实体零售企业，如何实现存量用户的数字化运营？

其实早在2008年就已经开始布局数字化零售，依托其现有实体店连锁体系，让卖场在进行实体营销的同时发挥出“网络库房”（前置仓模式）优势，结合品牌客户官网与APP的线上下交互，开创了中国百货商店-网络商场模式，实现了“零库存”和“虚实一体化”。
企业S作为实体零售向互联网转型的百货运营商，其实发展出了相当成熟的线下通路，同时拥有一批高价值高粘性的忠实用户。但与此同时，数据管理经验的匮乏，也在执行过程中为其带来了巨大的业务挑战，主要表现为以下两点：
用户转化之痛：用户消费习惯仍以线下为主，无法轻易引导向线上转化，变为可长期运营的私域流量；
数据管理之痛：空有丰富的业务数据，却找不到优化业务的有效切入点，以进一步挖掘用户价值。1、如何处理陈旧而庞杂的历史数据，实现线上线下与平台间的数据互通，为数据一体化管理提供便利？
2、如何明确用户的转化路径和各环节的流失情况，对不同的用户群体进行体系化的分群管理，以制定针对性的运营策略？
3、如何对渠道投放带来的流量和留存状况进行评估，通过及时的数据反馈筛选出优质渠道，提升ROI？
易观方舟是如何解决上面这些问题的呢？
1、清洗线下历史数据  构建用户分层基础
作为运营近20年的老牌百货运营商，企业S通过优质的到店体验吸纳了大量的线下用户，但由于没有统一的信息采集渠道和梳理框架，基层上报形式不规范，业务体量却不断增大，在分类标准尚不明确的情况下，形成了严重的无效信息沉淀，相关字段高达上百，结构盘根错节，让缺乏数据分析经验的从业人员感到无从下手，使宝贵的真实数据信息长期处于得不到开发的混沌状态。
对于陈旧的历史数据，需要删繁就简，归并同类字段，去除无效字段，根据核心业务需求整理出一套较为明确有效的分类标准，让客户信息结构化、系统化，使其易于检索、提取和二次利用。
价值、创利能力和忠诚度是我们评估既有客户的重要标准，因此我们首先引入了业界认可度较高的RFM模型以构建评价体系，从最近消费（Recency）、消费频次（Frequency）和消费金额（Monetary）三个维度对客户的消费表现进行评估，通过划分区间把只能定量的数字转换为可以定性的指标：
利用RFM模型梳理用户评价维度
通过设定各项指标的数值标准，用户的粘性和价值维度会交叠形成以下9个象限，并根据用户历史数据自动生成不同的用户分层。例如，对于消费频率较低而消费金额较高的客户，即高价值低粘性客户，可以通过进一步分析其消费偏好进行差异化管理，通过社群、评级等手段反复促活增加粘性，培养消费习惯。而对于低价值高粘性的客户，各类优惠券促销活动能够激发其消费潜力，提高客单价。初步的层级判定能够对历史数据进行分门别类，降低入手难度，以方便进一步使用易观方舟进行精细化的用户分群管理。
利用大颗粒用户分层对历史数据做初步处理
2 、细化用户分群管理  加速平台优化迭代
线下历史消费数据，大致能够勾勒出我们对用户的基本认识，而通过企业S的购物官网和App来的用户行为数据，就能够推进我们展开更精细化的用户运营。由于用户的消费频次与消费金额很大程度上与其偏好的品类特点呈现出相关性，而消费场景的变动和销售策略的更改也会影响其在不同时段的活跃度，我们需要制定更多的细分规则，对用户的消费偏好与关联性做出诊断，并逐步完善用户标签，为营销策略提供更加具体的指导。
例如，我们发现曾2次以上购买过运动用品的用户，在最近7天内观看运动用品的相关页面也达到5次以上，但是加入购物车的商品并未下单，我们就可以为其打上“运动达人”的细分标签，并归入需要进行消费激励的人群，在相应的促销活动中也为其定向推送运动品牌优惠券，鼓励其完成下单操作。
根据消费偏好细化用户分群
对用户的行为数据的追踪，同样可以进一步细化我们依据RFM模型得到的价值判断。如下所示，若顾客在模型分析中被归为低价值低粘性的待考核区域，而平台数据又显示其领取优惠券的操作次数远远多于浏览页面的次数，则基本可判定为是“薅羊毛”用户。
前段时间B站某UP发起的薅羊毛团，洗劫薅光某农民电商引发了一波舆论热议。常规来说，这类“羊毛党”用户只会关注平台为了促进注册转化而下放的让利政策，并不会进入后续使用，运营人员可以停止再向此类用户推送优惠券信息，防止低价值留存带来的隐形亏损。反过来，若我们发现用户曾经支付的订单金额较高，而近期搜索商品和下单频次较低，则可评定为潜在高价值用户，需要进一步完善其兴趣标签并进行定向促活。
利用易观方舟的用户行为追踪功能进行分群管理和推送
另一方面，用户的转化漏斗分析，能够帮助我们找到用户流失的主要路径，为产品迭代与平台优化提供线索，从提升引流效果和投入产出比ROI。从下图我们可以看到，用户在获得了良好的线下体验后，被引导浏览页面或者下载手机App，然后注册账号，在线上商店进行搜索，直到再次下单并支付，最终又回到线下进行复购，其实是一个完整的用户生命旅程。
然而任何一个节点的体验若没有达到预期，都会造成用户的流失，无法形成线上下重复交互的良性闭环。因此我们需要通过漏斗分析发现用户流失触点，进而逆推出产品流程设计的隐藏缺陷，进行产品细节的持续优化，提高用户的留存率。
利用易观方舟的漏斗分析功能找到用户流失路径
智能路径分析与事件分析同样是我们进行平台优化的重要线索。离开转化流程后，用户去了哪些页面，在不同的功能区块间用户的行动路径又是如何转换的？通过智能路径分析功能，可以找到大部分用户的App使用习惯，利用流量拆分了解导航页中对用户造成分流的内容，进而优化界面组成，引导用户沿着能迅速带来下单的期望路径行动。而事件分析的作用是帮助我们对比关键模块和二级功能的使用状况，调整不同功能的展示优先级，改善日常使用体验，最终提升用户粘性。
在下图中我们可以看到，智能路径与事件分析指导我们进行了界面逻辑的优化，将积分、换券、线上下交互和付款等模块提升至首页主菜单，使App从改版前作为会员积分沉淀的附庸，转换为用户进行商品选购的重要窗口，新用户在90日内的留存率从15%提升至25%，而线上交易量在3月内也实现15%的增长，APP的平均使用时长也得到了显著的提升。
易观方舟的智能路径和事件分析帮助上品进行APP平台优化
3、构建渠道分析模型  改进媒介投放策略
数据反馈不仅能为用户管理和产品迭代提供改进决策依据，也能为渠道投放的选择提供指导。传统的广告投放由于缺乏数据反馈手段，往往根据运营人员个人经验，通过各种渠道进行推广，以最终的业务结果进行评估，无法量化转化效果，甄别假流量来源，即使造成了量资金浪费，也无可靠凭据改进投放策略。
利用易观方舟的自定义模型搭建功能，我们根据企业S的具体投放情况建立了针对性的数据分析模型，通过一系列的自定义变量、指标与多功能组合，帮助企业进行渠道转化分析。得益于给外发营销和导流链接添加的UTM参数，用户从每个渠道的注册，都可通过标识进行追踪。与此同时，我们设定了包括新增、活跃、付费等在内的统计指标，每天在平台上自动生成报表监测流量转化情况。最后通过“末位淘汰制”，质量较低的渠道被加入黑名单，逐步减少至不再合作，从而保证了投放的ROI。
利用易观方舟的渠道分析功能自定义设定指标变量
严密的四象限渠道优化原则帮助进行渠道筛选
由于短信是企业S触达用户的重要形式，我们直接通过API对接了其惯用的短信平台，让业务人员建立分群体系后，直接在产品内生成短信推送，通过即时的数据反馈分析每波推送的转化成效，再次生成用户分群，并且自动化进行二次推送。在历史业务中梳理出的大颗粒用户分群，在自动推送、成效反馈、策略优化的运营闭环中不断迭代，实现了更加精细化的媒介运营。
短信平台优化闭环，自动化提升投放ROI
一方面，通过清洗线下历史数据得到初步的用户层级分类，利用线上数字手段增补用户行为信息，逐步构造各垂直门类下的用户分群，给分段营销计划提供更加具体的线索；对新旧平台的智能路径分析、事件分析和转化漏斗分析，从而了解到用户的使用习惯和各功能模块的使用权重，借以优化界面构成逻辑，缩短核心使用路径，增加了用户粘性和下单率。线上线下数据的交互性明显提升，得益于信息来源的下探和构成的系统化，运营策略变得更加明确而有针对性，平台从单纯的线下延伸转变为重要的流量触点。
另一方面，数据反馈也给用户触达和渠道投放提供了可靠的依据。运营人员不再单纯依靠行业经验和第三方信息进行渠道选择，而是在每一波投放后即时获取各渠道的转化效果，辨别低质渠道和虚假流量，及时止损、有的放矢，根据具体的用户分群和投放阶段特征，自动优化渠道配比，实现以数据驱动为主导的动态运营。
企业S利用易观方舟智能数据分析平台，通过一系列的业务重构突破了数字化转型的瓶颈，从以线下为绝对主导的单向导流，过渡到以线下存量为用户基础、以线上转化为重要阵地的创新型新零售平台，用户的破冰率、留存率和复购率均得到显著提升，且初步培养了其App的用户使用习惯，建立起更加良性的数据生态。