随着流量红利收紧，基于 CLV（Consumer Life-time Value 用户生命周期价值）的精细化用户运营理念逐渐为各品牌主所接受。然而，围绕 CLV 品牌主有很多问题需要被解答：企业用现有的数据怎么做 CLV 分层？想要做CLV分层需要具备哪些能力？拥有 CLV 分层后企业还能做什么？有哪些“坑”是需要企业主需要注意的？GrowingIO 基于多年服务客户经验，总结出基于用户数据分析及AI 应用视角的 CLV 优质落地实践。
用户生命周期模型指导企业精细化运营
企业进行用户生命周期分层的目标，是对处在不同阶段的客户提供差异化运营策略，从而实现用户价值最大化。从某品牌不同购买频次人数累计占比及 GMV 累计占比表中不难看出，用户贡献符合“二八原则”：处于 “成熟期、忠诚期、热爱粉” 阶段的用户数量只有 20%，却贡献了品牌接近 80%的业务增长，且处于不同生命周期阶段的用户群无论是消费金额、频次、还是客单价都有所不同。精确地划分用户所属阶段，针对不同阶段的粉丝群提供差异化的运营策略成为了企业在私域运营时代的必修课。
划分用户生命周期分层，业务调研是前提
避坑：在这个阶段，企业很容易掉入“系统的陷阱”中，盲目的“上系统”“收数据”会导致项目对接异常复杂，前期进展缓慢。
划分企业用户生命周期无法直接“照搬”，而需要企业业务人员与分析人员共同努力，基于业务情况以及公司的“北极星指标”进行专项分析探讨，此时，行业服务经验就显得尤为重要。在 GrowingIO 实践中，通常会与客户业务人员通过研讨会等形式，明确业务的“北极星指标”并将业务人员过往业务经验汇总，形成企业知识库，同时围绕其“北极星指标”回答几个核心问题：
企业为客户提供什么价值？
在获客阶段：客户从哪里来？从公域到私域的转化周期是多久？客户在私域流转会有哪些动作？等
在运营阶段：企业是否有会员运营？如何做会员运营？对于流失客户用何种方式召回？等
统计模型规律，引入AI能力开展数据分析
避坑：在 CLV 模型梳理阶段，仅仅依赖业务人员经验，按照某几个指标做“用户划分一刀切”，在这种用户生命周期划分下，提炼个人群特点会存在“幸存者偏差”，影响洞察准确性洞察。
初步完成业务调研后，GrowingIO 对企业业务情况具有初步把握，企业可以根据自身情况选择数据分析方式。一般而言，GrowingIO 在分析阶段会使用商业分析与数据科学相结合的方式，帮助企业依据数据全面分析业务状况。
以某零食品牌为例，该企业希望通过会员 CLV（Consumer Life-time Value，用户生命周期价值）分层，建立会员忠诚度升降级预测模型，提前预测未来一段时间内会升级、降级的会员，对存在降级风险的会员尽早进行挽留及召回。根据会员CLV 分层模型，分析会员升级动因，针对性地为各层级会员提供相应优惠活动，解决企业由于不了解用户生命周期而无法进行精细化运营的问题。由于零食品类繁多，SKU 类目复杂，GrowingIO 基于前期对于用户业务调研理解，引入 AI 智能预测算法辅助形成用户生命周期分层。
（1）数据准备
避坑 ：仅有“标签系统”，缺少“标签引擎”。各类标签过多，且彼此间相互孤立，企业缺少多维度分析洞察能力。例如，忽略商品数据标签重要性，仅关注单一贡献维度，如购买金额、频率等。
划分用户生命周期分层首先要充分挖掘用户数据价值，这里涉及的数据主要包含四类：用户线上行为、用户线下行为、会员信息、商品标签。
其中用户线下行为(如储值、购物篮、门店购买)、用户特征信息（性别、年龄、收入、教育程度、家庭状况、地理位置、职业、爱好、宗教等）往往在用户订单数据中有体现，许多企业已经通过企业中台或 SCRM 系统统一收集管理。但用户线上行为（如浏览、购买、搜索、点赞、评论、收藏等）数据的采集则需要企业具有关注用户旅程的“数据驱动增长”意识，不仅要在提前在各用户转化路径埋点合理采集用户行为数据，还需要企业打造用户统一标识，将客户在与品牌可能发生交互的各平台账号打通，将用户行为与订单数据等打通，这就是我们常说的“ONE ID”。此外，企业还需要拥有商品数据库，简单来讲就是对商品的属性打标签（如商品类目、包装、口味、价格等），这一步能够帮助企业更精确地分析用户喜好，并为最终使用 AI 预测推荐能力实现营销“千人千面”打下良好基础。
（2）数据挖掘及建模
获取各种来源和类型的数据后，需要通过数据挖掘技术从海量的数据中挖掘出有价值的信息，核心之一是找出用户属性和行为特征(如是否曾在小程序购买、是否浏览过活动页信息)与我们关心的目标(如是否下单)之间的相关性。GrowingIO 数据科学家运用主流的机器学习算法构建预测模型，使其能够从业务数据中获取新知识，挖掘隐藏在大数据背后的商业特征规律。
通常而言，很多企业提供的一方数据不能直接用来构造数据挖掘特征，GrowingIO数据科学家需要基于业务场景进行特征构造，如预测客户在未来一个季度购买的概率，不仅根据RFM 模型(Recency、Frequency、Monetary，即最近一次消费、消费频率、消费金额，如上图)构造特征，同时结合不同客户业务属性(零食行业，构造不同商品类目的会员消费金额、消费频次、购买食品的口味等特征）形成可以供模型使用的数据宽表。
在利用 AI 技术助力企业增长方面，GrowingIO基于大量的数据挖掘经验积累，沉淀了一套成熟的智能分析建模方法论(模型工厂)，包含完整的数据挖掘涉及业务规划、数据准备、模型构建、模型应用、价值评估等关键环节，在保护数据安全前提下，全面保障用户数据洞察流程合理、数据规范、结果可用。
输出用户生命周期模型，指导精细化运营
避坑：忽略模型的准确性验证。在企业得出 CLV 分群后，需要反向验证分层结果是否符合商业逻辑。
通过数据挖掘，GrowingIO 帮助该零食品牌实现对用户科学分群，形成用户价值分层。在真实的项目中，利用AI算法，找到影响用户价值较高的20+个特征（如“是否储值会员”、“最近购买间隔”、“购买商品sku数量”、“性别”等），进而依据用户消费可能性高低将用户进行分层。
图例：AI预测形成用户分层
在AI算法帮助科学分群之后，进而根据业务经验，反向验证新的科学分层结果是否符合商业逻辑。如下图，我们得出10 种用户分群(Decile 0到Decile 9)，从消费金额分布数据上，新的分群结果是符合业务情况：高阶客户购买金额较高，低阶用户购买金额较少，从而论证AI算法应用合理性。
图例：AI预测形成用户分层
通过算法得出的用户分层后，结合商品品类信息为不同分群用户设计差异化运营目标。如下图，通过大数据分析，我们发现高价值用户偏好肉类、坚果类产品，而低价值用户通常为饮料、果脯产品买单。因此在实际场景中，为了促进高价值人群的复购，可以定向发送肉类、坚果类产品优惠券或活动信息，引导其再次购买；而当运营人员想要拉新时，可以尝试用饮料、果脯的优惠券信息，引导其成为会员并完成首次下单交易。
图例：用户分层（群）品类偏好分布
通过大规模数据挖掘，企业能够得出更深入的业务洞察，包括很多不易被运营人员掌握的“隐蔽洞察”（如买“酸辣粉”的人通常会加购海产品“墨鱼仔”），具有拥有极高的业务指导价值。
借助大数据及 AI 算法，GrowingIO帮助企业形成了基于 CLV 的用户分层，分析会员升级动因，针对性地为各层级会员提供相应优惠活动，刺激会员从“一购”到“二购”、“三购”再到“普通会员”、“优质会员”，以及“忠诚会员”的跃迁，解决企业由于不了解用户生命周期而无法进行精细化运营的问题，并打造覆盖全站主要流量的个性化智能推荐体系，形成了一系列可落地的解决方案，包括：
- 1）在包括品牌列表页、九宫格、详情页品牌推荐、闪购、搜索、开屏广告等各渠道进行 AI 智能预测推荐；
- 2）引入曝光优化机制，加速新品成长，提升曝光效率；
- 3）多栏位打通新品曝光扶持，自动管理曝光，实现商品优胜劣汰；
- 4）加强换季策略，减少低效曝光；
- 5）加强智能推荐与人工运营的协同互补，包括人工运营商品穿插、广告位商品、黑白名单；
- 6）线上用户行为数据和线下交易数据融合，提升个性化算法提升推荐精准度并降低冷启动率等。
用户生命周期模型不仅是运营人员实践方法论，更能够成为一套可落地、可实践、可闭环的增长模型。GrowingIO 基于深刻的行业理解，将人工智能与大数据的完美结合，帮助企业定制了立体的用户生命周期模型，输出完整可实践的解决方案，帮助千万用户获得了更好的购物体验，从而实现企业 GMV 增长。
