本文給大家一個結合用戶生命週期算法、用戶來源以及價值貢獻三者結合起來的一整套銷售預測與活動測算邏輯。Enjoy~
大家注意了沒有：我在用戶生命週期種，一直沒有提到RFM模型種的M值，也就是用戶消費金額。
為什麼?
因為用戶生命週期，只和用戶消費行為有關，和用戶價值貢獻無關，而M值的運用則需要在運營測算種體現出來。
下面我可以給大家一個結合用戶生命週期算法、用戶來源以及價值貢獻三者結合起來的一整套銷售預測與活動測算邏輯。
月度銷售預測與營銷邏輯
首先我們先來看一個銷售預測的邏輯：我們將用戶從時間維度的劃分結合歷史值，推算出預估業績，再分解到各項具體的業務指標來找到營銷策略：一個美妝企業覆蓋全國市場500家門店，2018年1—8月份月均銷售額為3000萬元/月，9月份開始計劃做雙十一大促，目標銷售要提升到當月6000萬元，提升率達到 200%，在新店不增加數量，老店不關店的前提下，站在用戶運營的角度該思考哪些點呢?
我們必須要理解，如果站在CRM運營的思考維度是將用戶分類——我們每個月的銷售額，由哪些人帶來的？每部分人分別貢獻多少？每部分人是怎麼來的？如何連接到她們？用什麼手段去影響她們？
不管全國多少家店，每個月銷售額是幾百萬或者是幾個億，用戶分類都可以用大範圍的時間去框定——年度新用戶在當月返店、當月新增用戶、年度老用戶返店以及無法識別用戶(無註冊信息)四部分人。
大家注意了沒有：我在用戶生命週期種，一直沒有提到RFM模型種的M值，也就是用戶消費金額。
為什麼?
因為用戶生命週期，只和用戶消費行為有關，和用戶價值貢獻無關，而M值的運用則需要在運營測算種體現出來。
下面我可以給大家一個結合用戶生命週期算法、用戶來源以及價值貢獻三者結合起來的一整套銷售預測與活動測算邏輯。
月度銷售預測與營銷邏輯
首先我們先來看一個銷售預測的邏輯：我們將用戶從時間維度的劃分結合歷史值，推算出預估業績，再分解到各項具體的業務指標來找到營銷策略：一個美妝企業覆蓋全國市場500家門店，2018年1—8月份月均銷售額為3000萬元/月，9月份開始計劃做雙十一大促，目標銷售要提升到當月6000萬元，提升率達到 200%，在新店不增加數量，老店不關店的前提下，站在用戶運營的角度該思考哪些點呢?
我們必須要理解，如果站在CRM運營的思考維度是將用戶分類——我們每個月的銷售額，由哪些人帶來的？每部分人分別貢獻多少？每部分人是怎麼來的？如何連接到她們？用什麼手段去影響她們？
不管全國多少家店，每個月銷售額是幾百萬或者是幾個億，用戶分類都可以用大範圍的時間去框定——年度新用戶在當月返店、當月新增用戶、年度老用戶返店以及無法識別用戶(無註冊信息)四部分人。
講白了，每個月的消費人群都是由該月新增加的用戶、今年前幾個月消費再回頭的用戶，以及上一年 度返店用戶，以及無法識別身份的四部分用戶組成的。
所以在這個時候，會有一個歷史消費模型來告訴你之前每個月的3000萬銷售額，這部分人分別佔多少，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。
先解釋一下上述【銷售預估表】裡每一項的邏輯來源：
1—8月份新用戶數可以直接從後臺拉出數據，9%的9月返店預估是基於2017年的歷史數據（2016年在2017年的返店概率直接拿過來），人均1.1次消費次數也是本年度新用戶的參數，新用戶每月單數/新用戶每月消費人數，330的客單價是1—8月份這部分人群的平均值。
9月當月新增用戶，是在新店不增加，老店不關閉的情況下，根據1—8月的平均值計算出來的， 這部分用戶的歷史值參考不用去年的同比，而是用今年的環比趨勢，相對其他幾個維度更為確定一些。
2017年老用戶在2018年9月當月的返店概率，則是拿2017年的消費用戶總數，乘以9月預估消費 的返店概率得出來的。
值得一提的是：上一年度的用戶在本年度再消費的人，只佔少部分，大約為35%左右，而正是這35%的人會在2018年12個月當中消費，並且消費概率不是平均分配，每個月的消費返店概率是按照去年的趨勢來定的，而且是逐月降序分佈，基本上到了9月份老用戶返店人數已經不多了。
無識別用戶，有2種計算取值的方式：第一種是每個月有消費的總單數，減去有註冊信息用戶消費的單數得出來的1—8月份平均值；第二種方式是固定佔比，基於往年無識別用戶這一數量極少的群體在總銷售額眾的佔比來進行推算，一般此類用戶佔10%的銷售額。
無識別用戶因為沒有連接信息(手機號、ID 等)，所以不做營銷需求，算是自然增量。
以上是基於用戶經營調度合思考邏輯做銷售策略之前的預估，從表格的數據來看：什麼都不做的話預計銷售額為24446666元，就算是2400萬，舉例公司9月銷售目標 3000 萬，差值達到 600 萬，這就是重點了。
第一步在於我們要知道目標實現的難度，第二步才需要知道怎麼做才能達到目標，所以要做下 一輪的營銷分解。
用戶運營眾考慮的三個基礎指標：
- 用戶數
- 返店(復購率)
- 人均消費
這三個值構成了整體的銷售額，同時影響這三個值的因素就是我們的營銷手段。
但是你需要考慮的是，600萬整體銷售目標的差距：
- 哪一部分的會員是主力目標？
- 提升這些主力目標的過程動作是什麼？(用戶數、復購率、 人均消費)
- 需要提升多少？難度大不大？
那麼我為大家一一剖析，算是模擬一遍：
首先是目標主力，打個比方，基於你們公司的市場情況和業務模式，你要評估究竟是做新用戶容易一點，還是做老用戶方便一些？
結果你發現：每月的新增用戶的增長很慢，即便投入了營銷資源也很難帶來質的變化，於是將目標鎖定到當年度1—8月份的用戶以及去年的老用戶返店上面。
其次你又發現：根據你們公司的產品品類，客單價提升幅度有點難，但是可以稍微衝刺一下，分別提個 10%和 20%左右最多了。所以，在提升人數和單客價的方向上定下來了。
接下來就是營銷的動作，可以看一下第二張表:
這一張測算表，裡面加了公式，可以通過剛才的策略分析，將目標消費用戶的“返店率”和“客單價”連個指標進行提升來實現銷售目標的達成。
切記，表格是做演算用的，是給我們做運營的人員心裡一個有根據的參考，最大的目的和意義在於：你要為了這些指標的達成所選擇的營銷手段。不然就只是空談，只是做數學遊戲。
所以這張表其實最有價值的部分是在右下角的影響因素和營銷動作，而且還可以再繼續細分，例如：需要完成這樣的返店率的話，投入什麼樣的資源？數量是多少？單價成本是多少等等； 最後就能彙總出來一個總的營銷成本，此時就可以向財務和董事長要資源要武器了，我就不一一舉例了。
更為精細的活動預測與營銷邏輯:其實思路只要能想明白的話，業務邏輯再複雜一點也沒關係。甚至可以結合前面的會員生命週期、線上線下的渠道來源，以及用戶貢獻價值等級來做銷售預測以及營銷規劃。
給大家再看一個例子:
這張表看起來很複雜，其實運營邏輯和之前的例子是一樣的，就是將用戶分類做的再細緻一些，不單 單按照財年維度進行，而是直接結合用戶的生命週期展開，不同階段的用戶，都在系統當中有比較詳細的交易數據：包括人數、客單價、轉化率。
上述這張表左邊的是歷史測算，右邊的才是營銷決策，雖然我在右邊的沒有去寫，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，就可以得到預估銷售額;
- 右邊黃色部分，其實重點調整的是轉化率(返店率)和客單價，營銷轉化率的因素根據用戶來源渠道的不同而有所區別（電商部分的複雜一點），影響客單價的因素和產品定價、促銷檔位以及銷售人員都有關係。這些都屬於目標達成中的過程指標，而圍繞著這些過程指標的調整就是營銷手段和動作 了。
以上的運營測算的例子非常簡單，形式並不是唯一的，表格設計與計算維度也可以根據業務需求和場景自定義，因為版面有限，其實前面的測算之後，還可以再銜接“卡券”、“郵件”、“短信”等一系列刺激回購的動作，以往期的歷史值作為參數進行比對。
大家有注意的話，能發現我在各項表單裡面都提到了RFM參數，這是CRM運營專業中非常常見的一個概念，是用於評估用戶多維度行為的價值判斷邏輯。有區別於傳統的客戶分類ABC法則，比較有意思。
本文由 @貓科動物 原創發佈於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於CC協議。