本文給大家一個(gè)結合用戶(hù)生命周期算法、精準用戶(hù)來(lái)源以及價(jià)值貢獻三者結合起來(lái)的營(yíng)銷(xiāo)一整套銷(xiāo)??售預測與活動(dòng)測算邏輯。Enjoy~

大家注意了沒(méi)有：我在用戶(hù)生命周期種，典的技一直沒(méi)有提到RFM模型種的型案享M值，也就是例案例中用戶(hù)消費金額。

為什么?巧分

因為用戶(hù)生命周期，只和用戶(hù)消費行為有關(guān)，精準和用戶(hù)價(jià)值貢獻無(wú)關(guān)，營(yíng)銷(xiāo)而M值的典的技運用則需要在運營(yíng)測算???種體現出來(lái)。

下面我可以給大家一個(gè)結合用戶(hù)??生命周期算法、型案享(???)用戶(hù)來(lái)源以及價(jià)值貢獻三者結(′?_?`)合起來(lái)的例案例中一整套銷(xiāo)售預測與活動(dòng)測算邏輯。

月度銷(xiāo)售預測與營(yíng)銷(xiāo)邏輯

首先我們先來(lái)看一個(gè)銷(xiāo)售預測的巧分邏輯：我們將用戶(hù)從時(shí)間(jian)維度的劃分結合歷史值，推算出預估業(yè)績(jì)，精準再分解到各項具體的營(yíng)銷(xiāo)業(yè)務(wù)指標來(lái)找到營(yíng)銷(xiāo)策略：一個(gè)美妝企業(yè)覆蓋全國市場(chǎng)500家門(mén)店，2018年1—8月份月均銷(xiāo)售額為3000萬(wàn)元/月，典的技9月份開(kāi)始計劃做雙十一大促，目標銷(xiāo)售要提升到當月ヽ(′ー｀)ノ6000萬(wàn)元，提升率達到 200%，在新店不增加數量，老店不關(guān)店的前提下，站在用(yong)戶(hù)運營(yíng)的角度該思考哪些點(diǎn)呢?

我們必須要理解，如果站在CRM運營(yíng)的思考維度是將用戶(hù)分類(lèi)——我們每個(gè)月的銷(xiāo)售額，由哪些人帶來(lái)的？每部分人分別貢獻多少(′；ω；`)？??每部分人是怎么來(lái)的？如何連接到她們？用什么手段去影響她(ta)們？

不管全國多少家店，每個(gè)月銷(xiāo)售額是幾百萬(wàn)或者是(′?ω?`)幾個(gè)億，用戶(hù)分類(lèi)都可以用大范圍的時(shí)間去框定——年度新用戶(hù)在當月返店、當月新增用戶(hù)、年度老用戶(hù)返店以及無(wú)法識別用戶(hù)(無(wú)注冊信息)四部分人。

講白了，每個(gè)月的消費人群都是由該月新增加的用戶(hù)、今年前幾個(gè)月消費再回頭的用戶(hù)，以及上一年 度返店用戶(hù)，以及無(wú)法識別身份的四部分用戶(hù)組成的。

所以在這個(gè)時(shí)候，會(huì )有一個(gè)歷史消費模型來(lái)告訴你之(╥_╥)前每個(gè)(ge)月的3000萬(wàn)銷(xiāo)售額，這部分人分別占多少，是如何構成的。這一步非常重要，因為有了基礎，才可以做推算。

先解(jie)釋一下上述【( ?▽?)銷(xiāo)售預估??表】里每一項的邏輯來(lái)源：

1—8月份新用戶(hù)數可以直接從后臺拉出數據，9%的9月返店預估是基于2017年的歷史(′▽?zhuān)?)數據（2016年在(zai)2017年的返店??概率直接拿過(guò)來(lái)），人均1.1次消費次數也是本年度新用戶(hù)的參數，新用戶(hù)每月單數/新用戶(hù)每月消費人數，330的客單價(jià)是1—8月份這部分人群的平均值。

9月當??月新增用戶(hù)，是在新店不增加，老店不關(guān)閉的情況下，根據1—8月的平均值計算出來(lái)的， 這部分用戶(hù)的歷史值參考不用去年的同比，(′?ω?`)而是用今年的環(huán)比趨勢，相對其他幾個(gè)維度更為確(??ヮ?)?*:???定一些。

2017年老用戶(hù)在2018年9月當月的返店概率，則是拿2017年的消費用戶(hù)總數，乘以9月預估消費 的返店概率得出來(lái)的。

值得一提的是：上一年度的用戶(hù)在本年度再消費的人，只占少部分，大約為35%左右，而正是??這35%的人會(huì )在2018年12個(gè)月當中消費，并且消費概率不是平均分配，每個(gè)月的消費返店概率是按照去年的趨勢來(lái)定的，而且是逐月降序分布，基本上到了9月份老用戶(hù)返店人數已經(jīng)不多了。

無(wú)識別用戶(hù)，有2種計算取值的方式：第一種是每個(gè)月有消費的總單數，減去有注冊信息用戶(hù)消費的單數得出來(lái)的1—8月份平均值；第二種??方式是固定占比，基于往年無(wú)識別用戶(hù)這一數量極少的群體在總銷(xiāo)售額眾的占比來(lái)進(jìn)行推算，一般此類(lèi)用戶(hù)占10%的銷(xiāo)售額。

無(wú)識別用戶(hù)因為沒(méi)有連接信息(手機號、??ID 等)，所以??不做營(yíng)銷(xiāo)需求，算是自然增量。

以上是基于用戶(hù)經(jīng)營(yíng)調度合思考邏輯做銷(xiāo)售策略之前的預估，從表格的數據來(lái)看：什么都??不做的話(huà)預計銷(xiāo)售額為24446666元，就算是2400萬(wàn)，舉例公司9月銷(xiāo)售目標 3000 萬(wàn)，差值達到 600 萬(wàn)，這就是重點(diǎn)了。

第一步在于我們要知道目標實(shí)現的難度，第二步才需要知道怎么做才能達到目標??，所以(yi)要做下 一輪的營(yíng)銷(xiāo)分解??。

用戶(hù)運營(yíng)眾考慮的三個(gè)基礎指標：

用戶(hù)數返店(復購率)人均消費

這三個(gè)值構成了??整體的銷(xiāo)售額，同時(shí)影響這三個(gè)??值的因(/ω＼)素(??ヮ?)?*:???就是我們的營(yíng)銷(xiāo)手段。

但是你需要考慮的是，600萬(wàn)整體銷(xiāo)售目標的差距：

哪一部分的會(huì )員是主力目標？提升這些主力目標的過(guò)程動(dòng)作是什么？(用戶(hù)數、復購率、 人均消費)需要提???升多ヽ(′▽?zhuān)?ノ少？難度大不大？

那么我為大家一一剖析(′ω｀)，算是模擬一遍：

首先是目標主力，打個(gè)比方，基于你們公司的市場(chǎng)情況和業(yè)務(wù)模式，你要評估究竟是做新用戶(hù)容易一點(diǎn)，還是做老用戶(hù)方便一些？

結果你發(fā)現( ?ヮ?)：每月的新ヾ(′?｀)?增用戶(hù)的增長(cháng)很慢，即便投入了營(yíng)銷(xiāo)資源也(ye)很難(′ω｀)帶來(lái)質(zhì)的變化，于是將目( ?ヮ?)標鎖定到當年度1—8月份的用戶(hù)以及去年的老用戶(hù)返店上面。

其次你又發(fā)現：根據你們公司的產(chǎn)品品類(lèi)，客單價(jià)提升幅度有點(diǎn)(dian)難，但是可以稍微沖刺一下，分別提個(gè) 10%和 20%左右最多了。所以，在提升人數和單客價(jià)的方向上定下來(lái)了。

接下來(lái)就是營(yíng)銷(xiāo)的動(dòng)??作，可以看一下第二張表:

這一張測算表，里面加了公式，可以通過(guò)剛才的策略分析，將目標消費用戶(hù)的“返店率”和“客單價(jià)”連個(gè)指標進(jìn)行提升來(lái)實(shí)現銷(xiāo)售目標的達成。

切記，表格是做演算用的，是給我們做運營(yíng)的人員心里一個(gè)有根據的參考，最大的目的和意義在于：你要為??了這些指標的達成所選擇的營(yíng)銷(xiāo)手段。不然就只是空談，只是做數(shu)學(xué)游戲。

所以這張表其實(shí)(shi)最有價(jià)值的部分是在右下ヽ(′▽?zhuān)?ノ角的影響因素和營(yíng)銷(xiāo)動(dòng)作，而(′?_?`)且(′?_?`)還可以再繼續細分，例如：需要完成這樣的返店率的話(huà)，投( ?ヮ?)入什么樣的資源？數量是多少？單價(jià)成本是多少等等； 最后就能匯總出來(lái)一個(gè)總的營(yíng)銷(xiāo)成本，此時(shí)就可(ke)以向財務(wù)和董事長(cháng)要資源要武器了，我就不一一舉例了。

更為精細的活(huo)動(dòng)預測與營(yíng)銷(xiāo)邏輯:其實(shí)思路只要能想明白的話(huà)，業(yè)務(wù)邏輯再復雜一點(diǎn)也沒(méi)關(guān)系。甚至可以結合前(╬?益?)面的會(huì )員生命周期、線(xiàn)上線(xiàn)下的渠道來(lái)源，以及(ji)用戶(hù)貢獻價(jià)值等級來(lái)做銷(xiāo)售預測以及營(yíng)銷(xiāo)規劃。

給大家再看一個(gè)例子??:

這張表看起來(lái)很復雜，其實(shí)運營(yíng)邏輯和之前的例子是一樣的，就是將用戶(hù)分類(lèi)做(zuo)的再細致一些，不單 單按照財年維度進(jìn)行，而是直接結合用戶(hù)的生命周期展開(kāi)，不同階段的用戶(hù)，都在系統當中有比較詳細的交易數據：包括人數、客單價(jià)、轉化率。

上述這張表左邊的是歷史測算，右邊的才是營(yíng)銷(xiāo)決策，雖然我在右邊的沒(méi)有(/ω＼)去寫(xiě)，但是那才是最重要的部分。

需要提醒的是:

左邊黑色部分的用戶(hù)人數是現在的，轉化率指標一定是參考的往期參數，所以用現有的數據乘以往期 參數，就可以得到預估銷(xiāo)售額;右邊黃色部分，其實(shí)重點(diǎn)調整的是轉化率(返店(╯‵□′)╯率)和客單價(jià)，營(yíng)銷(xiāo)轉化率的因素根據用戶(hù)來(lái)源渠道的不同而有所區別（電商部分的復雜一點(diǎn)），影響客單價(jià)的因素和產(chǎn)品定價(jià)??、促銷(xiāo)檔位以及銷(xiāo)售人員都有關(guān)系。這些都屬于目標達成中的過(guò)程指標，而圍繞著(zhù)這些過(guò)程??指標的調整就(′_｀)是營(yíng)銷(xiāo)手段和動(dòng)作(zuo) 了。

以上的運營(yíng)測算的例子非常簡(jiǎn)單，形式(shi)并不是唯一的，表格設計與計算維度也可以根據業(yè)務(wù)需求和場(chǎng)景自定ヽ(′ー｀)ノ義，因為版面有限，其實(shí)前面的測算之后(hou)，還可以再銜接“卡券”、“郵件”、“短信”等一系列刺激回購的動(dòng)作，以往ヾ(′▽?zhuān)??期的歷史值作為參數進(jìn)行比對。

大家有注意的話(huà)，能發(fā)現我在各項表單里面都提到了RFM參數，這是CRM運營(yíng)專(zhuān)業(yè)中非常常見(jiàn)的一個(gè)概念，是用于評估用戶(hù)多維度行為的價(jià)值判斷邏輯。有區別于傳統的客戶(hù)分類(lèi)ABC法則，比較有意思。

本文由 @貓科動(dòng)物