最近在看赫尔曼•西蒙的书,又一次读到西蒙为德国铁路做的二维价格方案(1993),受此启发,想了一个问题,

能否用固定成本+可变成本分开的思路做会员营销方案呢? 适合哪一些顾客群体?如何从数据中支持最终的营销方案?

一、客如云+Tableau

定价是营销的圣杯,明智的定价必须要有数据和分析两方面的支持。作为客如云和Tableau的集成合作伙伴,「山东客如云」敏捷地结合了二者的优势,为商家提供了数据和营销所需。

客如云作为SaaS系统的代表,它为商家保存了成立以来的所有数据,从而方便后期的分析;在本案例中,我们从客如云系统导出商家的订单明细,并导入到我最喜欢的Tableau Prep分析平台整理,之后转移到Tableau Desktop予以分析。

mmexport1536195704578-17193334961774781281.jpg

 

二、逻辑框架

德国铁路的优惠卡,把年卡和里程折扣分开,通过提前投入固定费率,降低后期的变动费用,从而如乘客在对比时感受到列车胜过自驾的好处;不得不说,这是明智而成功的定价营销策略。

最近「咏茶」在做五周年的活动,我脑海中记得的活动主要是面向新顾客的,对于支持走过多年的老顾客,反而并未感受到特别的诚意。能否用上面的思路,让老顾客的每次销售都获得极大的折扣呢?而把“获利的重点”从每笔消费的比例收益,转移到会员卡或权益收入上来?

也就是设计“咏茶100%”的会员卡,仅面向一定条件的老会员发现,收取一定的会员卡费(当然名字要好听),同时给予后期每笔消费的折扣。比如说,针对消费10次到20次的会员,推出199元会员卡,赠送5杯免费品质奶茶,之后一年 时间所有消费5折优惠。

这个方案的有点显而易见:

  • 提前获利,将本来全年的LTV收入给顾客一个理由提前支付了,提高顾客的忠诚度(沉没成本);
  • 提高复购,一旦会员获得独一无二的限量会员卡,就会想法设法发挥它的价值,会比过去一年更多地到底消费,享受卡的权益;结果,复购率和LTV同步增长;
  • 会员会向周围的朋友介绍她/他的会员权益,并让渡她的特权,比如代购、借用,一定程度上起到分享营销的作用。

当然,这个方案也会有弊端,

  • 如果设计不够精准,就会损害在高价值顾客上的获利能力;
  • 如果使用没有围墙,会导致会员卡滥用,周边新增的很多顾客会是“没有获利的顾客”,导致负的外部性。

这个设计的重点,其实就是数据和分析的准确性,严格的数据回顾,针对性地寻找顾客精准推送方案。

 

三、如何通过Tableau 实现数据分析和精准抵达

依据上面的逻辑,我们需要找到过去一年顾客的消费数据,分析每个顾客的消费次数及分布、平均LTV价值贡献、客单价等。

1、请欣赏Tableau 的表演——连接和粗加工数据

我们从客如云的订单中心批量导出所有月份的数据,客如云会自动保存为规则的文件名;默认的表格是无法进行分析的(存在合并单元格、多重表头等);我们需要通过Tableau Prep的数据解释器,更好地导入到Prep,结合通配符一次性导入所有月份的数据。

之后在数据字段窗格中,勾掉不要的字段,并做初步的筛选,比如仅删除“未支付”订单。

Prep 初步整理数据 唐风案例.png

2、数据精细清理

在Flow面板,建立clean step,我们可以进一步整理我们的数据,比如把相同的字段合并(客如云的数据表并解释之后,多个表有差异需要合并)、删除顾客电话中的无效NULL值(顾客电话是顾客资料唯一字段)等,所有的更改都会被保存,便于查看。

因为Prep本身不支持LOD操作,不能直接通过计算字段来实现剔除退货单(退货单的原始单据和退货单据是分开的,直接删除退货单并不能删除对应的支付订单),因此需要通过aggregate聚合把退货单剔除。

之后,通过聚合,将“订单明细表”的颗粒度降低到会员累计消费金额(LTV)的层次,保留我们需要的会员手机号唯一编码、会员消费金额、订单号(用来计算复购次数)、营业日期(用来筛选周期)等,运行生成hyper文件,用于我们后续的可视化分析。

(下面的图片信息量有点大,但不是本文详尽的重点,因此不再展开)

prep 唐风华饼 案例

3、从数据到可视化

在活动了整理过的信息之后,我们把hyper文件导入到Tableau Desktop,然后根据需求做一个可视化图表:

  • 不同消费频次的顾客数量和贡献的累计百分比;——寻找营销的对象分布
  • 不同消费频次的顾客分布,和平均的顾客贡献金额(LTV)——确定营销的卡费金额
  •  不同消费频次顾客数量与总体占比——辅助第一行,确定营销的对象,从精准寻找顾客

mmexport1536195707002-18132830789142533347.jpg

PS我对色彩的感觉一般,而且希望用最简单的方式表达结果,因此使用了双轴图;另外,顾客数量占比轴用了“对数”显示,避免重合,放大了差异。

4、从可视化到业务见解

在上面的基础上,最重要的就是根据可视化,形成自己对业务的判断和理解,比如我们以消费频次16次的顾客为例,我们发现:消费16次左右的顾客共计267人,人数占比5%,但销售额贡献7%;客单低于左右两个区间,只有28.3元,说明这个区间的数据可靠性有待研究。

我们可以进一步把消费频次改为数据桶,分析区间的分布,比如说我们以消费频次15~20的为精准的对象,从而提高数据的可靠性。以区块为营销对象,也更有代表性。

mmexport15361957115967388872515595474839.jpg
数据频次改为数据桶(步长5)

从这个图看,我们可以针对15-20人的顾客做营销,合计人数539人,平均客单价55元。我们要提前把一年或半年的毛利以卡费的形式获得,假定卡费99元,超过了目前的消费金额,可以以产品券当场返还一部分;然后将后来的消费购买做大幅度折扣。比如:

  • 限量邀请66%会员卡,凡是受邀请的会员,均可办理99元会员年卡,当场获得价值30元产品代金券(或礼品券),并在未来一年时间享受所有产品六六折折扣。

按照这个思路,我们可以继续推出类似的50%会员卡,甚至100%会员卡(比如针对环卫工人等人数人群的全额折扣卡)。

这个地方,需要的是基于数据的想象力,是业务人员的重要工作。

 

四、总结

“Tableau:让提问题的人自己找答案”

企业最佳价值的是数据,但是最没有用的是那些没有没有被开发的数据;Tableau希望让越来越多的业务人员通过自助式的探索,发现业务中的盈利要素,成为赋能企业成长的力量。

 

关联文章:

6 Sep 2018 初稿