电商CRM，该如何拆分和设计？

　　CRM做为客户关系管理和维护的重要方面，在电商中显得尤其重要，我们从各个渠道投放广告花高成本去获客，用户进来以后却不能及时的被留住，留存和复购数据不太理想，客户不能被准确的定位和服务，基于这些问题，更加需要深入分析客户行为，判断每类客户的喜好和习惯，不断完善人群属性，通过建立完善的CRM机制来升客户的消费并实现二次购买。
　　一。明确CRM的目标
　　延长用户生命周期，实现生命周期价值CLV（CustomerLifetimeValue，也有称LTV：LifeTimeValue）最大化
　　生命周期：CL：CustomerLifetime
　　生命周期价值：CLV（CustomerLifetimeValue，也有称LTV：LifeTimeValue）
　　二。剖析用户生命周期和价值
　　让用户能在生命周期中产生商业价值，才是业务的最终使命。这里的商业价值，不单纯是电商广告游戏等赚钱模式。信息和数据这些无形且很难量化的也是商业资产。为什么要谈用户生命周期和价值？因为不得不接受的事实是，无论你是多么出色的运营和产品，都无法真正制止用户的流失你可以延长它，但就是不能阻止它。当产品获得足够多的用户时，最大的问题不是继续获取，而是从用户身上赚回钱。成熟的产品都应该考虑CL，以及更重要的CLV。
　　只要用户停留时间越长，对产品的使用粘性越大，就越有可能在我们的产品上产生价值，那么有一个公式大家一定并不陌生：
　　赚钱CLV（用户生命周期价值）CAC（获客成本）COC（运营成本）
　　电商的CLV由一系列购买的指标决定，电商CLV指标：支付订单量、GMV另外，我们通常说的用户留存率，其实也是用户忠诚度的体现，留存率对用户的判定较为模糊，也不具备界定意义，因此我们可以转化为用户生命周期。
　　用户生命周期周期（1周期内新增留存率）
　　如果一款产品新增用户的月留存率是70，那么估算出：平均用户生命周期1个月（170）3。3个月。
　　运营的目标就是延长用户生命周期从3。3个月到4个月、5个月乃至更长。并且在此期间产生商业价值。对于大部分产品，这个公式都是适用的。
　　如果需要更精准的指标，则可以将数据制作成频数分布图。
　　来看看怎么精准的分析和运营：
　　用户生命周期最少的那部分用户，例如10天，有什么具体特征，为什么不用？
　　用户生命周期最多的那部分用户，有什么特点？
　　分布人数最多的用户，怎么样能想办法抓住他们的痛点？延长他们生命周期
　　究竟是用的久的用户（二八理论），还是分布人数最多的用户（长尾理论），产生的商业价值大？
　　每个用户的生命周期都能产生商业价值，但有些用户注定更有价值。
　　用户生命周期和流失是息息相关的，用户流失，便是用户生命周期的终止。
　　用户不用APP，可能是比较忙，可能是出去旅游了，可能是大姨妈来了心情不好。那么运营应该怎么判定他是上述情况，还是卸载不用呢？也许我们需要几个月后才会发现用户最后登录停留在某一天。高级运营和初级运营的分水岭在于：初级运营经常事后补救，高级运营能够防范于未然。
　　将用户的流失可能扼杀在萌芽阶段，是延长用户生命周期的有效手段之一。这听起来很玄乎，但举个例子就会明白的。
　　一款社交应用，通过流失用户的特征分析。发现了如下的几个特点。
　　流失用户中，40的用户没有完善资料新增用户没有导入通讯录好友；
　　流失概率比导入的高20新增用户；
　　在第一周使用中，如果添加的好友低于3，则一个月后的流失概率超过一半。
　　用户流失前一个月，互动率远低于APP平均值。
　　这些特征很容易读懂了解，运营也很容易针对性的采取策略。例如良好的新手引导、引入好友推荐（想想微博和各兴趣向APP）、增加曝光量、乃至使用机器人等等。
　　如果数据化运营更彻底，可以运营和数据分析结合，将上述的特征建模，得出一个比较准确的流失概率预测。用模型计算出某一类人群流失概率在80以上，和知道什么样的人可能流失，在运营上是两个层次。
　　我们可以构建决策树模型，因为决策树模型的可解释性强，它是ifthen的集合，运营非常容易理解。比如用户完善资料低于50，且没有导入通讯录好友，且好友数量低于3，则其一个月后的流失概率为80。模型训练出叶节点，运营用SQL就能跑出来可能流失的用户群。
　　另外，发掘出变化性变量在运营中有奇效。比如完善资料，是否导入通讯录好友，都是静态、状态型的特征，更多是产品上的优化。但是某一类用户流失，能通过其他数据特征体现，比如上周打开了APP20次，本周打开了5次，下周打开了1次，趋势是下降的，那肯定是要流失
　　三。流失率计算
　　1。数据的获取
　　流失用户是通过用户的最近一次登录距离当前的时间来鉴定的，所以要分析流失用户，需要知道每个用户的最后一次登录时间，而对于不同网站而言，这个时间间隔会各不相同，最长可能会有1年或者更久，所以在数据获取方面会有一定的难度。如果分析的是注册用户，那么一般网站都会在数据库中建相应的表来存放用户信息，所以建议在储存用户基础信息的同时记录用户的最近一次登录时间，这样就能够准确地计算用户最近一次登录距离当前的间隔时间，进而区分该用户是否流失。
　　2，流失用户变化趋势
　　首先需要明确的是用户的流失可能并不是永久的，也许用户在一段时间内对网站确实没有任何需求，那么他会远离网站一段比较长的时间；或者流失用户也会因为网站的某次营销或者网站质量的改善而重新回来。网站总的流失用户数的计算比较简单，以超过1个月内登录即为流失为例，那么总流失用户数就是所有“当前时间点用户最近一次时间点1个月”的用户数量。但是单纯的总流失用户数量对于分析是没有意义的，因为大部分情况下这个数值是一直递增的，我们需要计算总流失用户数占总用户数的比例及新增流失用户数，观察它们的变化趋势，如下表：
　　新用户流失率我们可认为新用户注册后就完成首次登陆，那么简单地定义新用户流失，就是用户在注册后一段时间内都没有登录过游戏，即当前时间点用户注册时间点流失临界时间间隔比如我们定义用户的流失临界时间间隔为1个月，也就是在注册后的一个月内未登录的用户意味着已经流失，那么就可以计算每天的新用户流失数，即注册时间为1个月前的那一天，而从注册到当前没有登录过的用户数。这个用户数与1个月前的那一天的总注册用户数的比例就是新用户的流失率：当天的新用户流失数当天的总注册用户数新用户流失率计算出每天的新用户流失率，并观察它的变化趋势：
　　四。RFM评估
　　RFM定义：最近一次消费（Recency）消费频率（Frequency）消费金额（Monetary）
　　根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”（loyaltyladder），其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。
　　以上三个指标会将维度再细分出5份，这样就能够细分出5x5x5125类用户，再根据每类用户精准营销显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个维度做一次两分即可，这样在3个维度上我们依然得到了8组用户。
　　这样，之前提的四个问题，就能很容易被解读（编号次序RFM，1代表高，0代表低）
　　重要价值客户：最近消费时间近、消费频次和消费金额都很高，一般是VIP
　　重要保持客户：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
　　重要发展客户：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
　　重要挽留客户：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。
　　五。结合电商平台设计功能
　　结合用户生命周期和价值，观察流失率曲线并预估是否用户在持续累积还是流失，评估用户的RFM，在了解了用户的真正节点之后，结合数据，就可以设计搭建CRM大后台了，这个后台所要承载的功能就需要按照模块进行分类和细化，这里只对大模块做区分，并没有细化用户的生命周期节点，后台可留有时间设置，来进行精准营销，这个相信大家都明白怎么样去利用数据设置任务，此处不做赘述，具体内容可参考下图，基本可以覆盖电商所需要的底层功能：
　　结语
　　针对CRM，还有很多值得我们研究和探索的框架以及内容，做好CRM无非是为了更好的做到三点：
　　首先，建立、管理并充分利用客户数据库；
　　其次，通过客户关怀提高客户的满意度与忠诚度；
　　同时可以通过商务智能分析模块，分析客户流失原因。为更好地满足用户的需求而做好服务。
　　另外，CRM客户关系管理其实也分为2种，2B或者2C。我们上述内容讲解全为2C端的，2B的CRM更多的是对销售机会的管理，其中包括各个客户的拜访情况，意向，对方处于的状态，对方的痛点等等。核心在对能把东西卖给他所需要的相关信息的管理。2C的CRM则更加大数据一些，这主要在零售公司比较常见。根据顾客购买情况，依据一些数据分析模型（比如RFM），我们可以描绘出各种典型顾客画像，在将购买顾客分别套在画像中，以进行后续的营销活动（比如EDM电子邮件营销）。无论是使用什么样的方法，我们的目的很简单，就是留住用户，增加粘性，让用户信任我们，依赖我们。我们为用户提供更好的体验和关怀，用户可以为我们提供更多的商业价值。（部分CL及CLV内容引荐知乎）