NAPL x DCIU :會員模型的交乘應用

Happy Lee
·
·
IPFS
·
透過不同模型的交乘,增加單一模型解釋的豐富度,可以讓簡化的模型,增加其更進一步的豐富度,因此可以簡單的 NAPL 模型觀測會員分佈全貌,然後透過 DCIU 交乘來用比較細緻的分群,來做會員溝通操作

NAPL模型 與 DCIU模型

會員經營裡面,會員分群是很關鍵的事。透過好的會員分群溝通,可以提高溝通的成效,也就是可以提高會員溝通的投報率 RoaS。(延伸閱讀:為什麼要做會員分級?)

但要怎麼做會員分群,一般會用「模型」,也就是依據會員的各種數據,透過算法,把全部的會員貼上不同的標籤。最後依據這些標籤的分群,給予這群會員的輪廓描述,並透過溝通,測試這群會員的反應,是否符合這些描述。

91APP至今發表過三種會員模型:NAPLDCIU、與PAVO。這篇文章會主要聚焦在NAPLDCIU的交乘應用,而不是介紹模型本身。

在正式進入「多個模型交乘應用」主題之前,還是先快速介紹一下 NAPL 與 DCIU 模型,作為一個暖身:

什麼是 NAPL 模型?這是一種以交易數據為基礎的模型,類似傳統的 RFM,也就是用 CRM 常見的 購物頻率 (F, Frequency)、與 購物時間 (R, Recency)來分群,各標籤說明如下:

  • N (New) 首購:最近三個月有第一次購物的會員。

  • A (Active) 活躍:最近三個月內有購物的「非首購」會員。

  • P (Potentail)沈睡:超過三個月「沒有」購物的「非首購」會員,也就 A 標籤的人,超過三個月沒有再回購,就會從 A 變成 P。

  • L (Lost) 流失:超過三個月沒有回購的首購會員。也就是買過一次之後,本來是 N,但後來就沒有再買第二次了,超過三個月沒有回購,變成L。

什麼是 DCIU 模型?這是一種以行為數據為基礎的模型,也就是不需要交易數據,是以行為數據像是瀏覽分類、瀏覽商品、搜尋、加入購物車、加入收藏等等這些互動行為,用這些會員行為來計算會員分群。各標籤說明如下:

  • D (Deciding) 最高購買意圖:官網互動行為非常多,近期頻率高,且有大量加入購物車、編輯購物車等等的趨近最後購買旅程的行為。

  • C (Considering) 高購買意圖:官網互動行為多,但近期頻率不高,有加入購物車行為等。

  • I (Interesting) 低購買意圖:官網隨意瀏覽者。

  • U (Un-interesting) 無購買意圖:沒有任何官網互動行為的會員。

想進一步了解 NAPL 與 DCIU,請參考以下兩篇文章:

NAPL x DCIU:會員模型的交乘應用

為什麼要做會員模型的交乘應用?我們可以用以下兩個問題,做為幫助討論模型交乘應用的主要情境,也幫助大家用真實的情境來思考:

  1. 我的活躍會員(NAPL裡面的標籤A),也一定會是高購買意圖的會員嗎(DCIU裡面的標籤D)?

  2. 我的流失會員(NAPL裡面的標籤L),真的完全都沒有任何購買意圖嗎(DCIU裡面的標籤U)?

以上這些問題,就可以用兩個不同的會員模型交乘,來觀測會員的樣貌,並且可以探討出更有趣的會員分群操作應用。

上面這張圖,就是真實的某一個客戶,用 NAPL 分群之後,再用 DCIU 把每一群再分開,得到一個 4X4 的交乘矩陣,等於把會員進一步分成 16 群,而圖裡面的每一個數字,代表該群的會員數。

所以依據這張圖,來回答上面的兩個問題,我們可以看到:NAPL裡面的活躍會員(A),的確高購買意圖的會員很多(D),但竟然也有無購買意圖的(U)。活躍會員(A)一般而言是一個品牌貢獻度最高的一群人,如果這群人出現很大比率的「購買意圖不高」(I)甚至「無購買意圖」(U),這代表什麼意思?這群會員其實並不活躍嗎?

同樣依據這張圖,可以看到第二個問題的答案,我們也同時看到:NAPL裡面的流失會員(L),有許多的確同時也是無購買意圖(U),但卻也有一定比率的流失會員,竟然呈現出「高購買意圖」(D),這又是怎麼回事?這代表這群流失會員最近一直跑回來網站,點點商品、加入購物車,所以其實他們並沒有流失?

會員的 購物週期 與 生命週期

活躍會員通常就是創造一個品牌平均購物週期數字的人。因為他們通常會有比較穩定的回購頻率。

所以活躍會員的購買意圖通常是高的嗎?假設一個活躍會員,距離上次購買已經快要三個月了(假設某品牌的平均購物週期是3個月),那非常高的機率他的購買意圖會是高的。

但如果這個活躍會員,終於在昨天下單回購了,那他今天的購買意圖會是「零」。也就是說,昨天需求已經滿足了,今天不會再有需求,甚至短期之內購買意圖都會是低的。

用NAPL的模型的標籤來看,本來是A的活躍會員,因為在近期又買一次,他的標籤還是A。

但本來是A的活躍會員,也許本來購買意圖模型(DCIU模型)中的購買意圖標籤是高的,也就是他也是標籤D。但在他近期才回購的那一個禮拜,理論上因為才剛買完,短期沒有購物需求了,所以沒有再繼續瀏覽商品、沒有加入購物車這些行為,也就是他的購買意圖標籤(DCIU),會變成U,或是I,也就是低購買意圖或無購買意圖。但並不表示他不是活躍會員。

這也可以解釋為什麼上面圖表裡面的狀況,活躍會員裡面,有一定比率的會員是低購買意圖(I)或無購買意圖(U),非常有可能原因是,他們才剛回購過。

活躍會員(A)本來就是一個品牌裡,購買頻率相對高的會員。但活躍會員的購物頻率,再怎麼熱愛品牌,購物頻率也不可能是每天。每個人口袋深度都是有限的(應該吧),理論上就有消費能力上限。通常月初領薪水,購買意圖高,才消費過一些東西,購買意圖就掉下來了,尤其是現現在的月底,口袋變得很淺,心裡就算有購買意圖,手頭上沒有購買能力。

DCIU模型,就是呈現出這個「購物週期」裡面的購買意圖變化。一個會員身上的DCIU標籤會變化的非常快,甚至會變成一個循環,也就是購買前是D,購買後變U,過一陣子變I,然後慢慢變C,又回到D,然後緊接著產生購物行為。

而NAPL模型,呈現的是一個會員的「生命週期」。也就是一個會員從第一次認識品牌,第一個跟品牌購物(N),逐漸熟悉跟品牌買東西(A),到他逐漸流失的過程。大多數的品牌,會員都有一個 LTV (Life Time Value, 會員終身價值),但這個週期的時間是長的,通常要到月或年為維度。也就是同樣一個會員,NAPL標籤的變化,會比DCIU的變化還要慢。而很大機率,NAPL標籤的變化是不循環的,是一去不復返的,也就是會員逐漸走到生命週期的終點,流失的會員就很難喚回了。(延伸閱讀:LTV(顧客終身價值)- 每段關係都有一個期限

DCIU 是一種CDP 的模型/NAPL 是一種 CRM 模型

所以,NAPL 跟 DCIU 兩個模型,因為其根本數據基礎不同,使得他對於會員分群的解釋方向就有很大的不同。

NAPL是一種根據於交易資料的模型,是一種CRM模型;DCIU是一種根據於行為資料的模型,是一種CDP模型。

也因此,一個會員的交易變化,週期通常比較長,所以一個會員的NAPL的標籤變化 週期也比較長。而一個會員的行為變化(瀏覽商品、加入購物車),變化速度比較快,所以一個會員的DCIU標籤變化週期也很短。

也因此,如果一個會員從來沒有購物,他不會有NAPL任何一個標籤,但他卻會有DCIU標籤,如果這個會員有一直逛品牌官網或APP的話。但DCIU標籤變化的太快,會員的行為,也很難反應真正的會員貢獻情形,這時候以交易為基礎的CRM模型,也就是NAPL模型,就是更好的觀測工具。

所以兩個模型可以透過標籤交乘,來找到值得經營的會員分群。像是上面的案例提到的,那一些流失的會員(L),雖然大部分沒有購買意圖(I, U),但卻有少部分有高購買意圖(D, C),也就是這些會員雖然很久沒有購物了,但近期卻不停地回來網站,產生很多互動行為像是瀏覽網頁、搜尋、加入購物車,而變成的 D 或 C 有購買意圖的標籤。

既然我們理解這群會員的樣貌,是一群流失會員,卻近期對品牌很有興趣,理論上應該加強溝通,趁機把這些流失的會員做挽回,因為他們比起那些可能已經死心的會員(很久沒買、也沒有回來網站),近期又不停的回來品牌網站,點點商品、加入購物車,會比死透的會員,相對會容易挽回。

因為會員生命週期的存在, NAPL 的模型中大多數會員標籤,標籤的變化都是單向道,標籤是不循環的,也就是不會從流失(L),變回(A),會員流失一定有些原因,會員因此不再回購,最後就只是馬不停蹄地一路奔向會員生命週期的終點。

透過DCIU的模型標籤觀測,也就是會員網站互動行為的觀測,有機會發現那些即將流失的會員中,還有高機會挽回的那一群人,延長他們在品牌中的生命週期。

如何取得交乘的名單

模型是把一個複雜的問題,簡化成好理解的框架。也就是說,模型本來就是把真實的世界給簡化了,而不代表真實。把一個品牌的會員變成4群人,但事實上品牌並不可能只有4個會員,而可能是40萬會員甚至400萬,總之真實的會員,每一個人都不一樣,也不是分成4群這麼單純。

但透過模型的簡化,才有辦法相對去理解所有的會員,才有辦法找到會員經營的問題,一個品牌所有的40萬會員,甚至只要4萬會員,的確沒有辦法一個一個會員去看,透過模型才有辦法在很短的時間,掌握會員經營的全貌,或其中有沒有發生了什麼重要的問題。

而透過不同模型的交乘,增加單一模型解釋的豐富度,可以讓簡化的模型,增加其更進一步的豐富度,因此可以簡單的 NAPL 模型觀測會員分佈全貌,然後透過 DCIU 交乘來用比較細緻的分群,來做會員溝通操作。

91APP的客戶可以在 Marketing Cloud 的名單圈選或是個人化行銷,透過「而且」(and)的方式,交集 NAPL 名單 與 購買意圖模型,就可以找到上述的16群中的每一群人,並對他們做進一步的操作。

原文刊載:零售的科學

CC BY-NC-ND 4.0

請我喝杯咖啡。感恩在心。

Happy LeeHello,你好,我是91APP的產品長,因為一直在協助零售業做系統,所以寫了很多零售業相關的文章,希望能與大家多交流分享。
  • Collection
  • Author
  • More