【客如云+Tableau】老会员营销，如何从数据到业务洞见

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。

 

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。

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）

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

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。

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：

• 【Tableau】从“数据金字塔”到Tableau分析工作流 revised

6 Sep 2018 初稿