本文笔者将通过运用数据的CPCT策略的四个维度——Customer、Predict、Channel、Time，来讲述：如何做存量用户的精细化服务？

早在2016年，大家基本都达成共识，互联网开始由增量市场转向存量市场。只不过下沉流量的挖掘延缓了这一过程，在2018年全民社交电商之后，流量获取再次遇到瓶颈，加之最近微信生态对营销的强监管，存量用户再次被提上日程。

最近互联网比较火三个概念大概就是：私域流量、流量变现、会员制。

在我看来，这三个概念本质都是存量用户的精细化服务，存量用户精细化服务目的在于放大单个用户的商业价值。

如何做精细化服务？本文提出运用数据的CPCT策略（Customer、Predict、Channel、Time）：对合适的客户在合适的时机，通过合适的渠道推荐合适的产品。下面从Customer、Predict、Channel、Time四个维度去展开具体的实施方案。

一、客户Customer

1. 怎么做客户细分：RFM模型+AI

第一步：先用RFM模型去人工分类，给客户打标签。

第二步：然后基于人工智能（机器学习）分类算法进行自我训练，实现智能标签划分。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率，以及花了多少钱，三项指标来描述该客户的价值状况。

根据美国数据库营销研究所Arthur Hughes的研究：客户数据库中有三个要素：R（Recency）、F（Frequency）、M（Monetary）。

因为有三个变量，所以要使用三维坐标系进行展示——X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户。

根据上表中的分类，可以用如下图形进行描述：

通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。

RFM的评分方法这里不赘述，可以根据用户一年内的购买行为（消费频次和消费金额）进行分档，将R、F、M三项对应到单个顾客，最终每个顾客将出现一个由三个数字组成的数组；将每个顾客对应的三位数相加，作为顾客价值得分，最后决定客户的等级。

那么，随着存量用户的不断增加，如果通过人工进行客户等级的区分，是个工作量很大的事情，这时候就需要用AI技术来解决了。

随机森林、SVM、朴素贝叶斯等算法都可以进行分类模型的训练和预测，机器学习分类的简单描述如下：

（1）准备训练集

{(X1,X2,X3,…,Xm),Y1}

{(X11,X21,X31,…,Xm1),Y2}

……

{(X1n,X2n,X3n,…,Xmn),YN}

（2）训练模型，生产分类器D

（3）预测分类

（X1p,X2p, X3p,…,Xmp）输入到分类器D 预测分类Yp

这里面的X是一系列的特征变量，Y是分类值。

2. 客户分群服务

不同细分客户群服务重点有所不同。高价值用户要用“钢筋捆绑”，付出一定的营销成本、定制化服务换取客户忠诚度；中价值用户要用“粘性捆绑”，使用各种粘性因子业务，如体验金、权益奖励等层层捆绑；低价值用户要用低成本维护，小恩小惠常常就能留住用户。

二、预测Predict

抛弃传统的人口属性标签，根据消费者具体的购买行为，预测用户未来的需求，精准匹配产品。

不需要关注顾客的年龄、职业、性别、收入等固有属性，而是顾客反映出要购买的动机。比如：一个80岁的老太太也可以买高达模型。

NES模型+新4P+AI=智能化预测

1. 分析用户行为模型——NES模型

NES模型根据消费者个人购物周期，分为：首次购买的新顾客（New Customer）、支撑主要营收来源的既有顾客（Existing Customer）和回购率低于10%的沉睡顾客（Sleeping Customer）。而既有顾客又可分为E0主力顾客、S1瞌睡顾客和S2半睡顾客。

2. 从旧4P到新4P，预测下次购买时间

旧4P：产品、价格、渠道、促销

新4P：消费者、成效、步骤、预测

消费者（people）：根据顾客构建NES模型，首先要定义每个S用户，意义在于可以在成本最小的时机，去唤醒S消费者。

成效（performance）：根据NES模型，结合自己的实际情况，分析数据，来确定我们当下的目标是什么。

步骤（process）：找出优先项，优先处理危急问题——三个变量（NES）出现问题时，应该采取什么样的战略，去解决问题？比如，在E0阶段提升顾客忠诚度计划，在S1，S2，S3不同的停滞阶段，设计唤醒方案

预测（prediction）：观测每一个环节，看如果出现异常，提前发现，给予关怀和提醒。“智能控制”可以做到实时观测、零时差沟通和个性化信息，这是整个大数据营销的精髓。

3. 预测建模

根据用户的消费行为，如何做预测呢？这里面要基于深度学习、NLP相关技术，做智能推荐。

我们把推荐问题建模成一个“超大规模多分类”问题——即在时刻t，为用户U（上下文信息C）在产品库V中精准的预测出产品i的类别（每个具体的视频视为一个类别，i即为一个类别）。

用数学公式表达如下：

具体实现，可以参考下面的目前通用的深度学习DNN模型架构：

整个模型架构是包含三个隐层的DNN结构。输入是用户购买历史、用户的基本属性信息、产品信息和其余上下文信息concat成的输入向量；输出分线上和离线训练两个部分。

三、渠道Channel

随着线上、线下渠道的不断丰富，客户触点的增多，全渠道营销已成趋势。从AARRR模型来看整体的运营，从你获取用户a，到用户活跃，再到用户留存，再到付费转化，到最后的自传播，这是一个完整的运营体系。

如下图，在做AARRR模型的时候，每一层对应的运营指标，可以理解为他是一个销售漏斗。当然，这每一层我们可通过不同的策略去做转化，而每条营销策略部署都需要花大量时间、人力去实现。

所以，通过自动化营销系统自动完成基础的运营工作，让系统根据运营者规划好的运营框架，执行运营策略，实时分析数据，是未来运营效率进步的方向。

自动化营销模型可以理解为“一横一纵”。纵向的模型就是AARRR，从流量一直支撑到你最终的收入，而裂变横向就是每一个渠道，通过打通用户oneid打破各渠道数据孤岛情况，实现全渠道数据连接。

“一横”代表，我们现在凡是提到运营，一定不是单一渠道运营，比如有APP、公众号、短信，甚至包含社群和小程序，这全是渠道。然而，渠道之间的数据相对来说是独立的，所以渠道数据难点在于无法快速汇总，就无法形成是更丰富的用户画像，没有更丰富的用户画像，你就没有办法去精准的触达用户。

“一纵”代表，每一个渠道都有一个AARRR转化漏斗，比如我们说微信号、小程序等等，都是从新用户到活跃到传播层层转化。

所以，不论是互金产品，或者放大说金融行业，再放大说互联网的产品都需要这样“一横一纵”的模型。

而自动化营销系统，就可以把“一横一纵”的营销模型快速实现。如下图展示的模型策略，通过不同的执行组件组合，针对每一个渠道，根据“if……then……else……”的逻辑做用户触达。

首先，给用户一个首贷福利活动的APP推送，然后可以判断用户是否打开了我的推送，如果用户没有打开，系统会在两天后，给用户做多一次推送，再判断用户有没有打开。

当多次触达，用户都没打开，我可以再通过短信、微信等等渠道去触达。全部渠道触达后，用户如果在微信上打开了活动，那系统就给他打一个标签，比如：界定为用户就是对微信推送敏感度高的，就把他归到“微信习惯用户”组上。然后，在下次的做活动时，首选用“微信渠道”来触达激活这类用户。

另外，如果用户对本次策略中的活动都没有兴趣打开，我可以把这部分用户打上“流失用户”的标签，再把用户送到另一条“登录促活”的自动化策略中，尝试再次激活。

四、时机Time

时机也是精细化运营的关键因素。在客户全生命周期管理中，关键时刻营销及服务往往能得到事半功倍的效果。关键时刻客户行为往往也会发生变化，能够从数据上进行识别。

关键时刻包括：第一时刻、异动时刻、特殊时刻、免打扰时刻。

第一时刻是指：第一次开通某类业务或者体验某类服务，这时营销互补类业务客户比较容易接受。

异动时刻是指：客户使用过程出现异常情况影响客户正常使用或客户利益，可能导致客户流失的时刻，这时要根据客户异动情况及原因提供相应的服务。

特殊时刻是指：客户生日、节日等时候，借用节日营销，进行生日关怀能提升客户满意度，降低对营销的反感。

免打扰时刻是指：在客户不方便或不接受服务的时刻，营销活动一般都会剔除免打扰用户。

对关键时刻进行梳理，识别符合关键时刻特征的用户，制定相应的服务流程和标准，提升客户满意度，降低客户流失，是把握时机的重点。

五、总结

运用数据的CPCT策略中，Customer实现了宏观层面的客户细分，可以反向指导产品的分类与分层；Predict 是微观层面one-one精准跟踪用户的行为，预知用户的需求，占领用户的心智；Channel自动化营销是精细化服务的智能化手段，根据“if……then……else……”的逻辑做用户触达，提升效率；Time 掌握时机的精细化服务可以事半功倍。

本文由@段帅 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash, 基于CC0协议