目前大家使用最普遍的，當屬會員等級折扣制度，普通會員享受什么政策，銀卡會員什么政策，金卡會員什么政策，評判的唯一標準就是消費者的貢獻額；另一個就是會員積分制度，積分換購、積分抵扣，當然，積分的由來也是和消費者的貢獻額捆綁的。
但顯然，RFM這三個參數，只是讓企業知道了我的會員目前是處于一種什么狀態，但沒法去指導企業該如何開展會員營銷。
譬如，兩個消費者，在同一天，A買了200塊錢的女裝，B買了200塊錢的男裝，那么按照RFM模型，這兩個消費者是被劃分到一個類型里面的。
再譬如，還是這兩個消費者，在購買迄今3個月的時間里，都沒有再發生二次購買行為，但期間A到你的網站來了20次，B只來了1次，按照RFM模型，這兩個消費者還是屬于同一個類型。
或許，我們需要尋找一種全新的會員數據庫模型標準，在這個數據庫里面，消費者不再是一個一個的錢包，而是真實的、有情緒的、能被影響的、有不同需求的人，它將會告訴我們，對不同的會員，你該說什么話！該怎么說！該什么時候說！
360度會員數據庫
當一個老會員，決定再次購買你的某件商品的時候，會被哪些因素影響？
產品？價格？特別優惠？品牌好感？上一次購買體驗？潛在需求？天氣變化……沒錯，可能性因素有很多。
當一個老會員決定不再購買你的產品，他的特征或許就比較簡單：不再訪問、投訴、拒收或者退換貨。
所以，我們需要給會員插上盡可能多的標簽：性別、年齡、地域、注冊時間、購買記錄、訪問記錄、投訴的內容、退換貨歷史等等。這些標簽將有助于系統快速地對消費者精準定位，自動計算對哪些會員在何時發送什么信息；這些標簽也有助于發布新品上架的信息時，把不同的產品精準地推銷給有需求的消費者，減少頻繁的信息發布所帶來的反感情緒。
那么，一個消費者的數據庫，到底需要多少科目來進行統計分析，才能實現上述目的呢？
1.人口統計學科目：包括姓名、性別、年齡、地域、生日、家庭狀態、聯系方式等等。11月份，你把羽絨服推給北方的會員，一定比推給南方的會員更有把握；你把嬰童產品，推薦給28～35歲左右的女性會員，一定會有比較高的成交率。
想認識全國各地的創業者、創業專家，快來加入“中國創業圈”
|
