[Python知识库]【datawhale8月】Python会员数据化运营

学习目的

1、了解企业数据化运营中，运用数据工具对会员进行运营的思路和方法
2、了解RFM模型的运用
3、掌握Python处理数据的技巧
4、掌握EXCEL表的可视化图表及透视工具

一、概述

会员数据化运营几乎是所有企业的必备运营工作，企业要生存必须有会员（客户）。会员数据化运营辅助于客户关系管理（CRM），可以用来解决以下问题：

• 企业的生命周期状态是什么？
• 企业的核心诉求是什么？
• 会员的转化习惯和路径是什么？
• 会员的价值如何？
• 如何扩大市场覆盖、获得更多的新会员？
• 如何更好的维系老会员？
• 应该在什么时间、采取何种措施、针对哪些会员做哪些运营活动？
• 在特定运营目标下，应该如何制定会员管理策略？

二、会员数据化运营指标

2.1 会员整体指标

2.1.1 注册会员数
??注册会员数是指已经成为企业注册会员的数量。根据注册时间周期的不同，又可以细分为累计注册会员数、新增注册会员数。

2.1.2 激活会员数
??激活会员新想对于注册会员有一个特定的激活动作，该动作往往决定了用户是否真的会成为企业会员。常见的代表性动作包括：点击确认链接、手机验证、身份验证等。

激活会员数是指已经注册的会员中有多少会员已经激活。根据激活时间周期的不同，又可以细分为累计激活会员数、新增激活会员数等。

2.1.3 购买会员数
??购买会员是真正给企业带来利润的群体。购买会员数值有过购买行为的会员数量。根据购买时间周期的不同，又可以细分为累计购买会员数、新增购买会员数等。

购买会员数可以衍生出相对转化率指标。

注册-购买转化率：从注册到购买的会员转化比例
激活-购买转户率：从激活到购买的会员转化比例

最近使用的软件好像都是要激活之后才能使用功能，或者在注册的时候就要求绑定手机了。

2.2 会员营销指标

2.2.1 可营销会员数

可营销会员是指整体会员中可通过一定方式进行会员营销以满足企业特定需求的会员数量。会员可营销的方式包括：手机号、邮箱、QQ号、微信等具有可识别并可接触的信息点，具备这些信息中的任何一种便形成可营销会员。

2.2.2 营销费用

会员营销费用一般包括营销媒介费用、优惠券费用和积分兑换费用3种。

1.营销媒介费用
??营销媒介费用是特定营销媒介而产生的费用，例如短信费用、会员渠道推广费用、电子邮件费用等。

2.优惠券费用
??优惠券根据不同的使用条件和使用金额可以划分为多种，如30元红包，50元店铺券等。

3.积分兑换费用
??大部分网站都有会员积分系统会员积分通常可以兑换成金额使用。如20积分可以兑换为1元钱。

以淘宝为例，淘宝账号一般都绑定了手机号，那么在618、双十一这种节日，商家会发送营销短信，好吧，感觉淘宝不太合适，淘宝的短信是商家发送的

2.2.3 营销收入

会员营销收入是通过会员营销渠道和会员相关运营活动产生的收入，包括电子邮件、短信、会员通知、线下二维码、特定会员优惠码等。
??在评估会员营销活动产生的收入时，直接通过特有标记的渠道或促销码而成交的数据能清晰分辨出来。但是如果用户没有直接通过会员营销的接触点进行转化，那么这种收入是无法评估的。因此，在做会员营销时一定要尽量让用户有特定的标志，这样才能区分营销效果。

比如我们在微信朋友圈看到了某app的营销广告，此时我们通过微信朋友圈的链接点进去下载，或者注册为会员，这种转化便可以归为营销收入，但如果我们在看到了广告之后通过手机app商城进行下载，其实是没办法被归入营销收入的。

2.2.4 用券会员/金额/订单比例

会员营销时大多数会使用优惠券，这不仅是促销销售的一种方式，也是识别不同会员订单来源的重要途径。用券类指标包括以下几种：

• 用券会员比例：使用优惠券的会员/哦那个下单会员
• 用券金额比例：使用优惠券下单的订单金额/总下单金额
• 用券订单比例：使用优惠券下单量/总下单量
  除此以外，还包括基于用券数据产生的用券用户平均订单金额、用券用户复购率等相关指标。

2.2.5 营销费率

营销费率时会员营销费用占营销收入的比例。

2.2.6 每注册/订单/会员收入

监控会员营销的单位收入，是评估收益效率的重要指标，包括以下几种。

• 每注册收入：每个注册用户带来多少收入。
• 每订单收入：每个订单带来多少收入。
• 每会员收入：每个会员带来多少收入。

2.2.7 每注册/订单/会员成本

每注册/订单/会员成本单位成本的考量是精细化业务动作的关键指标之一，包括以下几种。

• 每注册成本：每获得一个注册用户需要多少成本。
• 每订单成本：每获得一个订单需要多少成本。
• 每会员成本：每获得一个会员需要多少成本。
  除了上述单位成本指标外，还可能包括其他类型的成本，例如每挽回一个流失客户成本、每单位线索成本（例如获得一个联系方式）等。

2.3 会员活跃度指标

2.3.1 整体会员活跃度

整体会员活跃度用来评价当前所有会员的活跃情况，通常以会员动作或关键指标作为会员是否活跃的标识（如是否登录）。在这里，介绍一个会员活跃度矩阵，通过业务定义的关键因素来判断整体会员活跃度（因素及权重可根据企业自身实际情况定义）。
下表列出了所有会员关键动作节点和指标因素，并标识了每个因素的取值范围及权重。当用户登录/注册后（标识会员的前期条件），所有会员的行为都会被记录下来，形成会员数据日志。对每个会员的活跃度数据加权处理后求和，即可得到整体会员活跃度得分。 整体会员活跃度=∑（注册1+登录1+验证1+等级数1+积分1+…+商品评价1）

某网站有两个用户，其中一个会员完成了1次注册、1次邮件验证（新会员默认是一级会员）、查看2次商品并有1次收藏行为；另一个会员是老会员（假设为二级会员），完成了1次登陆、1次页面咨询和1次退货订单。那么该网站（在假设只有2个会员的基础上）的用户活跃度为：
新会员（11+11+22+12+11）+老会员（11+11-11+2*1）=12
通过对每个用户的活跃度以及网站整体活跃度的积累可以发现网站用户活跃度变化趋势。

2.3.2 每日/每周/每月活跃用户数

活跃用户中“活跃”的定义在不同的公司有不同的方法。最早活跃用户的概念从APP中产生，指的是每日应用上仍然启用的用户数量。活跃用户根据活跃周期的不同，可以定义如下。

• 每日活跃用户：每天活跃用户的数量。
• 每周活跃用户：每周活跃用户的数量。
• 每月活跃用户：每月活跃用户的数量。
  这3个指标在对应的时间周期内重复，即当有用户多次完成事件时会在周期内只计算一次。下面举例说明每日活跃用户和每周活跃用户的差异。下表显示了不同日期内，每日活跃用户的数量等于完成活跃动作或行为的用户数，而每周活跃用户数在1周内对用户进行去重。

2.4 会员价值度指标

会员价值分群

会员价值分群是以用户价值为出发点，通过特定模型或方法将会员分为几个群体或层级。常见的分群结果如：高、中、低，钻石、黄金、白银、青铜等。
会员价值分群并不是一个真正的指标，而是给用户打标签，该标签是用来显示用户的状态、层级和价值区分等。

复购率

复购率是一定周期内购买2次或2次以上的会员比例。不同公司对复购率的定义有所差异，基本定义逻辑分为3种。以1个月为周期说明复购的定义。

第1种：1个月内购买2次或2次以上的会员。
第2种：1个月内购买2次或2次以上、1个月之前有过购买行为的会员。
第3种：1个月之前有购买行为、1个月之内又有购买行为的会员。
以上3种定义可根据自身情况调整，同时1个月的时间周期也可以根据商品或服务销售频次进行重新定义。

消费频次

消费频次和复购相关，二者都是重复消费指标。消费频次是将用户的消费频率，按照次数做统计，统计结果是在一定周期内消费了不同次数，例如2次、3至5次、6至10次、11次以上。该指标可以有效分析用户对于企业的消费粘性。

最近一次购买时间

如字面意义，该指标也可以作为会员消费价值粘性的评价因素。如果会员距离上次的购买或消费时间过长，那么意味着用户可能处于沉默或者将要流失甚至已经流失的阶段，此时应该采取措施挽回用户。

最近一次购买金额

最近一次购买金额和最近一次购买时间类似，该指标衡量的是用户最近一次购买或消费时的订单，该金额越大说明用户最近一次的消费能力越高。根据二八法则，20%的老会员会贡献80%的消费金额。

2.5 会员终生价值指标

会员生命周期价值/订单量/平均订单价值

会员生命周期指标是从用户成为企业会员开始到现在的总数据统计值，该指标与任何时间周期无关，衡量的是用户完整生命周期内的价值。包括以下几种：

会员生命周期价值

用户整个生命周期内下单金额总和。 会员生命周期订单量：用户整个生命周期内下单量总和。 会员生命周期平均订单价值：用户整个生命周期内下单金额/下单量。

会员生命周期相关指标由于突破了时间的限制，能从整体上获得会员的宏观状态，因此是重要的宏观价值衡量指标。

会员生命周期转化率

会员生命周期转化率是指会员在完整生命周期内完成的订单和到达网站、企业、门店的次数比例。该指标衡量了用户是否具有较高的转化率。例如，用户一共到达网站100次，但是只有1次消费，那么会员生命周期转化率为1%。

会员生命周期剩余价值

会员生命周期剩余价值是一类预测性的指标，用来预测用户在其生命周期内还能产生多少价值。该指标可以细分出很多相关指标。例如：

• 预期未来30天的会员转化率
• 预期生命周期剩余订单价值
• 预期7天内下单数量
• 预计下1个订单的订单金额
• 下一次购买的商品名称
  这种预测性的指标通常会基于特定的算法和模型做训练，然后预测未来的数据，其中回归和分类是主要预测性应用方法，在某些情况下也可以使用关联算法。

2.6 会员异动指标

会员流失率

会员流失是指会员不再购买或消费企业相关业务、商品和服务，会员流失率是指流失的会员数量与全部会员数量的比例。会员流失是一个正常现象，没有任何一个企业能够做到不让一个会员流失。但是会员流失意味着企业会失去相应的利润来源，因此需要从两个方面重点关注该指标：
会员流失率的数值。正常情况下会员流失率应该是一个比较小的比例，不同行业有不同的基准，各企业要制定符合行业特定的基准作为参考。
会员流失率的走向。尽管会员流失不可避免，但我们仍然希望流失用户的比例越小越好，因此需要关注流失率的走向。比较好的状态是流失率处于平稳或下降状态，如果出现流失率上升的情况，则需要引起警惕。

会员异动比

会员异动比是指新增会员与流失会员之间的比例关系，计算公式为
会员异动比=新增购买会员/流失会员
如果会员异动比等于1，说明企业在一定周期内新增会员与流失会员数相等；如果大于1，说明新增会员多于流失会员，这是良好的发展状态；相反，如果小于1，说明会员增长不如流失快，企业将面临会员枯竭的危机。

三、会员数据化运营应用场景

3.1会员营销

数据化运营应用于会员营销主要体现在以下几个方面：

• 以信息化的方式建立基于会员的客户关系管理系统，促进所有会员数据的信息化。
• 通过特定方法将普通用户拓展为企业用户，并提高新会员留存率。
• 基于用户历史消费记录，挖掘出用户潜在消费需求及消费热点。
• 基于历史数据，为会员营销活动提供策略指导和建议，促进精准营销活动的开展。
• 从会员营销结果中寻找异常订单或转化，作为识别黄牛或VIP客户的参考。
• 挖掘会员传播关系，找到口碑传播效应的关键节点。

3.2 会员关怀

数据化运营应用于会员关怀主要体现在以下几个方面：

• 为预警时间设置阈值，自动触发应急处理机制。
• 分析会员行为，为会员提供个性化、精准化和差异化服务。
• 通过会员喜好分析，提高客户忠诚度、活跃度和粘性。
• 通过会员分析，预防会员流失，并找到挽回已经流失会员的方法。
• 基于会员群体行为，更好地划分会员群体属性并挖掘群体性特征。
• 基于群体用户和内容相似度，发现有价值的会员互动方式。
• 基于会员生命周期的关怀管理，促进用户终生价值最大化。

四、会员数据化运营分析模型

这里介绍几个常用的会员分析模型。

4.1 会员细分模型

会员细分模型是将整体会员划分为不同的细分群体或类别，然后基于细分群体做管理、营销和关怀。会员细分模型常用于整体会员的宏观性分析以及探索性分析，通过细分建立初步认知，为下一步的分析和应用提供基本认知。会员细分也是做精准营销的基本前提。 常用的细分模型包括：基于属性的方法、ABC分类法、聚类法等。

基于属性的方法

会员细分可以基于现有会员属性，常用的细分属性包括：会员地域（例如北京、上海、武汉等）、产品类别（例如大家电、3C数码、图书等）、会员类别（例如大客户、普通客户、VIP客户等）、会员性别（例如男、女、未知）、会员消费等级（例如高价值会员、中价值会员、低价值会员）、会员等级（例如钻石、黄金、白银）等。这种细分方法可以直接利用现有会员数据库数据，无需做二次开发和计算，是一种比较简单且粗浅的方法。

ABC分类法

ABC分类分（Activity Base Classification）是根据实物的主要特征做分类排列，从而实现区别对待、区别管理的一种方法。ABC法则是由帕累托二八法则衍生出来的一种法则。不同的是，二八法则强调的是抓住关键，ABC法则强调的是分清主次，并将管理对象划分为A、B、C三类。
在ABC分析法中，先将目标数据列倒序排序，然后做累计百分比统计，最后将得到的累积百分比按照下面的比例至划分为A、B、C三类。

A类因素：发生累积频率为0%-80%，是主要影响因素。
B类因素：发生累积频率为80%-90%，是次要影响因素。
C类因素：发生累积频率为90%-100%，是一般影响因素。
下面以示例数据说明如何使用ABC分类法对会员进行细分。
（1）建立一个二维表格数据，数据中包括会员ID和订单金额（或其他关键指标）两列
（2）二维表格数据按照订单金额做倒序排序
（3）对订单金额列进行累积百分比统计

按照A、B、C划分标准将会员划分为不同的分类，得到下表所示数据：

聚类法

使用聚类法做会员细分是常用的非监督方法，该方法无需任何先验经验，只需要制定要划分的群体数量即可。关于聚类算法，这里不做延伸介绍。

4.2 会员价值度模型

会员价值度，作为评价用户的价值情况，是区分用户价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。价值度模型一般基于交易行为产生，衡量的是有实体转化价值的行为。常用的价值度模型是RFM模型。
RFM模型是根据会员最近一次购买时间R（Recency）、购买频率F（Frequency）、购买金额M（Monetary）计算出RFM得分，通过这3个维度来评估客户的订单活跃价值，常用来做客户分群或价值区分。该模型常用于电子商务（即交易类）企业的会员分析。
RFM模型基于一个固定时间点来做模型分析，因此今天做的RFM得分与7天前做的结果可能不一样，原因是每个客户在不同的时间节点所得到的数据不同。以下是RFM模型的基本实现过程。
（1）设置要做计算时的时间节点（例如2021-07-07），用来做基于该时间的数据选取和计算。
（2）在会员数据库中，以今天为时间界限向前倒推固定周期（例如一年），得到包含每个会员的会员ID、订单时间、订单金额的原始数据集。一个会员可能会产生多条订单记录。
（3）数据预处理。从订单时间中找到各个会员距离截止时间节点最近的订单时间作为最近购买时间；以会员ID为维度统计每个用户的订单数量作为购买频率；将用户多个订单的订单金额求和得到总订单金额。由此得到的R、F、M三个原始数据。
（4）R、F、M分区。对于F和M变量来讲，值越大代表购买频率越高、订单金额越高；但对于R来讲，值越小代表离截止时间节点越近，因此值越好。对R、F、M分别使用五分位（三分位也可以，分位数越多划分的越详细）法做数据分区。需要注意的是，对于R来讲需要倒过来划分，离截止时间越近的值，划分越大。这样得到每个用户的R、F、M三个变量的分位数值。
（5）将三个值组合或相加得到总的RFM得分。对于RFM总得分的计算，有两种方式，一种是直接将三个值拼接在一起，例如RFM得分为312、333、132等。另一种是直接将三个值相加，求得一个新的汇总值，例如RFM得分为6、9、6。 在得到不同的会员的R、F、M后，根据步骤5产生的两种结果，有两种应用思路。

• 思路1：基于三个维度值做用户群体划分和解读，对用户的价值度做分析。例如得分为212的会员往往购买频率较低，针对购买频率低的客户应该定期发送促销活动的邮件；得分为321的会员虽然购买频率高，但是订单金额低，这样的客户具有较高的购买粘性，可以考虑通过关联或者搭配销售的方式提升订单金额。
• 思路2：基于RFM的汇总得分评估所有会员的价值度情况，并可以进行价值度排名。同时，该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析建模提供基础。

4.3 会员流失预测模型

会员流失预测模型，用来预测会员是否流失，是做会员生命周期的重要预防性应用。做会员流失模型的关键因素之一，是要定义好“流失”，即处于何种状态、具备哪些特征的会员属于流失会员。另外，流失也要区分永久性流失和临时性流失。常见的关于流失的状态，定义如下：

• 会员已经退订公司的促销活动
• 会员打电话要求将自己的信息加入通知黑名单
• 会员已经连续6个月没有登陆过网站
• 针对会员发送的关怀激励活动后没有得到任何有效的反馈和互动
• 会员最近1年内没有任何订单 上述流失状态可以归为两类：一类是会员有明确的表达，不再希望接收到公司的相关信息；另一类是会员没有明确的标识，但是在业务关注的主要领域内，没有得到有效反馈。
  会员流失预测模型的实现方法属于分类算法，常用算法包括逻辑回归、支持向量机、随机森林等有关这些算法的具体选择问题，这里不另外进行拓展。
  在做会员流失预警模型时，需要注意以下几个问题。
• 流失会员的样本分类一定是少数类，需要注意处理样本不均衡的问题。
• 对于流失会员的预测结果，得到概率性的输出可以结合流失预测标签一起应用，因为业务方可以基于概率，再结合业务经验做判断。
• 对于参与训练模型的维度变量的选择，一定要结合业务经验，因为业务方对于特定场景的判断是影响训练模型和应用结果的关键因素之一。
• 输入的维度变量中一定要包含发生转化前的行为数据。假如业务定义为最近6个月没有订单的客户为流失客户，那么在做预测模型时，需要将用户的匿名访问、登录、页面浏览、搜索、活动咨询等转化前的数据考虑在内，而不能只考虑订单转化本身。
• 会员流失预警模型不是一次性的，而是周期性监视和运行的，例如每天每周或至少是每月。

通过会员流失模型，得到每个会员是否属于流失标签后，可以将该结果给到会员运营人员，运营人员一般会根据业务经验做二次审查和确认，然后再通过会员挽回激励等机制，提升会员的忠诚度，延缓或防止会员流失。而关于如何挽回以及激励的问题，通常需要数据参与来帮助运营人员制定相应的策略，例如，在合适的时间以恰当的方式提供个性化的内容给特定会员。这些都需要数据的支持。

4.4 会员特征分析模型

会员特征分析模型是针对现有会员做特征分析。会员特征分析模型提供的结果可能是模糊的，也可能是明确的，例如：

明确的特征，这类特征模型提供了业务所要行动的细节要素，是一种具有极高落地价值的数据分析工作。
模糊的特征，它只有数据分析结果，未提供详细的动作因素，仅仅指明了下一步行动方向和目标。
会员特征分析主要应用于以下两种业务场景：
第1种是在没有任何前期经验或特定目标下触发，希望通过整体特征分析了解会员全貌，在这种模式下可以通过一定方法先将用户划分为几个类别，然后再做基于类别的特征分析，常用的实现方法和应用包括以下两种。

聚类。通过聚类将用户划分为几个群组，然后再分析不同群组的典型特征和群组间的差异性。例如，公司的总体会员具有哪些特征？模型结果通过聚类方法将会员划分为三类，然后每个类别都有各自显著性特征，会员部门可根据不同类别做特定分析并指定群体性策略。
统计分析。先对整体用户做统计分析，包括描述性分析，频数分布等了解整体数据概括。
第2种是有明确的业务方向，希望找到能达到事件目标的会员特征，用于做进一步的会员运营，对于这类分析模型常用的实现方法和应用包括以下三种。

分类。利用分类规则，例如决策树，找到符合目标的关键变量及对应的变量值，进而确定会员特征。例如：收入大于5400元，最近购买时间是5个月之前，总订单金额在4300元以下的会员，最可能购买商品。
关联。使用关联规则，找到不同属性项目间的关联发生或序列发生关系，然后将会员的属性特征（频繁项集）提供给运营人员。例如：购买X商品的客户一般来自上海，购买频率为一周三次，客单价为100元以下。
异常检测。使用非监督式的异常检测方法，从一堆数据中找到异常数据样本，然后将这些数据样本特征提供给运营人员做进一步确认和审查。例如：异常客户的特征往往是，每次订单的商品数量超过4件，地域集中在江苏和浙江一般拥有超过三个以上的子账户。
会员特征分析模型输出的上述两类结果，第1类结果往往作为辅助性、启发性和提示性结果，用于为运营提供进一步业务动作的思考，这种一般开始于数据工作项目的开始或业务方对数据主题的先验经验不足的情况下。第2类结果则可以作为运营下一步动作的直接触点。

4.5 营销响应预测模型

营销响应预测模型是针对营销活动展开的，通常在做会员营销活动之前。通过营销响应预测模型分析，找到可能响应活动的会员特征及整体响应的用户比例数量和可能带来的销售额，这对于在会员营销之前的有关策略制定的辅助价值非常明显。
营销响应预测模型的实施一般采用分类算法。常用算法，包括逻辑回归、支持向量机、随机森林等，有关这些算法的具体选择问题，这里不再详细阐述。
在做营销响应模型之前，需要先收集训练所需要的数据集。
（1）从所有会员中随机选择一定量的会员样本，具体数量要根据企业实际情况而定，一般情况下至少需要有1000条数据以上，同时要兼顾总体会员数量，才能满足模型训练的需要。
（2）针对选择的会员样本，通过一定媒介和渠道发送营销活动信息，例如手机短信、电子邮件等。需要注意的是，一定要记录好营销活动发送的时间频率信息等关键运营要素，这些需要与后期的实施保持一致。
（3）收集营销活动数据，在收集数据时需要注意数据收集的周期。通常情况下，一般电子邮件的有效周期为1~7天，时间过短可能无法被用户看到；手机短信的有效期一般是1天，时间太长，用户一般会忽略。
经过上述步骤收集到分类所需的样本集之后，接着就需要通过分类模型做营销响应预测，这是典型的二分类问题。在做营销响应模型训练时，也需要注意在前面会员流失预测模型提到的问题，二者在很多方面都有共通性。
通过营销响应预测模型得到的结果一般包括以下两个方向。
基于模型找到最可能产生购买转化行为的会员规则特征，例如最近一次购买时间在三个月以内，会员等级为三级以上，总订单金额大于3000，订单量大于10的客户，通过这些条件直接从数据库中筛选对应的会员列表，并可以对该列表中的会员发送营销活动信息。
基于模型预测可能产生的订单转化数量、转化率（例如选择10000个客户，会有4000个客户产生转化）以及有转化客户的客单价（通过训练样本及选择有转化客户，然后用订单金额/会员量计算得到）大体计算出此次发送能得到的营销收入，这些信息可以作为此次营销活动计划提报的数据量化指标和资源申请的数据支持。