电商和零售行业常见的用户分类模型

合理化的用户分层模型,是可以直接很好的指导运营策略和产品/服务的设计,所以如何找到合适自己品牌的用户分类模型至关重要。今天来给大家介绍几个电商和零售常用的用户分类模型。

RFM用户分类
这个模型属于最经典的用户分类模型,根据用户的最近消费间隔(R)、消费频次(F)、消费金额(M),将用户分为下面8类。

随着现在越来越多的品牌搭建会员体系以及长期的优惠活动触发,也延伸出了LRFM模型,引入了:

L:入会至当前时间的间隔,反馈的是活跃时长
C:舱位等级对应的折扣系数,反馈客户的价值高低
这个模型,可以宏观让品牌了解不同价值的用户分层,但是到具体的知道业务策略设计的时候,却相互脱节,实践性较差。

基于运营流程用户分类
新客阶段:注册未消费、首单用户、新客成长用户
升值阶段:活跃-中低频、活跃-高频、回流-中低频、回流-高频
挽回阶段:预睡、浅睡、深睡、沉睡-新客、沉睡-老客
这个分类模型,能很好将运营流程合理的拆分,将用户分类与行动匹配;

不过,这个模型也有弊端,因为新客、活跃、低频、高频、沉睡要怎么定义,其实很多时候也是拍脑袋或者简单拉一个留存率曲线进行观察,定的是否合理也无从考究,而这些数值点的定义是否精准,也会大大影响用户运营的效果

AIPL用户模型
A:awareness,品牌认知人群,包括被品牌触达和品类词搜索的人。
I:interest,品牌兴趣人群,包括广告点击、浏览品牌主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏。
P:purchase,品牌购买人群,指购买过品牌商品的人,针对新客。
L:loyalty,品牌忠诚度人群,包括复购、评论、分享等,针对老客。

这是阿里提出的全域营销增长模型,目标实现品牌人群资产定量化,链路化运营。从这个分类中,我们可以看到它把拉新和收割明显的区分开来,公域的拉新 + 私域的收割;

AI对应通过技术性玩法的拉新,除了品牌拉新,还包括品类拉新;

PL对应着收割,全链路多场景促进用户点击、消费、复购,从最大程度提升ROI。

这个让模型和行动匹配,然后不同分类中也不会依赖数字节点的分割。用这个模型匹配的增长模型是FAST模型,这个在下周的文章中我会继续分享。

算法聚类的用户分类
上述的模型中,我们也提到,在用户分类时,很多节点数据可能都是拍脑袋定的,定的不准确也会影响运营策略的效果。

所以我们最近开始研究利用聚类算法,引入用户的订单、浏览、成长行为,通过聚类将用户进行分类;

我们对一个茶饮品牌进行了初步的尝试发现取得了一定可喜的结果,聚类的结果,把用户鲜明的消费场景一个个拆分呈现出来了:工作日午后解渴、工作日下午拼单、周末晚上休闲消费…..接下来我们也将对这写用户分类,进行继续拆分,找出这类用户中高频用户的特征,并进行关键行为的引导。

综上,合适的用户分类模型是需要和行动匹配的,分类的那些关键数据指标制定的合不合理也会大大影响策略的效果;下周我们分享,不同分类偶像对应的增长模型,要怎么指导行动去做合理的用户增长。

申请开通侯斯特账号

申请开通侯斯特账号