L代表用户忠诚度,t是时间窗口,n代表时间周期,s代表消费次数、活跃次数等(如果代表优活次数,则可表示为用户优活忠诚度),若时间窗口以月为单位,那么t=1时,s是距离第一个月内的优活次数,t=2时,s是距离第二个月内的优活次数,设定要计算的L的周期n,计算结果L的值越大,说明用户忠诚度越高。
例: 计算A、B、C三个用户2020年1月份至7月份的优活忠诚度。
t=1,n=7,s=7个月内每个月优活达标的次数,可计算L的值。假设值与计算结果如下:
根据计算结果可以看出,用户忠诚度C=标准>A>B,
因此结论如下:
C用户即使在7个月内有3个月优活未达标,但其优活忠诚度满足标准,该用户属于自发性优活用户,无需过多干扰;
A用户在7个月内有3个月优活达标,其优活忠诚度略低于标准,该用户属于激励性优活用户,需对其采取少量刺激行为使其优活达标;
B用户虽然在7个月内也有3个月优活达标,但其优活忠诚度低于标准,该用户属于不稳定用户,即容易优活也容易失活。
PS:如果只看到上述模型会觉得好像很有道理,计算公式明确,能够得出结论,且结论好像符合实际数据规律,其实不然,上述模型是营销号在运营地图里编造的,经不起推敲。反驳如下。
1.公式错误
公式中 t 代表时间窗口,s 代表优活次数,然而数学公式中1个变量只能用一个字母表示,且
表示求和公式,如果按照上述求和公式计算,结果应该是
因此公式中 t 与 s 定义不明,公式存在错误。
2.举例说明
同样以A、B、C三个用户和标准进行对比举例,按照上述计算公式计算 L
可以看出, ABC三个用户的忠诚度计算结果是相同的,则根据结论ABC三个用户忠诚度相同,但很明显能够看出A用户的优活天数递增,B用户的优活天数递减,C用户处于波动中,即A用户忠诚度递增且现在最高,B用户忠诚度递减且现在最低。
因此, 上述用户忠诚度模型得出的结论不符合实际情况。
1.加权法
设定标准值时间,即想要分析的起始时间,根据距离标准值的第N个时间周期,设置加权数,计算加权赋值率,下表以月为例。
加权中根据最近第N月赋予不同权重的值。最近第1月离标准值最近,所以赋值最高;最近第12月离标准值最远,所以赋值最低。(这里采用1年为周期的计算方式,如果顾客生命周期达到2年,也可以从24开始赋值,一直从最近1月赋值到最近第24月。)
加权赋值率计算:将12+11+……+1=78,作为赋值总和。加权赋值率=加权数/加权赋值总和
2.忠诚度
L表示用户忠诚度,n表示计算周期,k表示加权赋值率,s表示1单位时间周期内次数
3.举例说明
例1: 设定7月为标准值
根据计算结果可以看出,LA>L标准>LC>LB,因此用户忠诚度A>标准>C>B
例2: 设定7月为标准值
用户A最近优活的多,总共优活了140次;用户B过去优活的多,总共优活了154次。
但是根据加权得出的用户忠诚度,用户A忠诚度>用户B忠诚度,因为用户B最近的忠诚度太低了。
根据满意度-忠诚度可以划分出四象限,区分不同类型的用户群体:高满意度,高忠诚度是天使型用户;低满意度和低忠诚度是危险型用户;低满意度,高忠诚度是羊毛型用户;高满意度,低忠诚度是人质型用户。
不同的用户类型,可以在用户运营时有针对性地采取不同的策略。
比如基于价格的忠诚度与满意度结合:羊毛型用户,说明产品不好用但价格便宜,采用低价让利的优惠组合;天使型用户,则引诱他们更高的消费。
比如基于活跃的忠诚度与满意度结合:人质型用户,说明产品好用或需求场景浅,但有同样好用或更好用的产品会容易换用,采取数据壁垒的方式增加其换用难度;羊毛型用户,说明产品应用场景深,但产品无法完全满足其需求,需要针对其需求进行优化。
分类矩阵包括:1、 忠诚的客户,此类客户最为稳定,对企业也最有价值,望望伴随着很高的重复购买行为。
2、 潜在忠诚客户,此类客户拥有较高的态度取向但伴随着较低的重复购买行为,反映的是潜在忠诚
3、 虚假忠诚客户或伪忠诚者,此类客户拥有较低的态度取向伴随着较高的重复购买行为,他们会经常购买此企业的产品或服务,但并不认为此企业提供的产品或服务有特别之处
4、 不忠诚者,此类客户拥有较低的态度取向伴随着较低的重复购买行为,这种客户几乎长期不和企业发生业务关系。
钻石模型
忠诚者
习惯性购买者
相同点:至购买少数集中品牌的产品和服务表现出较高的行为忠诚。
不同:忠诚者投入程度高,与企业有感情,习惯性购买者与企业没有感情成分,一旦企业无货,便转向其他企业
多品牌购买者
品牌转换者
相同点:都购买多种品牌的产品和服务
不同:一个为不同的消费场合购买不同品牌的产品和服务,一个对价格优惠比较感兴趣
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)