如何让用户只对你的品牌感兴趣?这两件事得做好

2017 年 12 月 27 日 智投汇



导读:我们正处在一个急剧变革的时代,技术的飞速进步促使诸多领域发生了翻天覆地的变化,比如,营销的环境和方式。



从渠道为王到以用户为中心,从注重新客获取到注重会员维护,从营销渠道割裂到线上线下融合……相信很多品牌企业对这些都有深切体会,并急于寻找新的方向。


可是,不断寻求突破、追逐变化的品牌主是否发现,在时时变革的商业数字时代,营销的本质其实始终未变?那就是,对客户忠诚度的争夺和管理,即会员营销。


而想要做好会员营销,让你的用户只对你的品牌感兴趣,就必须要做好最关键的两件事:吃透数据,选对场景。


1、吃透数据


2016年“双11”阿里零售平台无线占比82%,远超美国“黑五”无线占比36%。2017年“双11”阿里这一数据达到了九成。线上数据池越来越庞大。


数据,是会员营销的能源和决策依据。


品牌企业挖空心思,收集、整合数据,从线上渠道到线下门店,将订单、会员、商品等相关数据全部收纳进数据中心池中。但是这些还远远不够!


真正让数据发挥效用的,是在分析和挖掘环节。用冷数据做用户筛选,从多维度分析挖掘热数据,盘活数据中心池。基于数据分析预判用户行为,在用户购买前就可以开展个性化的营销活动,最终实现购买和转化。


那么又该如何分析、挖掘会员数据呢?Webpower为品牌企业提供了以下手段。



→金字塔用户评级体系


根据消费指数和活跃指数对用户进行综合评级,两个指数下设多个评级标准,最终根据用户的星级轻松识别高价值用户。

 


→RFM模型


RFM模型最早由Bult和Wansbeek在1995年提出,随着信息化时代的到来,被验证是作为数字化客户数据和优化市场支出的最好工具之一。


这一模型是根据最近一次消费、消费频率、消费金额三个因素将用户分成125类,Webpower将125个用户分类优化成有现实意义的11个细分的客户群。这样,针对不同的客户群,marketing人员可以灵活地采取不同的营销策略,同时也可以根据模型的前后对比,检验营销活动的效果。



→多维分析体系


当常规的数据报告不能满足需求时,可以通过多维分析体系,自行筛选查看。它可以基于不同的维度筛选不同的客户群,通过不同时段的对比,进行不同维度的分析,是一种更为高阶的数据分析手段。

 

2、选对场景


75%的客户渴望企业能用个性化信息与其沟通。——Forrester


90%的全球公司将竞争重点放在客户体验上。——Gartner


场景化可以帮助你为你的用户打造一场极致体验,从而牢牢地抓住他们,让他们只对你的品牌感兴趣。用一句话来概况,就是要在正确的场景下,将正确的信息通过正确的渠道发给正确的用户。

 

首先,尽量让你的推送内容做到千人千面个性化。


在这里介绍两种推荐机制:基于内容的推荐和协同过滤推荐。


基于内容推荐是指根据商品或内容的数据,发现商品或内容的相关性,然后根据用户以往的喜好记录推荐给用户相似的物品。这一推荐机制对企业的用户数量和数据规模没有要求,适用范围很广。


但是如果你想让自己的企业的个性化推荐更加与众不同,挖掘到用户更深层次的潜在需求,为他们制造更多的“惊喜”,而且用户数量又有一定的规模,那么可以采用推荐机制2.0版本——协同过滤推荐。




协同推荐完全基于用户的实时行为数据,通过找到有共性的用户并进行群组划分,再基于用户的行为数据推荐商品。同时协同推荐有权重机制,即在同等推荐条件下,品牌企业可以赋予性别、年龄、地域、行为属性等不同的权限,使推荐内容有所侧重。

 

其次,融合线上线下,打通不同渠道,让你的场景贯穿始终。


用户更愿意接受线上线下的整合营销的触达方法,而不满足于仅通过一个渠道接触品牌。以某服装品牌为例,顾客A收到某个场景活动的短信,提示Ta绑定该品牌公众号会员,公众号上同步推送相关的活动详情。顾客A参与完成并获奖,获奖短信要求Ta到线下门店领奖。在线下门店,导购完成核销的同时,再根据顾客A的喜好为Ta推荐单品,只要下单购买还可再获一次抽奖机会。这样,一次成功的复购就完成了,整个营销活动形成了线上线下的闭环,品牌企业还可借此机会完善用户信息。

 

最后,创建全渠道自动化营销旅程,让营销人员解放出来。




通过全渠道自动化营销平台,创建全渠道自动化营销旅程,构建自循环的用户生命周期,不仅可以轻松完成常规的营销活动,还可以快速策划完成新的campaign。营销人员只需提前预设好用户行为、事件、时间等触发条件,就可以自动发送预设内容,轻松开启营销旅程。通过平台报告还可以对比各渠道的营销绩效,从而优化成本。


这样一来,营销人员就可以将时间、脑力投入到营销策略和场景搭建上来,通过平台沉淀下来的数据,丰富用户生命周期的架构,探索新的价值点。可以说,这是品牌企业、营销人员和用户的三赢。

 

总之,没有数据的会员营销就是纸上谈兵,选对场景可以让你的会员营销事半功倍。

 

来源:梅花网

侵权删


福 利 来 啦

如果您有商务合作、投资、简历投递、投稿等方面的需求或资源,请在微信后台留言。



【原创热文】

国足进世界杯还有戏?至少品牌价值已被里皮们拯救

遭遇严格监管的ICO,还有未来吗?

地震发生后,阿里、百度、京东做了这些事

4A遭遇去中介化浪潮,品牌价值如何打造?


【大咖访谈】

郎永淳:找钢网是钢铁的“淘宝+京东”

五个关键点,带你读懂“找钢网模式”

圆通CEO:偏远地区最后一公里已是公益性质


【智投汇新闻】

智投汇助力,开启“网易双创季”

第三届全国双创周启动,智投汇做了这些事

2017中国私募基金峰会第二批参会机构公布

刚刚,这里发布了创业投资50指数!




登录查看更多
0

相关内容

利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。主要应用场景是在线零售系统,目的是进行商品促销和提高销售额。
商业数据分析,39页ppt
专知会员服务
157+阅读 · 2020年6月2日
【实用书】Python数据科学从零开始,330页pdf
专知会员服务
139+阅读 · 2020年5月19日
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
234+阅读 · 2020年4月18日
【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
【教程推荐】中科大刘淇教授-数据挖掘基础,刘 淇
专知会员服务
78+阅读 · 2020年3月4日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
105+阅读 · 2020年1月2日
报告 | 2020中国5G经济报告,100页pdf
专知会员服务
97+阅读 · 2019年12月29日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
【干货】电商数据中台如何构建?
AliData
10+阅读 · 2019年4月4日
如何运营15万付费用户?
三节课
6+阅读 · 2019年2月28日
【知识图谱】基于知识图谱的用户画像技术
产业智能官
101+阅读 · 2019年1月9日
如何成为一名商业产品经理?
产品100干货速递
6+阅读 · 2018年10月18日
思路+步骤+方法,三步教你如何快速构建用户画像
产品100干货速递
9+阅读 · 2017年12月21日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
【大数据】如何用大数据构建精准用户画像?
产业智能官
12+阅读 · 2017年9月21日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
5+阅读 · 2018年12月18日
Arxiv
21+阅读 · 2018年8月30日
Arxiv
22+阅读 · 2018年8月3日
Arxiv
9+阅读 · 2018年3月23日
VIP会员
相关VIP内容
商业数据分析,39页ppt
专知会员服务
157+阅读 · 2020年6月2日
【实用书】Python数据科学从零开始,330页pdf
专知会员服务
139+阅读 · 2020年5月19日
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
234+阅读 · 2020年4月18日
【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
【教程推荐】中科大刘淇教授-数据挖掘基础,刘 淇
专知会员服务
78+阅读 · 2020年3月4日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
105+阅读 · 2020年1月2日
报告 | 2020中国5G经济报告,100页pdf
专知会员服务
97+阅读 · 2019年12月29日
相关资讯
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
【干货】电商数据中台如何构建?
AliData
10+阅读 · 2019年4月4日
如何运营15万付费用户?
三节课
6+阅读 · 2019年2月28日
【知识图谱】基于知识图谱的用户画像技术
产业智能官
101+阅读 · 2019年1月9日
如何成为一名商业产品经理?
产品100干货速递
6+阅读 · 2018年10月18日
思路+步骤+方法,三步教你如何快速构建用户画像
产品100干货速递
9+阅读 · 2017年12月21日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
【大数据】如何用大数据构建精准用户画像?
产业智能官
12+阅读 · 2017年9月21日
相关论文
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
5+阅读 · 2018年12月18日
Arxiv
21+阅读 · 2018年8月30日
Arxiv
22+阅读 · 2018年8月3日
Arxiv
9+阅读 · 2018年3月23日
Top
微信扫码咨询专知VIP会员