客户数据分析：要回答的五个问题，附一个 RFM 示例

客户数据分析把档案、行为和购买数据结合起来，决定争取谁、留住谁、深挖谁。本文列出它应该回答的五个问题和各自需要的数据，再用一个 5,000 名买家的店铺做一遍 RFM，最后落到三个活动上。

客户数据分析是什么

客户数据分析是把你对客户的了解（他们是谁）、他们做了什么（访问、产品使用、联系客服）和买了什么（订单、订阅、退款）结合起来，用来决定该争取谁、留住谁、怎样把每段关系做深。

它和网站分析的区别在于单位。网站分析数的是访问和浏览量；客户分析数的是人，时间跨度是几个月甚至几年，跨设备、跨渠道。所以第一个要解决的是身份问题：访问、订单和工单指向同一个人之前，每个关于客户的问题都只能用不完整的数据回答。

应该回答的五个问题

有用的客户分析，大多在回答五个问题之一。下表列出每个问题需要的数据和常用方法。从这个月就会据此行动的问题开始，而不是从手头碰巧有的数据开始。

从这个月会据此行动的问题开始。

需要哪些数据，怎么关联

• 身份。 每条记录都有稳定的客户 ID：登录后的账号 ID，或者游客下单时哈希过的邮箱。在 TapCub 里，调用 \tapcub.login\ 或在服务端绑定之后，用户会出现在用户列表里；一个登录 ID 在网站、App 和小程序之间就是一个人，之前的匿名访问也会并进来。
• 订单。 每笔购买的金额、日期、商品和退款，建议从服务端发送，这样广告拦截和关掉的页面不会让它丢失。见收入追踪。
• 行为。 访问、关键事件和产品使用，这样能看到购买或取消之前发生了什么。
• 档案。 套餐、国家、注册来源、公司规模。只要你会用来分群的那些。

关联要说实话：如果三分之一的订单是没有 ID 的游客下单，就在每份用到它们的报表上注明。第一方数据策略主要就是在补这个缺口。

示例：5,000 名买家的店铺做 RFM

RFM 给每个客户按最近一次购买（距上次下单的天数）、购买频次（订单数）和消费金额（总花费）打分，通常按五分位各打 1–5 分，再把组合归成有名字的分群。

一家网店对近一年下过单的 5,000 名客户做了 RFM。图里是每个分群的收入占比：

• 重要价值客户和忠诚客户占买家的 21%（1,050 人），贡献了 56% 的收入。他们需要的是认可和抢先体验，而不是折扣。
• 流失风险客户和不能失去的客户占买家的 14%，却贡献了 16% 的收入：过去常买、最近没了动静的人。他们是成本最低的可挽回收入。
• 沉睡客户占买家的 31%，只贡献 6% 的收入。发一封低成本的唤醒邮件，然后就别再打扰了。

一张表带出了三个活动：给重要价值客户和忠诚客户的会员预览、给 700 名流失风险和不能失去客户的个性化挽回优惠，以及清理沉睡名单，让主力订阅邮件发给真正会打开的人。

从分析到行动

1. 查数之前先说清楚要做的决定。 「挽回优惠发给哪 700 个客户」是决定；「了解我们的客户」不是。
2. 把分群变成有人能用的名单。 导出、同步到邮件工具，或者在用户列表里按它筛选。
3. 用保留组衡量。 每个目标分群留出 10% 不参与活动，才能分清是优惠把他们拉回来的，还是他们本来就会回来。
4. 定期重跑。 分群每个月都在变。TapCub 的商业 RFM 网格会把每个分群和 30 天前对比，并列出变化最大的流动，比如忠诚客户滑向流失风险。

常见问题

客户分析有哪些类型？

常见的分法是描述型（客户是谁、做了什么）、诊断型（为什么变了）、预测型（谁可能购买或流失）和指导型（对每一组该做什么）。大多数团队先把描述型分群做好，收益就很明显。

客户分析和客户数据分析有什么区别？

两者经常混用。「客户数据分析」更强调数据工作（收集、关联、清洗客户记录）；「客户分析」更强调问题和决策。

客户分析用哪些数据？

身份、交易、行为（网站、App 和产品事件）、客服和问卷数据，以及套餐、国家这类档案属性。

RFM 现在还有用吗？

有用，只要业务有复购。它只需要订单日期和金额，容易解释，分群也能直接对应到活动。

另见：数字分析、产品智能。