要做一些ID映射,让所有的行为数据最终都聚拢到具体的每个客户身上。

第二部分:标签计算

有了这些行为数据之后,需要经过分析提炼加工,才会产生价值,我们接着要做的就是在行为数据之上计算出有意义的标签。

左侧是电商业务中常见的计算类标签,右侧是具体某个客户的标签值。像生命周期阶段这个标签,一般会划分为五个阶段:

  • 新客期:最近1个月才开始下单的客户;
  • 成长期:最近三个月内有重复下单的客户;
  • 成熟期:最近半年下单次数超过4次的客户;
  • 沉睡期:最近半年没有下单但以前下单较多的客户;
  • 流失期:一年内都没下单的客户。

当然具体的划分规则,需要根据具体业务情况和使用的结果进行不断调整。

有了生命周期阶段这个标签,我们就可以通过一定的策略使得更多的客户快速的从成长期进入成熟期,并尽可能的使客户停留在成熟期,再通过其它的策略去唤醒沉睡期的客户。

像品类偏好、品牌偏好等标签都可以归入消费偏好,也比较好计算。

价格偏好可以先计算出平均客单价再划入高中低几个档,其余几个可以计算出次数最多的值,或者次数比例超过多少的值,作为标签值。

像互动积极性、传播积极性、社交影响力,这些标签是要把社交活跃的客户从沉默的大多数客户中识别出来。

我们可以设计一些策略或者玩法通过这些活跃的客户去进行二次传播,影响到更多的潜在客户,互动、分享、邀请这类行为可以用来计算出这些标签。

还有更多的标签可以计算,比如客户的决策力,是偏果断还是偏纠结,偏纠结的就需要有更多的利益刺激。

这里顺带给大家介绍一下 RFM 模型的应用

RFM是按照客户的价值进行分类,用来指导营销策略和营销资源的分配模型。

我们来看一下是怎么分类的: RFM 是三个维度, R 是最近一次购物时间, F 是购物频次, M 是购物金额

每个维度分出高低两档,一组合就可以把客户分成八组。

很显然,M 是最重要的维度,带重要两字的都是购物金额高的;其次是 R ,最近一次购物时间越近越有价值。

不同的分组对应不同的运营策略。价值越高的客户,相对忠诚度也会越高,与我们的心理距离也会越近,维持关系相对会比较容易,也更容易有二次传播。

如果要建立更好的客户服务体系,重要价值客户是首先要覆盖到的群体。

RFM 模型在实际使用过程中,有点难度的是确定高低两档之间的分界值。

可以使用平均值、中位数、四分之一位数,或者直接使用绝对值,比如最近一次购物时间在 45 天之内就划入高档

这些都需要根据自身的业务实际情况进行调整,另外一点是把 RFM 模型用于品牌相对会更稳定,也会更有效果。

第三部分:分群营销

物以类聚,人以群分,有了标签之后,最简单的用法就是分群营销。

举个例子,当兔头妈妈甄选这个母婴品牌准备推出一款新的纸尿裤,在正式推出之前计划拿出 100 份新品进行试用,那这 100 份新品该给谁?怎么给?

通常的做法是,做一个试用活动,邀请所有用户来参加,用户提交试用申请,审核通过后发放试用商品。

这个做法实际上会伤害到客户,一是申请通过率低,二是审核过程无标准,随意性很大。

还有一点,你肯定想要质量高的试用报告,最好还能影响到更多潜在的客户。

更好的做法是选取精准的目标群体,进行定向邀请

在刚才这个场景里,我们可以选择符合左侧这些特征的客户群,通过 push 、短信、站内信这些触达方式进行定向邀请。

如果已经建立了私域运营体系,也可以一对一邀请。

第四部分:用户画像

除了前面讲的计算标签之外,我们可以收集到客户的人口属性标签、业务属性标签,还可以计算出更有意思的预测标签,当这些标签都丰富之后,就可以称之为画像,在系统中勾勒出客户的形态。

有了清晰的画像之后,除了上一页提到的分群营销,还可以对接到我们的销售系统、客服系统以及社群管理系统,促进业务更加高效的运转。

也可以使用这些画像进行个性化推荐,千人千面,或者简单点,先来个十人十面。

以上就是客户数据平台的建设和应用过程。

架构师的工具箱

最后我简单讲一下以上两部分的技术实现方案。

这张图是数据指标体系搭建过程中通常会采用的架构,讲两点架构设计中需要注意的地方:

一是,线性扩展支撑规模增长。数据只会越来越多,架构一定是要能线性扩展的。分布式的存储和计算是最好的选择。

二是,不重复发明轮子,尽量选择成熟的开源架构,或者购买成熟的商业产品,把团队的主要精力聚焦到自家的业务特色上。

这张图是客户数据平台( CDP )的系统架构图,数据流向很清晰,不同的系统不同的职责,高效配合,可供大家参考。

最后简单介绍一下 GrowingIO ,GrowingIO 是我们客户数据平台( CDP )建设项目的合作伙伴。

GrowingIO 有成熟的客户数据平台( CDP )建设能力,从数据集成、统一用户 ID ,到构建标签、获得画像,都是很成熟的技术。

不仅是技术方案,GrowingIO 还配备了专业的实施团队。像标签的规则,埋点的规划,都是需要顶层设计的,刚开始如果能有比较清晰的设计,对于客户数据平台( CDP )的成功落地会有很大的帮助。

本文来自网络,本站仅提供信息存储空间服务。文中观点不代表网推实训营立场,转载请注明出处:https://www.shixunying.com/15078.html
上一篇
下一篇

为您推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注

返回顶部