本文给大家一个结合用户生命周期算法、用户来源以及价值贡献三者结合起来的一整套销售预测与活动测算逻辑。Enjoy~
大家注意了没有:我在用户生命周期种,一直没有提到RFM模型种的M值,也就是用户消费金额。
为什么?
因为用户生命周期,只和用户消费行为有关,和用户价值贡献无关,而M值的运用则需要在运营测算种体现出来。
下面我可以给大家一个结合用户生命周期算法、用户来源以及价值贡献三者结合起来的一整套销售预测与活动测算逻辑。
月度销售预测与营销逻辑
首先我们先来看一个销售预测的逻辑:我们将用户从时间维度的划分结合历史值,推算出预估业绩,再分解到各项具体的业务指标来找到营销策略:一个美妆企业覆盖全国市场500家门店,2018年1—8月份月均销售额为3000万元/月,9月份开始计划做双十一大促,目标销售要提升到当月6000万元,提升率达到 200%,在新店不增加数量,老店不关店的前提下,站在用户运营的角度该思考哪些点呢?
我们必须要理解,如果站在CRM运营的思考维度是将用户分类——我们每个月的销售额,由哪些人带来的?每部分人分别贡献多少?每部分人是怎么来的?如何连接到她们?用什么手段去影响她们?
不管全国多少家店,每个月销售额是几百万或者是几个亿,用户分类都可以用大范围的时间去框定——年度新用户在当月返店、当月新增用户、年度老用户返店以及无法识别用户(无注册信息)四部分人。
讲白了,每个月的消费人群都是由该月新增加的用户、今年前几个月消费再回头的用户,以及上一年 度返店用户,以及无法识别身份的四部分用户组成的。
所以在这个时候,会有一个历史消费模型来告诉你之前每个月的3000万销售额,这部分人分别占多少,是如何构成的。这一步非常重要,因为有了基础,才可以做推算。
先解释一下上述【销售预估表】里每一项的逻辑来源:
1—8月份新用户数可以直接从后台拉出数据,9%的9月返店预估是基于2017年的历史数据(2016年在2017年的返店概率直接拿过来),人均1.1次消费次数也是本年度新用户的参数,新用户每月单数/新用户每月消费人数,330的客单价是1—8月份这部分人群的平均值。
9月当月新增用户,是在新店不增加,老店不关闭的情况下,根据1—8月的平均值计算出来的, 这部分用户的历史值参考不用去年的同比,而是用今年的环比趋势,相对其他几个维度更为确定一些。
2017年老用户在2018年9月当月的返店概率,则是拿2017年的消费用户总数,乘以9月预估消费 的返店概率得出来的。
值得一提的是:上一年度的用户在本年度再消费的人,只占少部分,大约为35%左右,而正是这35%的人会在2018年12个月当中消费,并且消费概率不是平均分配,每个月的消费返店概率是按照去年的趋势来定的,而且是逐月降序分布,基本上到了9月份老用户返店人数已经不多了。
无识别用户,有2种计算取值的方式:第一种是每个月有消费的总单数,减去有注册信息用户消费的单数得出来的1—8月份平均值;第二种方式是固定占比,基于往年无识别用户这一数量极少的群体在总销售额众的占比来进行推算,一般此类用户占10%的销售额。
无识别用户因为没有连接信息(手机号、ID 等),所以不做营销需求,算是自然增量。
以上是基于用户经营调度合思考逻辑做销售策略之前的预估,从表格的数据来看:什么都不做的话预计销售额为24446666元,就算是2400万,举例公司9月销售目标 3000 万,差值达到 600 万,这就是重点了。
第一步在于我们要知道目标实现的难度,第二步才需要知道怎么做才能达到目标,所以要做下 一轮的营销分解。
用户运营众考虑的三个基础指标:
- 用户数
- 返店(复购率)
- 人均消费
这三个值构成了整体的销售额,同时影响这三个值的因素就是我们的营销手段。
但是你需要考虑的是,600万整体销售目标的差距:
- 哪一部分的会员是主力目标?
- 提升这些主力目标的过程动作是什么?(用户数、复购率、 人均消费)
- 需要提升多少?难度大不大?
那么我为大家一一剖析,算是模拟一遍:
首先是目标主力,打个比方,基于你们公司的市场情况和业务模式,你要评估究竟是做新用户容易一点,还是做老用户方便一些?
结果你发现:每月的新增用户的增长很慢,即便投入了营销资源也很难带来质的变化,于是将目标锁定到当年度1—8月份的用户以及去年的老用户返店上面。
其次你又发现:根据你们公司的产品品类,客单价提升幅度有点难,但是可以稍微冲刺一下,分别提个 10%和 20%左右最多了。所以,在提升人数和单客价的方向上定下来了。
接下来就是营销的动作,可以看一下第二张表:
这一张测算表,里面加了公式,可以通过刚才的策略分析,将目标消费用户的“返店率”和“客单价”连个指标进行提升来实现销售目标的达成。
切记,表格是做演算用的,是给我们做运营的人员心里一个有根据的参考,最大的目的和意义在于:你要为了这些指标的达成所选择的营销手段。不然就只是空谈,只是做数学游戏。
所以这张表其实最有价值的部分是在右下角的影响因素和营销动作,而且还可以再继续细分,例如:需要完成这样的返店率的话,投入什么样的资源?数量是多少?单价成本是多少等等; 最后就能汇总出来一个总的营销成本,此时就可以向财务和董事长要资源要武器了,我就不一一举例了。
更为精细的活动预测与营销逻辑:其实思路只要能想明白的话,业务逻辑再复杂一点也没关系。甚至可以结合前面的会员生命周期、线上线下的渠道来源,以及用户贡献价值等级来做销售预测以及营销规划。
给大家再看一个例子:
这张表看起来很复杂,其实运营逻辑和之前的例子是一样的,就是将用户分类做的再细致一些,不单 单按照财年维度进行,而是直接结合用户的生命周期展开,不同阶段的用户,都在系统当中有比较详细的交易数据:包括人数、客单价、转化率。
上述这张表左边的是历史测算,右边的才是营销决策,虽然我在右边的没有去写,但是那才是最重要的部分。
需要提醒的是:
- 左边黑色部分的用户人数是现在的,转化率指标一定是参考的往期参数,所以用现有的数据乘以往期 参数,就可以得到预估销售额;
- 右边黄色部分,其实重点调整的是转化率(返店率)和客单价,营销转化率的因素根据用户来源渠道的不同而有所区别(电商部分的复杂一点),影响客单价的因素和产品定价、促销档位以及销售人员都有关系。这些都属于目标达成中的过程指标,而围绕着这些过程指标的调整就是营销手段和动作 了。
以上的运营测算的例子非常简单,形式并不是唯一的,表格设计与计算维度也可以根据业务需求和场景自定义,因为版面有限,其实前面的测算之后,还可以再衔接“卡券”、“邮件”、“短信”等一系列刺激回购的动作,以往期的历史值作为参数进行比对。
大家有注意的话,能发现我在各项表单里面都提到了RFM参数,这是CRM运营专业中非常常见的一个概念,是用于评估用户多维度行为的价值判断逻辑。有区别于传统的客户分类ABC法则,比较有意思。
本文由 @猫科动物 原创发布。
题图来自 Unsplash,基于CC协议。