Photo by Happy Lee / Unsplash

NAPL X 會員等級:會員模型的交乘應用(2)

RFM是經典的會員分析三維度。NAPL分群是RF維度,會員分級就是用會員貢獻度,也就是M: Monetary Value的分群方式。而 NAPL 交乘 會員分級,就是一種RFM的分析方式。

Happy Lee 李昆謀
Happy Lee 李昆謀

Table of Contents

NAPL x 會員等級

上一篇文章:NAPL x DCIU,談論了不同模型的交乘應用,主要是把交易基礎的模型 NAPL ,交乘以行為資料為基礎的 DCIU,不同維度的模型交乘,可以讓品牌進一步用更細緻的方式,做會員分群的操作。(延伸閱讀:NAPL x DCIU :會員模型的交乘應用

上圖一樣是兩個模型的交乘應用, 一樣是用 NAPL 作為一個分群維度,但另一個維度用的是「會員分級」。

會員分級的分群方式,即是以品牌最常用的會員忠誠度計畫(會員制度),直接用會員制度所產生的不同會員等級,來對會員做分群。

跟 NAPL 一樣,以會員制度為主的會員分級的分群方式,都是用會員的交易資料作為分群的基礎。而這兩個不同維度的模型交乘的觀察方式,看起來複雜,其實就是「頻率」(NAPL的基礎),交乘「購買金額」(會員分級的基礎),就是 CRM 系統或會員分析應用最常見的「 RFM 」的分析方式。

經典的 RFM

RFM 是會員分析中,非常經典的三大維度。什麼是RFM?RFM是:

  • R:Recency - 最近購物時間。
  • F:Frequency - 購物頻率。
  • M:Monetary Value - 累積購物金額。

一個品牌要了解會員經營的成效,也就是會員經營的成果到底是好不好,RFM的分析常常會是最基本的第一步。譬如說,今年所有的會員裡面,購買一次的、購買兩次以上,或者根本今年沒有購買的會員,各自佔比是多少?這就是用 F 購物頻率來分群,就會看到最基本以頻率為基礎的會員分佈樣貌。往往這樣基本的分析,就足以讓品牌產生很多的想法。

我們很常討論的「NAPL模型」,如果用 RFM 的分析維度來看,就是只有用到 R跟 F ,而沒有用到 M。(什麼是NAPL,延伸閱讀請看這裡

為什麼 NAPL 沒有用到 M 的維度呢?對品牌來說,會希望消費者,多回來回購(F)之外,也當然希望他每一次都買多一點,客單高一點,年度累積的貢獻金額多一點(M),才能幫品牌創造更多業績。所以一個會員的累積購物金額(Monetary Value),也是品牌在分析會員的關注重點。M 維度對會員分析來說,是很重要跟關鍵的一個維度。

但如果完全以 M 維度來分析,也會有一些不足。例如:兩個消費者,年度累積貢獻金額都是 20,000元(M),但 A 消費者買了 4 次累積了 20,000 (F =4), B 消費者卻一次購足 20,000,但今年內沒有再回購(F =1 )。從品牌的角度來看,雖然累計購物金額相同(M),但一個是每一季都回購的消費者,一個卻只買了一次,對品牌來說,這兩個消費者代表的意義,也很不一樣。

這也是為什麼,RFM 三個維度要放在一起分析,更可以分析清楚會員經營的狀態。但 RFM 放在一起分析,卻會增加複雜的,更重要的是,會增加模型可理解的難度。

會員等級就是一種依據M維度的分群

事實上,品牌常用的會員忠誠度計畫(或者會員等級制度),通常就是一種依據 M (購買金額)維度來分群的方式。

例如上圖這個表格,可以理解為某個品牌的會員制度,也就是累積消費越多(M),消費者可以升等,更高等級的會員,通常品牌就會給更多的會員等級優惠。

因為品牌在意一個會員的累積貢獻度(M),自然而然會員制度就會圍繞在 M維度下手,獎勵貢獻度高的會員,以期待會員透過回購來累計,也就是累計購買來升等。而單次購買升等,常常是給門市店員的操作空間,讓門市店員可以透過制度設計,拉高消費客人的單筆客單。

這些會員制度的設計,最終都是希望會員因為這些制度,會想要累積消費金額來升等,因此回購越多,貢獻越多。當會員好不容易升等,取得升等之後的優惠等好處後,也會因為覺得,好不容易才升等,也因此就會希望多買一些,多享受優惠,厭惡損失發作,然後持續在品牌回購。

而會員等級制度設計,有時候最困難的是:要分幾個等級?在哪個金額要切一刀?也就是要設計成累積多少金額升等?優惠要給到多少才足夠?其實這些問題的背後,都是數學問題,也就是完全可以用品牌的會員消費資料,用數學模型推導出來,而不是只是瞎猜。詳細了解關於會員分級的設計方式,可以請參考這篇文章:為什麼要做會員分級制度?(延伸閱讀:為什麼要做會員分級制度?

會員分級金字塔

使用會員分級制度,也就是用累積消費金額的會員分群,每一群的數量,會自然形成一個金字塔,以及一個倒金字塔。

正常合理的情況下,品牌在實行會員制度一段期間後,會看到的會員人數分佈會是一個正金字塔:一般會員,也就是初始等級的會員最多,鑽石會員,也就是最高等級的會員最少。

而對應的會員貢獻度,會是一個倒金字塔:一般會員,也就是初始等級的會員,雖然人數最多,但反而對品牌的消費貢獻最少,相反的,鑽石會員,也就是最高等級的會員,雖然人數最少,但對品牌的消費貢獻卻最大。

這兩個正倒金字塔,通常會看到前20%的會員,通常是最高等級的兩群會員,卻貢獻了品牌 80% 的業績,也就是到處都默默存在的 80/20 法則。(延伸閱讀:會員經營的20,30,40

因為這 20% 的會員貢獻度太高了(80% ),品牌一定得花心力好好經營,會時常關心他們,給足優惠,吸引他們持續回購,尤其是前 5% 的 VVIP,更是費盡心思了解他們的需求,滿足他們的想法。以致於非常容易產生「倖存者」偏差。

5% 的會員決定的品牌的樣貌,等於忽略了 95% 的其他可能性,一不小心,就會變成這 5% 很滿意,但可能讓其他新客看不懂而進不來。

所以我們除了關心既有的高貢獻會員,更要關心那些新進的高貢獻會員,以及有一些雖然沒有高貢獻度,客單不高,但卻購買頻率很高的會員。這些都不是單純看不同等級的會員可以看到現象,像是以下的幾種可能問題:

  • 最近的新客中,有多少會員是一次就買超過 20,000 就變成鑽石會員,然後就沒有回來買了?
  • 有沒有時常回購的好會員,但會員等級卻不高的?(購買頻率高但客單不高)

NAPL x 會員分級 = RF X M 的分析方式

所以回到最前面看到的圖,NAPL 交乘 會員分級,也就是把 RFM 混起來分析,就可以交乘去做更細緻的會員操作。

以上圖中的 A、B、C 三個區塊作為舉例,就可以協助品牌進一步思考各群會員應該如何操作。

A區塊是第3等級的黃金會員,同時也是N(首購)這一群人。白話的講,這群人就是近期第一次購買,而且一次就買超過8,000元的人。這群人可能是明日之星,非常值得好好促進他們第二次消費。

B區塊就比較慘,是曾經一次就買滿20,000元,變成最高等級的鑽石會員,但然後就快要流失了。因為那個曾經,可能已經將近1年,但卻首單即終單,值得好好關心他們是有哪裡不滿意,發生了什麼事?

C區塊是最有價值的 A(活躍)客戶,但卻是第2等級的會員。也就是說,這群客人購買頻率很高,而且最近還再回購,但卻一直沒有升等到黃金會員,代表購買頻率高,但卻客單不高,買很多次也沒有累計超過升等門檻,因此也沒有享受到更高等級會員的優惠。但這群客人還是回購頻率很高的有價值的會員,是不是要另外給予他們特殊優惠獎勵,增加品牌好感度的同時,也看是否可以因此,更進一步提高他們的客單?

如何取得交乘的分群會員

NAPL 是 RF 為基礎的分群模型,會員分級是以 M 為基礎的分群方式。各別分群都可以很容易理解與操作,NAPL操作活躍度,會員分級操作貢獻度。但交乘起來成為完整的 RFM 模型,有另外進一步的操作細緻度,補足了各別模型個別的盲點。

模型為了好理解,幫助快速看清全貌的某個角度,本來就是把複雜的事情做的一種簡化。透過模型交乘,可以點線形成面,交乘出新空間,有機會補足簡化後的維度,卻又不會讓分析變得太複雜。

剛剛上面那些區塊的範例,是試舉兩個模型交乘後的幾個區塊的討論,幫助大家思考更細部的操作的可能性。品牌可依據各自的狀況,來透過兩個模型的交乘應用,做更細緻的做會員操作。

91APP 的客戶可以在 Marketing Cloud 的名單圈選或是個人化行銷,透過「而且」(and)的方式,交集 NAPL 名單 與 會員等級,就可以找到上述的16群中的每一群人,並對他們做進一步的操作。

延伸閱讀:NAPL x DCIU :會員模型的交乘應用

相關標籤

🛍️ 零售的科學 CRMData 大數據CDP流量與會員(人)NAPL


主題頻道導覽


頻道首頁 零售主題地圖導覽 零售這個產業 OMO 大數據 RMN AI

精選文章