本文筆者將通過運用數據的CPCT策略的四個維度——Customer、Predict、Channel、Time，來講述：如何做存量用戶的精細化服務？

早在2016年，大家基本都達成共識，互聯網開始由增量市場轉向存量市場。只不過下沉流量的挖掘延緩了這一過程，在2018年全民社交電商之后，流量獲取再次遇到瓶頸，加之最近微信生態對營銷的強監管，存量用戶再次被提上日程。

最近互聯網比較火三個概念大概就是：私域流量、流量變現、會員制。

在我看來，這三個概念本質都是存量用戶的精細化服務，存量用戶精細化服務目的在于放大單個用戶的商業價值。

如何做精細化服務？本文提出運用數據的CPCT策略（Customer、Predict、Channel、Time）：對合適的客戶在合適的時機，通過合適的渠道推薦合適的產品。下面從Customer、Predict、Channel、Time四個維度去展開具體的實施方案。

一、客戶Customer

1. 怎么做客戶細分：RFM模型+AI

第一步：先用RFM模型去人工分類，給客戶打標簽。

第二步：然后基于人工智能（機器學習）分類算法進行自我訓練，實現智能標簽劃分。

RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個客戶的近期購買行為、購買的總體頻率，以及花了多少錢，三項指標來描述該客戶的價值狀況。

根據美國數據庫營銷研究所Arthur Hughes的研究：客戶數據庫中有三個要素：R（Recency）、F（Frequency）、M（Monetary）。

因為有三個變量，所以要使用三維坐標系進行展示——X軸表示Recency，Y 軸表示Frequency，Z軸表示Monetary，坐標系的8個象限分別表示8類用戶。

根據上表中的分類，可以用如下圖形進行描述：

通過圖表很直觀的發現，我們把客戶分為了2的三次方也就是8個群體。

RFM的評分方法這里不贅述，可以根據用戶一年內的購買行為（消費頻次和消費金額）進行分檔，將R、F、M三項對應到單個顧客，最終每個顧客將出現一個由三個數字組成的數組；將每個顧客對應的三位數相加，作為顧客價值得分，最后決定客戶的等級。

那么，隨著存量用戶的不斷增加，如果通過人工進行客戶等級的區分，是個工作量很大的事情，這時候就需要用AI技術來解決了。

隨機森林、SVM、樸素貝葉斯等算法都可以進行分類模型的訓練和預測，機器學習分類的簡單描述如下：

（1）準備訓練集

{(X1,X2,X3,…,Xm),Y1}

{(X11,X21,X31,…,Xm1),Y2}

……

{(X1n,X2n,X3n,…,Xmn),YN}

（2）訓練模型，生產分類器D

（3）預測分類

（X1p,X2p, X3p,…,Xmp）輸入到分類器D 預測分類Yp

這里面的X是一系列的特征變量，Y是分類值。

2. 客戶分群服務

不同細分客戶群服務重點有所不同。高價值用戶要用“鋼筋捆綁”，付出一定的營銷成本、定制化服務換取客戶忠誠度；中價值用戶要用“粘性捆綁”，使用各種粘性因子業務，如體驗金、權益獎勵等層層捆綁；低價值用戶要用低成本維護，小恩小惠常常就能留住用戶。

二、預測Predict

拋棄傳統的人口屬性標簽，根據消費者具體的購買行為，預測用戶未來的需求，精準匹配產品。

不需要關注顧客的年齡、職業、性別、收入等固有屬性，而是顧客反映出要購買的動機。比如：一個80歲的老太太也可以買高達模型。

NES模型+新4P+AI=智能化預測

1. 分析用戶行為模型——NES模型

NES模型根據消費者個人購物周期，分為：首次購買的新顧客（New Customer）、支撐主要營收來源的既有顧客（Existing Customer）和回購率低于10%的沉睡顧客（Sleeping Customer）。而既有顧客又可分為E0主力顧客、S1瞌睡顧客和S2半睡顧客。

2. 從舊4P到新4P，預測下次購買時間

舊4P：產品、價格、渠道、促銷

新4P：消費者、成效、步驟、預測

消費者（people）：根據顧客構建NES模型，首先要定義每個S用戶，意義在于可以在成本最小的時機，去喚醒S消費者。

成效（performance）：根據NES模型，結合自己的實際情況，分析數據，來確定我們當下的目標是什么。

步驟（process）：找出優先項，優先處理危急問題——三個變量（NES）出現問題時，應該采取什么樣的戰略，去解決問題？比如，在E0階段提升顧客忠誠度計劃，在S1，S2，S3不同的停滯階段，設計喚醒方案

預測（prediction）：觀測每一個環節，看如果出現異常，提前發現，給予關懷和提醒?！爸悄芸刂啤笨梢宰龅綄崟r觀測、零時差溝通和個性化信息，這是整個大數據營銷的精髓。

3. 預測建模

根據用戶的消費行為，如何做預測呢？這里面要基于深度學習、NLP相關技術，做智能推薦。

我們把推薦問題建模成一個“超大規模多分類”問題——即在時刻t，為用戶U（上下文信息C）在產品庫V中精準的預測出產品i的類別（每個具體的視頻視為一個類別，i即為一個類別）。

用數學公式表達如下：

具體實現，可以參考下面的目前通用的深度學習DNN模型架構：

整個模型架構是包含三個隱層的DNN結構。輸入是用戶購買歷史、用戶的基本屬性信息、產品信息和其余上下文信息concat成的輸入向量；輸出分線上和離線訓練兩個部分。

三、渠道Channel

隨著線上、線下渠道的不斷豐富，客戶觸點的增多，全渠道營銷已成趨勢。從AARRR模型來看整體的運營，從你獲取用戶a，到用戶活躍，再到用戶留存，再到付費轉化，到最后的自傳播，這是一個完整的運營體系。

如下圖，在做AARRR模型的時候，每一層對應的運營指標，可以理解為他是一個銷售漏斗。當然，這每一層我們可通過不同的策略去做轉化，而每條營銷策略部署都需要花大量時間、人力去實現。

所以，通過自動化營銷系統自動完成基礎的運營工作，讓系統根據運營者規劃好的運營框架，執行運營策略，實時分析數據，是未來運營效率進步的方向。

自動化營銷模型可以理解為“一橫一縱”?？v向的模型就是AARRR，從流量一直支撐到你最終的收入，而裂變橫向就是每一個渠道，通過打通用戶oneid打破各渠道數據孤島情況，實現全渠道數據連接。

“一橫”代表，我們現在凡是提到運營，一定不是單一渠道運營，比如有APP、公眾號、短信，甚至包含社群和小程序，這全是渠道。然而，渠道之間的數據相對來說是獨立的，所以渠道數據難點在于無法快速匯總，就無法形成是更豐富的用戶畫像，沒有更豐富的用戶畫像，你就沒有辦法去精準的觸達用戶。

“一縱”代表，每一個渠道都有一個AARRR轉化漏斗，比如我們說微信號、小程序等等，都是從新用戶到活躍到傳播層層轉化。

所以，不論是互金產品，或者放大說金融行業，再放大說互聯網的產品都需要這樣“一橫一縱”的模型。

而自動化營銷系統，就可以把“一橫一縱”的營銷模型快速實現。如下圖展示的模型策略，通過不同的執行組件組合，針對每一個渠道，根據“if……then……else……”的邏輯做用戶觸達。

首先，給用戶一個首貸福利活動的APP推送，然后可以判斷用戶是否打開了我的推送，如果用戶沒有打開，系統會在兩天后，給用戶做多一次推送，再判斷用戶有沒有打開。

當多次觸達，用戶都沒打開，我可以再通過短信、微信等等渠道去觸達。全部渠道觸達后，用戶如果在微信上打開了活動，那系統就給他打一個標簽，比如：界定為用戶就是對微信推送敏感度高的，就把他歸到“微信習慣用戶”組上。然后，在下次的做活動時，首選用“微信渠道”來觸達激活這類用戶。

另外，如果用戶對本次策略中的活動都沒有興趣打開，我可以把這部分用戶打上“流失用戶”的標簽，再把用戶送到另一條“登錄促活”的自動化策略中，嘗試再次激活。

四、時機Time

時機也是精細化運營的關鍵因素。在客戶全生命周期管理中，關鍵時刻營銷及服務往往能得到事半功倍的效果。關鍵時刻客戶行為往往也會發生變化，能夠從數據上進行識別。

關鍵時刻包括：第一時刻、異動時刻、特殊時刻、免打擾時刻。

第一時刻是指：第一次開通某類業務或者體驗某類服務，這時營銷互補類業務客戶比較容易接受。

異動時刻是指：客戶使用過程出現異常情況影響客戶正常使用或客戶利益，可能導致客戶流失的時刻，這時要根據客戶異動情況及原因提供相應的服務。

特殊時刻是指：客戶生日、節日等時候，借用節日營銷，進行生日關懷能提升客戶滿意度，降低對營銷的反感。

免打擾時刻是指：在客戶不方便或不接受服務的時刻，營銷活動一般都會剔除免打擾用戶。

對關鍵時刻進行梳理，識別符合關鍵時刻特征的用戶，制定相應的服務流程和標準，提升客戶滿意度，降低客戶流失，是把握時機的重點。

五、總結

運用數據的CPCT策略中，Customer實現了宏觀層面的客戶細分，可以反向指導產品的分類與分層；Predict 是微觀層面one-one精準跟蹤用戶的行為，預知用戶的需求，占領用戶的心智；Channel自動化營銷是精細化服務的智能化手段，根據“if……then……else……”的邏輯做用戶觸達，提升效率；Time 掌握時機的精細化服務可以事半功倍。

本文由@段帥 原創發布于人人都是產品經理，未經許可，禁止轉載

題圖來自Unsplash, 基于CC0協議