不同的行業，不同的會員體系及會員活動都會帶來不一樣的數據特點，通過數據變動，我們可以判斷營銷活動是否達到了預計的效果。本文介紹了會員體系下的會員數據，一起來看一下吧。

關于會員的數據，不同的行業，不同的會員體系以及會員活動都會帶來不一樣的數據特點。數據其實只是表象，而業務場景才是數據的本源。數據將業務場景量化，業務場景的變化帶來數據的變動，最終通過數據的變動是否符合我們的預期，來幫助我們判斷營銷活動是否達到了預計的效果。

在今天會員數據這部分先簡單介紹一下，一般會員體系下會有哪些數據，后續會另外準備一篇基于會員權益，介紹不同的會員體系或會員場景的數據特色。

一、會員主數據

會員主數據會記錄每個會員當下最新的狀態，大致可以分為三個部分：

1. 會員的客觀基礎屬性
2. 會員體系相關
3. 模型計算類屬性

當然隨著個人信息安全被逐漸重視，一些是否愿意被短信等渠道觸達的授權信息也別加到會員數據內。

1. 會員的客觀基礎屬性

會員的客觀基礎數據主要包含：性別、年齡、居住城市、生日、興趣愛好、職業等一系列維度，通常是在客戶注冊會員時或一系列留資活動中直接獲得的，理論上都是一些長時間不會變動的指標維度。

因為品牌為了降低會員的注冊門檻，提高會員人數，在注冊階段會減少一些直接的留資內容。所以一些原來消費者直接提供的維度，現在則通過后續的活動行為或偏好經過模型計算補充，在后續部分再做介紹。如果在數據停更后沒有做這樣的模型數據補充，則原有的數據維度不會再進行更新，使用的時候也就失去了準確性。

這些會員的基礎數據其實就組成了最基本的人群畫像，品牌的全量會員可以與自然人口或行業標準去比較，分析品牌會員對哪類自然人群更具有吸引力。另外品牌的全量會員也可以作為一個benchmark去做一些品牌活動的人群洞察，分析各個主題活動吸引了哪些不同的受眾人群。

2. 會員體系相關

會員體系相關的數據每天都會重新計算清洗，其中主要包含當下的會員等級、積分以及會員生命周期相關的信息。這里將會員生命周期也包含在這里，因為有的品牌僅有會員等級，有的僅有會員生命周期，有的兩者都有。會員和生命周期的關系也要看品牌具體的場景和規則是什么樣的。

會員等級比較好理解，基于現有的會員體系標準下計算會員等級。其中有的會員等級是永久累積型，會員等級只增不降；另外一種是周期型的，會員等級具有時效性，等級有降級的可能。會員積分往往是會員等級的一種體現，基于一些具體的業務場景可能會有有效積分、即將過期積分、歷史總積分等信息。

會員生命周期則一般有這樣的幾個階段：會員未購-活躍會員-沉睡會員-流失會員，具體的條件要看品牌如何定義。

其中會員等級人數分布以及會員生命周期人數分布往往是會員健康度的晴雨表，有些品牌也會針對這類數據設計專門的Dashboard。而各類活動的目的其實也都是為了高等級會員或活躍會員的轉化。結合會員第一部分的基礎數據，我們也可以看到不同會員等級和不同會員生命周期之間的人群畫像差異。

3. 模型計算類屬性

這一類的維度范圍比較廣，數據主要是從訂單以及一些行為數據中建模得到的。這類的數據維度往往是基于某一階段具體的業務場景需要補充的，可以補充的范圍當然也要先確認品牌相關數據源的完善程度。其中屬性相關的維度這里用一些大廠的模型計算維度做例子，范圍與品牌相比會更廣一些，例如職業（白領、學生、廣告人等），人生階段（單身，熱戀期，已婚），子女情況（備孕期，二胎，孩子0-2歲）等，當然品牌也可以從3方數據類公司補充一些相關維度。

另外更多的一部分模型是建立在訂單數據上的，其中基于RFM模型的條件組合篩選出高價值以及高潛客戶直接標注在會員主表內，同類型的還有黃牛、員工、大客采購等屬性。

偏好類的計算指標通常是基于購買品類，購買渠道計算出來的。這類模型計算類屬性有的品牌不多，有的品牌非常多導致計算很慢，兩極化比較明顯。大一些的集團往往有自己的數據科學建模團隊，但不少的品牌還是通過各類供應商去完成。

4. 會員數據整合

會員數據整合由低到高主要是從不同的數據源，不同的會員體系，不同的品牌去逐層整合的。

數據源的整合主要是通過不同的數據源去補充整合會員的各項維度，其中當某一維度指標可以從多數據源獲得時就要小心了，比如會員在小程序注冊時填寫的是女，但是在參與某個活動時留資填寫的是男。那在整合時就要考慮各個數據源之間的可靠性或是否需要取最新的一次數據狀態。這類數據的整合主要是針對數據邏輯上的規則整合。

不同的會員體系主要是指品牌的自有會員與其他三方會員的合并整合，例如天貓會員、京東會員、抖音會員、公眾號粉絲等數據的整合。在跨渠道會員無法打通時會員主表會有多份，每個渠道都有自己的會員體系，會員的權益也是相對獨立的，獲取到的積分、權益無法跨渠道使用。

在會員體系可以做打通合并時就會比較復雜，可能需要重新回算會員的歷史數據，計算新的會員等級，以及合并各渠道可使用的積分。其中除了數據邏輯上的規則整合外也包含一些同類數據的合并以及回算，在最初設計的時候以終為始地去對比合并前后的會員差異，再設計針對性的調整。

介紹起來可能看起來不是很復雜，但是在做的時候需要考慮到方方面面的細節以及切換前后的影響范圍，真的是挺難的。

不同品牌的會員體系合并主要是針對一些多品牌的集團?？赡芤恍┘瘓F是直接做的集團會員，但大部分的會員還是在某些具體品牌下面的，這樣就導致一個集團下面有些品牌有會員有些沒有，有會員的可能是同樣的也有可能是不同的供應商開發的。

從短期品牌的日常運營角度來說不太需要集團會員，而從集團長期的整體運營或是數據架構策略上可能是需要的。對于集團的考驗可能在架構上的挑戰會高于數據層面的，這里就不做太多的贅述了。

二、會員等級、積分

這里的數據主要是指會員的等級、積分變動的履歷數據，更類似于日志數據。也是會員等級計算，各類會員權益的具體體現。會員等級沒什么太多問題，主要還是依賴于會員體系的設計，確保計算無誤就好了。

積分的數據場景可能會復雜些，現有的會員體系大部分是通過積分去體現會員權益的。積分的獲取除了購買訂單的積累外有時還會有簽到，參與活動，甚至可以結合一物一碼的掃碼獲取。積分的消耗主要渠道有獎品的兌換，有些品牌也有抽獎等活動的消耗。針對不同的活動場景在積分變動時的記錄往往也會附屬一些活動相關的信息。

三、優惠券

優惠券的數據這里也包含在會員數據內，因為現在品牌只能針對自有會員發優惠券。優惠券的使用周期通常包含發劵—領劵—核銷三個周期，因為隨著業務的積累數據量會持續增長，如果是在一張表上去檢索變更，等到數據量變大后就會影響性能。所以不少品牌是用增量表去記錄優惠券的變動信息，當然也有一些優惠券數據特別巨大的品牌就直接分表記錄。

當然在一個完整的優惠券系統也會有配套的優惠券主表，在創建或更改優惠券時記錄信息。實際項目中相關數據在分析時也遇到了不少的問題，這里僅列舉兩個，優惠券的反復使用和缺少優惠券與活動的對應關系。

優惠券的反復使用往往是品牌在使用時沒有創建新的優惠券，從歷史優惠券中選取了一個同樣規則的直接使用，所以在分析時導致一些數據摻雜在一起，需要添加一些額外的篩選條件后使用。而優惠券與活動的對應關系缺失一般是缺乏維護導致的，在創建或修改時沒有記錄對應的活動ID，結果在做活動效果分析時發現缺少對應關系，再行手動篩選補充。

優惠券的數據與其他數據相比較數據質量往往是偏低的，因為在運營時可能更多地精力放在了活動的執行上，缺乏結構化數據的管理視角。結果在打算使用時被很多條件所限制，特別是活動相關的數據分析。

四、付費會員

在常規的會員等級體系外，品牌為了針對不同需求的目標人群推出不一樣權益內容的付費會員。付費會員一般都有有效期，在有效期內擁有特定場景下的大額會員權益。因為這類場景出現的較晚，訂單數據基本都整合在已有的訂單數據中，一些特定的信息才會創建新的表去記錄。

相關的會員標識除了購買的會員種類外，一般還附帶會員的有效期。針對付費會員的剩余天數，品牌往往在不同的時間內進行觸客提醒。付費會員往往具有更高的數據靈敏度，也是會員健康程度的一種體現。當然付費會員的權益設計，品牌也會通過實際的銷售轉化數據不斷地對比調整，已達到品牌的業務目標。

以上是針對項目中遇到的一些會員相關數據介紹，后續如有補充的內容會再行修改。

當然這也肯定不是全面的介紹，因為會員的數據肯定要結合具體的會員體系去分析。通過分析現有的數據去做消費者洞察，然后基于消費者洞察以及品牌策略設計對應的會員體系，再根據會員體系產生的數據對比業務期望，根據實際的效果再去打磨會員體系的細節。

一套好的會員體系是需要時間沉淀打磨的。但最終會員體系要回答消費者的問題其實還是：我為什么要成為會員？成為會員后提升會員等級的激勵是什么？這個問題如何回答還是要結合具體的行業以及品牌特性，后續有機會再行討論。歡迎各類討論共同學習。