品牌营销的用户分层及定位！

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：

1. 数据收集整理，与各个团队一样，做好数据基础；
2. 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；
3. 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：

1. 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. 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；
3. 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：

1. 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；
2. 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：

1. 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；
2. 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：

1. 现有工具未能满足新的用户归类与营销需求；
2. 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：

1. 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；
2. 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；
3. 第三步，科学的统计评估方法，即用事实说话。

具体来看：

对于品牌快销，最重要的是回购周期，它决定了用户心智。

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

1. 正常（平均）一次购买量
2. 正常（平均）每天使用量
3. 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

1. 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
2. 累计 90% 用户的平均回购间隔天数即为 3RC
3. 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。

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：

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。

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。

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。

3M，指 Money、Measurement、Monitoring。

• “Money”指项目总预算多少？（投入主预算/配合投入预算）
• “Measurement”指一些评估指标，如点击通过率、互动率、转化率 、人均 PCT、投入额、销售额、PC 额等。
• “Monitoring”指沟通策略实时调整：AB 测试分批次人群投放 、多重分时段人群投放。

我们在选取人群沟通时会有侧重点，大多数资源会投入到重要人群上，并设置合理的评估观测指标，下面举几个例子：

1）2c 日常阻睡沟通策略

对于濒临入睡的人群，做阻睡非常重要，我们希望不惜一切成本把它留在活跃用户的池子里。因此，会设计一系列的营销策略影响它，如我们一个月左右会有五重阻睡的沟通机制，分别在 Day1、Day7、Day14、Day28、Day35。

针对不同沟通节点，我们会给到它不同的内容、利益点、渠道等，这样我们就会不断优化我们文案、渠道、利益点，最终我们尽一切可能让濒临入睡的用户留在池子里面。

在这里，曾有人问，我们的成本控制在多少？这个时候其实我们会有一个计算的逻辑，按照整个用户的生命周期来算一个值。

2）1a 日常拉新沟通策略

阻睡完了之后还会有一些日常拉新的动作，这会跟业务团队配合比较多。

因为像标签、人群包是由数据团队来挑选，最终执行和触达是由业务团队做运营，日常拉新时，我们会给到很多标签和人群包的建议，做精准触达。如给已购洗碗机未购 Finish 客户，判断沟通策略：功能 > 情感 > 动机，并赠予开机套装折扣，在京东公域短信或钻展投放。

统计评估，从整体上看，包含两种方式：一是单次数据营销活动评估，二是数据营销长期目标评估。

因为用户运营不像做聚划算、抢购那样销量爆发比较快，用户运营是一个长期的“润物细无声”的过程，需要你不断对消费者进行关怀和服务，对你的产品和品牌会有一些心智影响。所以在这时候我们会有一些长期目标评估。这两种评估是怎么做的呢？

单次数据营销活动的效果与效率，通过即时性或短期指标，评估投入效率，单次数据营销评估三要素：人群基数大、转化效果好、投入成本低。

1）人群基数

人群基数是指使用沟通渠道（where）成功触达到的用户总数，比如短信发送人数、钻展曝光（点击）人数等。

2）转化效果

转化效果即转化率，转化率 = 成交人数/人群基数。

3）投入成本

投入成本是指在数据营销活动中与用户沟通的成本，如短信费用、钻展费用、派样费用等。

此外，还可进行无形资产的评估，在短期评估营销结果的 ROI 等指标之外，反应品牌积累的人群价值，体现品牌与消费者联系、品牌建设情况；流量属于平台，而消费者资产属于品牌。

指标可选择品牌拉新，是培养高潜力的消费者转为已购客或兴趣客，而非只是用广告触达更多的人。

我做了一年数据营销的活动去评估长期的 KPI，比如说活跃用户的数量和活跃用户质量这件事情对品牌来说在正向地发展和运作。

我们就会评估它长期的效果，刚才讲到 KPI 是活跃用户的数量，这个时候会看新客、老客加忠粉的整体数量，这在之前数量上有没有不断增加的趋势，哪些营销节点对营销会有比较大的帮助。

另外活跃用户的质量，老客加忠粉的占比，它的质量占比越高，说明我们活跃顾客质量越高，即后续老客和忠粉的 GMV 占比就会更大。

以长期和发展的眼光追踪与分析消费者指标，评估数据营销方向与长期效果。

具体来看，相关 KPI 有三个：

1. 拉新率高，活跃用户数量变大。即品类潜力和品牌潜力转化到我们活跃用户的池子的转化率。
2. 流失率低，活跃用户数量变大。即 2C 转化成 3A，我们濒临入睡转换到轻度睡眠这样的用户占比要低。
3. 活跃度强，老客与忠粉的比例大。即用户的互动要更大。

只看这几个可能会比较片面，所以还需要看趋势、比对手，作为数据长期评估的方法。

看趋势：

• What : 核心指标的长期追踪评估；如：销售额、品牌消费者资产、活跃用户数等；
• How : 需要明确指标在时间维度上的变化情况，同比、环比、预测模型；
• Why : 对变化原因进行挖掘分析。

比对手：

• What : 设定参考系，如行业大盘或竞品品牌指标对比；
• How : 明确与对手之间的差距，指标高低、指标变化率；
• Why : 对变化原因进行挖掘分析。

最终总结一下，前面介绍的比较通俗易懂，易上手，总结起来就是 3 点：

1. 把基础打得扎实，做用户分层，对用户进行更加详细的了解，这要辅助于标签、回购周期等，根据品牌特性做比较粗基础的用户分层；
2. 做完以后针对不同客户分层去制定沟通策略，不断让资源和预算得到一个比较优异的控制；
3. 我做了沟通以后，用科学方法评估它，除了有短期评估方法以外，还是一个长期的事情，可能还会有一些长期评估方法，这时候我们要更好地有观全局、明重点的思维在里面。

这 3 个步骤不一定是绝对的，可以在做的过程中不断进行优化。如在沟通策略中对标签不断优化；在统计过程中对策略不断优化等，用人的智慧、系统的智能化及业务的反馈，让这三件事更加顺畅，效率更高。

作者：周文君

来源：神策数据小数点