01，電商資料化建設之路

受益於計算機技術的發展，現在基本上所有的資訊都可以資料化，當越來越多的資訊都能資料化之後，我們對資料的依賴也會越來越大，對資料的期望也會越來越強。

從電商行業的資料化來看，主要分為以下四個步驟：

1.建立指標體系

如果資料只是一堆數字，沒有足夠的資訊量，那是無意義的。

我們需要建立完整的資料指標體系來衡量工作成果，比如用 n 個 9 來衡量技術系統高可用性，或者用 KPI 指標來衡量各條業務線。

2.發現業務問題

資料指標通常是工作結果的呈現，業務存在的問題一定會體現在結果資料中。

從資料中挖掘價值點不容易，但發現問題卻比較容易，就像每天開車路上發生的車禍總是令人印象深刻，但實際上絕大多數車輛都是安全行駛的。

當業務存在問題時，結果資料呈現的速度越快，留給解決問題的時間就會越多。

3.挖掘資料價值

想要達到這樣的期望，首先需要的是儘可能的將客戶的所有行為都資料化，記錄下來客戶跟業務之間的每一次接觸。

想象一下當所有人在任何時間、地點，發生的任何行為都被採集並整合到一起，再疊加各種演算法和模型，那具體某個人的未來軌跡將大概率會被預測到，這個世界的未來或許會變得極具確定性。

這個場景在西部世界的第三季裡被完美的展現出來，有興趣的話可以去看看。

4.驅動業績增長

當以上三個步驟完成以後，就相當於給你的座駕配備了最新的自動駕駛技術，在驅動業績增長的漫長旅程中，你將獲得更加輕鬆極致的駕駛體驗。

02，電商資料指標體系的搭建

搭建電商資料指標體系是用來發現問題的。接下來主要看看怎麼對電商業務進行抽象，提煉出資料指標。

電商業務比較流行的一種抽象是“人、貨、場”。商品、使用者、場景以不同的方式組合在一起往往意味著不同的電商模式。

我們先拋開不同模式之間的差異性，圍繞共性來進行抽象，共性可以簡單歸結為一句話：誰在什麼場景下買了什麼商品。

商品角度

從商品角度，我們最關心的肯定是賣了多少，賺了多少；具體到資料指標，我們會看銷售額、毛利額、毛利率、件數；再進一步還會細到每個品牌、單品、品類。

但如果只看這些資料指標的絕對值，並不能知道是好還是不好，那麼怎麼判定呢？我們可以從以下維度進行比較：

跟業務目標比。看達成率，是超額完成還是沒達成；跟自己的過去比。是越來越好還是越來越差；跟同類比。像公司層面就跟同行比；部門內部就是各組跟各組比；再就是各品類/品牌/單品之間進行排行對比。

看到資料，知道好壞，就可以酌情對商品結構進行調整，讓好的商品越賣越好，不好的進行淘汰。

購買角度

接下來，我們來看“購買”這個動作。

隱含的主語是使用者，什麼時間買的、第幾次購買、這次購買花了多少錢；進一步我們會關心這個使用者一個月或者一年一共購買了幾次，總共花了多少錢。

具體到資料指標，有購買使用者數、客單價（或者 ARPU 值）以及人均購買次數、單次購買金額這幾個指標。

對電商而言，通常都是一手做新客拉新，一手做老客留存。對於新客，一般都會有比較可觀的拉新費用，用新客在首單或者半年或者一年內貢獻的 ARPU 值比上費用，可以計算出不同維度的 ROI 。只要 ROI 合理，新客多多益善。

當新客流入的速度大於老客流失的速度時，假設客單價不變，銷售業績就會越來越好，反之就有陷入衰退的風險。

我們需要根據使用者資料指標展示出來的問題，快速調整運營策略，是加大新客拉新的力度還是老客留存的力度，或者雙管齊下。

場景角度

我們再來看場景。

舉個例子，當你在刷抖音時看到“兔頭媽媽甄選”這個母嬰品牌“6·18”的大促廣告，你正好想在“6·18”囤貨，隨即點選廣告進入到該品牌的天貓旗艦店，並在該品牌旗艦店的直播間買了購物袋裡擺在第一個位置的紙尿褲。

在這個轉化鏈路裡，我們顯然會關心:

有多少使用者看到和點選了廣告有多少使用者進到了天貓旗艦店裡最終購買了什麼商品花了多少錢有多少使用者進到了直播間這個場景並通過直播間裡的哪個位置進行了加車購買

具體到資料指標，簡單提煉下，可以得出流量（主要是UV）、點選率、轉化率、客單價這幾個指標，還可以額外增加一些點贊率、分享率相關的指標。

有了這些指標資料，把各個場景按照UV、轉化率、客單價進行綜合排行，哪個場景好，哪個場景不好，一目了然。

我們就可以依據資料結果，快速調整具體場景的設計。

以上分別從商品、使用者、場景三個角度進行了資料指標的提煉。

這三組指標之間存在如下圖所示的等式。這個等式說明了這三組指標是有關聯的。

我們把這三組指標進行分解關聯，得出這張指標體系層級圖。

第一層：主要是6個一級指標。通過這些指標的各種同比、環比、以及目標達成率，就能知道業務狀況是好是壞，以及是由哪個或哪幾個指標導致的。

第二層：是三組指標分解後的資料，具體分為三類，用來繼續尋找業務好壞的具體原因。

第三層：是三組指標分解並進行關聯後的資料，進一步細化到圖上的四類

03， 客戶資料平臺（ CDP ）的建設與應用

在剛才的指標體系中，如果問題指向了商品或者場景，調整起來相對比較容易；但如果指向的是客戶，就要複雜的多。

如何了解客戶，洞悉客戶需求，幫助我們提升客戶生命週期價值？客戶資料平臺就至關重要。

那麼如何建設和使用客戶資料平臺( CDP )？主要由行為資料採集、標籤計算、分群營銷和畫像應用，這迴圈迭代的四個步驟組成。

第一部分：行為資料採集

首先是保護客戶隱私的前提下儘可能多的採集客戶的行為資料，越全越好。

在電商的業務場景裡，簡單列舉幾個比較有意義的行為，比如

瀏覽行為（看了哪些品牌、哪些商品；是自己主動搜尋的，使用哪個搜尋詞搜尋的）；購買行為（這是客戶最重要的行為，後面會具體用到）；評論行為（是好評還是差評，評論字數有多少，是否有資訊量）；分享行為（像商品的分享、活動的分享、直播的分享、訂單的分享以及分享帶來的效果等）。

其它的行為還有售後行為，異常行為，在玩法中的行為，在社群中的互動行為，參與問卷調查的行為，參加市場活動的行為以及其它系統監測不到需要藉助人工採集錄入的行為等。

這些行為資料需要從不同的源頭採集，大致分三類：

一類是可以直接採集的，像App、微信小程式、H5，以及抖音、支付寶等其它的小程式；一類是內部系統資料同步，像客服系統、社群管理系統以及其他的內部服務；一類是第三方像天貓、京東、拼多多、微信公眾號、線下門店等系統的資料同步。

這些行為資料我們統一採集到CDP平臺裡，異構資料來源需要做一些ID對映，讓所有的行為資料最終都聚攏到具體的每個客戶身上。

第二部分：標籤計算

有了這些行為資料之後，需要經過分析提煉加工，才會產生價值，我們接著要做的就是在行為資料之上計算出有意義的標籤。

左側是電商業務中常見的計算類標籤，右側是具體某個客戶的標籤值。

像生命週期階段這個標籤，一般會劃分為五個階段：

新客期：最近1個月才開始下單的客戶；成長期：最近三個月內有重複下單的客戶；成熟期：最近半年下單次數超過4次的客戶；沉睡期：最近半年沒有下單但以前下單較多的客戶；流失期：一年內都沒下單的客戶。

當然具體的劃分規則，需要根據具體業務情況和使用的結果進行不斷調整。

有了生命週期階段這個標籤，我們就可以通過一定的策略使得更多的客戶快速的從成長期進入成熟期，並儘可能的使客戶停留在成熟期，再通過其它的策略去喚醒沉睡期的客戶。

像品類偏好、品牌偏好等標籤都可以歸入消費偏好，也比較好計算。

價格偏好可以先計算出平均客單價再劃入高中低幾個檔，其餘幾個可以計算出次數最多的值，或者次數比例超過多少的值，作為標籤值。

像互動積極性、傳播積極性、社交影響力，這些標籤是要把社交活躍的客戶從沉默的大多數客戶中識別出來。

我們可以設計一些策略或者玩法通過這些活躍的客戶去進行二次傳播，影響到更多的潛在客戶，互動、分享、邀請這類行為可以用來計算出這些標籤。

還有更多的標籤可以計算，比如客戶的決策力，是偏果斷還是偏糾結，偏糾結的就需要有更多的利益刺激。

這裡順帶給大家介紹一下 RFM 模型的應用

RFM是按照客戶的價值進行分類，用來指導營銷策略和營銷資源的分配模型。

我們來看一下是怎麼分類的: RFM 是三個維度, R 是最近一次購物時間, F 是購物頻次, M 是購物金額

每個維度分出高低兩檔，一組合就可以把客戶分成八組。

很顯然，M 是最重要的維度，帶重要兩字的都是購物金額高的；其次是 R ，最近一次購物時間越近越有價值。

不同的分組對應不同的運營策略。價值越高的客戶，相對忠誠度也會越高，與我們的心理距離也會越近，維持關係相對會比較容易，也更容易有二次傳播。

如果要建立更好的客戶服務體系，重要價值客戶是首先要覆蓋到的群體。

RFM 模型在實際使用過程中，有點難度的是確定高低兩檔之間的分界值。

可以使用平均值、中位數、四分之一位數，或者直接使用絕對值，比如最近一次購物時間在 45 天之內就劃入高檔

這些都需要根據自身的業務實際情況進行調整，另外一點是把 RFM 模型用於品牌相對會更穩定，也會更有效果。

第三部分：分群營銷

物以類聚，人以群分，有了標籤之後，最簡單的用法就是分群營銷。

舉個例子，當兔頭媽媽甄選這個母嬰品牌準備推出一款新的紙尿褲，在正式推出之前計劃拿出 100 份新品進行試用，那這 100 份新品該給誰？怎麼給？

這個做法實際上會傷害到客戶，一是申請通過率低，二是稽核過程無標準，隨意性很大。

還有一點，你肯定想要品質高的試用報告，最好還能影響到更多潛在的客戶。

第四部分：使用者畫像

除了前面講的計算標籤之外，我們可以收集到客戶的人口屬性標籤、業務屬性標籤，還可以計算出更有意思的預測標籤，當這些標籤都豐富之後，就可以稱之為畫像，在系統中勾勒出客戶的形態。

有了清晰的畫像之後，除了上一頁提到的分群營銷，還可以對接到我們的銷售系統、客服系統以及社群管理系統，促進業務更加高效的運轉。

也可以使用這些畫像進行個性化推薦，千人千面，或者簡單點，先來個十人十面。

以上就是客戶資料平臺的建設和應用過程。

04， 架構師的工具箱

最後我簡單講一下以上兩部分的技術實現方案。

這張圖是資料指標體系搭建過程中通常會採用的架構，講兩點架構設計中需要注意的地方：

一是，線性擴充套件支撐規模增長。資料只會越來越多，架構一定是要能線性擴充套件的。分散式的儲存和計算是最好的選擇。

二是，不重複發明輪子，儘量選擇成熟的開源架構，或者購買成熟的商業產品，把團隊的主要精力聚焦到自家的業務特色上。

這張圖是客戶資料平臺( CDP )的系統架構圖，資料流向很清晰，不同的系統不同的職責，高效配合，可供大家參考。

最後簡單介紹一下 GrowingIO ，GrowingIO 是我們客戶資料平臺( CDP )建設專案的合作伙伴。

GrowingIO 有成熟的客戶資料平臺( CDP )建設能力，從資料整合、統一使用者 ID ，到構建標籤、獲得畫像，都是很成熟的技術。

不僅是技術方案，GrowingIO 還配備了專業的實施團隊。像標籤的規則，埋點的規劃，都是需要頂層設計的，剛開始如果能有比較清晰的設計，對於客戶資料平臺( CDP )的成功落地會有很大的幫助。