【数据说·第十六期】如何分析“会员数据”，强化门店的竞争力？

【写在前面】

       上一期梳理如何对门店的营业额数据进行分析，需要找到影响营业额真正的“短板”，针对性有效改善，从而一步步的来提升门店的盈利能力。（【数据说·第十五期】如何对营业额数据进行分析，提升门店盈利能力？）

       那么，本期继续梳理如何从会员数据，来分析门店的情况，强化门店的竞争力。来这片自留地，一起探索交流运营与数据的魅力所在。

我年纪还轻、阅历不深的时候，我父亲教导过我一句话，我至今还念念不忘。

每逢你想要批评任何人的时候，他对我说，你就记住：

这个世界上所有的人，并不是个个都有过你拥有的那些优越条件。

——《了不起的盖茨比》

如何分析“会员数据”，强化门店的竞争力？

 

线下门店竞争状况可以说是非常激烈的，如今疫情下，提升门店的竞争力更是重中之重了，而竞争的关键，归根结底是对顾客资源的争夺，对于线下门店来说，会员往往是顾客群当中的核心群体，只有对品牌形成认可并且有持续消费习惯的顾客才会加入会员，进而分享门店，使品牌效应最大化，且门店也可以针对会员采取一些针对性的营销策略，持续地争取再次上门、再次购买的机会。因此，“会员数据”必将在这场争夺大战中发挥越来越大的作用。

然而，在大数据时代，很多门店会员数据根本就没有用起来，还处在最基本的跑马圈地（会员）时代。所以，对会员数据分析一方面可以指导销售营运，主要是还可以提高营销的精准度，强化门店的竞争力。

01

那么，我们先来了解一下“会员”需要收集哪些数据呢。

 

其理想状态就是收集顾客信息以下数据：

姓名、性别、年级、生日、手机号码、邮箱、地址、月收入、工作单位性质、客单价、会员连带率、复购率、会员消费频次、会员充值情况、剩余情况、购买的项目、卡耗数据（如美业——次卡、时卡、通用卡、疗程卡数据情况）等。

▍会员姓名、电话、年纪、职业、住址、月收入情况等会员基本信息的画像，可用来分析挖掘顾客的”可能需求”。

▍会员客单价、购买的项目、消费频次、卡耗数据、到店的次数、剩余情况、复购的品项等会员消费习惯，可用来分析顾客“自己的需求、信任的品项”等。

而这些数据主要是为了后期的分析和精准营销，但有些数据收集起来是比较困难的，如会员顾客的个人月收入就很难直接获取，这时候就需要利用挖掘客户需求的一些手段，比如让顾客选择收入的范围，以及问顾客最近在什么地方消费了项目，来预估顾客的消费水平等手段来完善顾客画像。还比如通过微信发放代金券来收集微信号，通过办卡时刷顾客的身份证来收集出生日期等等一系列手段。

 （【数据说·小剧场】挖掘线下门店小手段）

传统门店总是希望能免费得到顾客的这些数据，但免费的时代得到的这些数据质量得不到保障，所以适当的用“利益”获取有用信息。会员的数据收集完毕后，通过分析数据背后传达出来的信息，进而完善会员的顾客画像，为顾客分层，实施精准营销策略提供参考（价值），强化门店竞争力，最终提升门店的销量和营业收入。

02

接下来，我们就来梳理如何分析会员数据，强化门店的竞争力？

 

第一、对会员异常数据进行清洗。

很多人说到会员数据就要进行数据挖掘，我之前看到过一段话：“数据首先是管理、其次是分析、最后才是挖掘”。所以，在正式做会员数据分析之前，必须对那些异常数据进行清洗，保证数据质量，只有这样会员顾客数据分析的结果才是靠谱的。

如，那些胡乱填写的数据进行筛选删除等。

 

第二、对日常会员基础数据指标看趋势、找对比、溯源头。

每天或每周需要关注并追踪的会员指标：会员的新增开卡数、新开卡率、贡献率、会员客单件、会员件单价、会员连带率、沟通率、回头率等。

每月或每季度需要关注并追踪的会员指标：除了前面那些指标外，还包括会员的平均年龄、性别贡献率、有效会员总数，会员增长率、流失率、回头频率、平均回头天数、促销活动的转化率等。

 

第三、梳理会员客单价分布占比，进行对比。

会员客单价的高低反映了店铺会员消费承受能力的情况，多组织适合消费者承受的价格带产品。而提升中高价位的产品销售，是提升客单价的重要方法。

如下图，一个蛋糕店的1月份和2月份的客单价占比对比，从图中看出，会员客单价2月份相比1月份占比持平，客单价26-50元内占比都占46%，可见这个蛋糕店的会员客单价26-50元区间，在可结合根据顾客喜好，合理优化搭配商品系列组合套餐，多组织适合消费者承受的价格带产品，再通过内容软文营销+海报，促使客单价持续提升。

 

第四、了解会员构成占比、消费频次的分布情况。

 一般情况下，会员占比在45%-55%之间比较好，这时利益最大化，市场拓展与顾客忠诚度相对正常，且业绩也会相对稳定。若是低于这个数值区间，就表示顾客流失，或市场认可度差，若高于此数值，则表示开发新客户的能力差，假若先高后低，表示顾客严重流失。

而消费频次的分布可看出，若消耗越快，复购高，粘性越高，说明店铺的会员忠诚度越高。

了解这两个分布占比代表当前会员数据对整个门店销售的代表性越强；反之，如果这两个指标占比偏低，那么应该考虑实施加大会员纳新，将更多顾客转化成为会员，使之消费记录可以连续和被跟踪。

如图，从蛋糕店的会员消费频次看出消费4次以下仍占比较大，应促进高频次会员消费，余额高的顾客再次消费，可持续维持老会员忠诚度，丰富充值活动（如赠充值等），加大成为会员的力度。       

第五、基于RFM模型打标签建立私域流量池，进行会员分群管理。

RFM模型通过一个顾客的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。基于一个理想的顾客特征来衡量现实中顾客价值的高低，通过此类分析，定位最有可能成为品牌忠诚顾客的群体，根据不同类型的会员，建立不同的流量池（微信群或者会员管理系统等），不断的维护会员客户，强化门店的核心竞争力。

比如，通过RFM模型进行会员分类，可以显示出不同类型会员顾客的占比，针对不同类型的顾客进行不同策略的营销，例如，对于即将流失的顾客，商家再主动地跟进服务，可定期地免费抽奖、免费收寄快递、免费商品体验、赠送小礼品等手段进行挽回。

03

总之，从强化门店竞争力最大化的角度来讲，会员管理既要把会员基数做大，还要提高会员的购买频次，同时还需要防止顾客离你而去，因此，会员顾客的不同生命周期管理（新客→成为会员→活跃会员→沉默会员→睡眠会员→流失会员）采取针对性的策略，要持续的做到看趋势、找对比、溯源头。

最后，倘若你不一样的看法，欢迎留言添加完善分享，并交流！（如被选中精品留言，回复“1”添加木兮，将获得运营地图哦！）

本期扩展

相关分析（Analysis of Correlation）是网站分析中经常使用的分析方法之一。通过对不同特征或数据间的关系进行分析，发现业务运营中的关键影响及驱动因素。并对业务的发展进行预测。

相关分析的方法很多，初级的方法可以快速发现数据之间的关系，如正相关，负相关或不相关。中级的方法可以对数据间关系的强弱进行度量，如完全相关，不完全相关等。高级的方法可以将数据间的关系转化为模型，并通过模型对未来的业务发展进行预测。

END

图片来源于网络

要是有新的想法和观点，欢迎在下方留言区讨论。