CRM更多是为提升客户价值设计解决方案，前文提到的绝大部分内容侧重于提升销售团队人效，我相信绝大部分公司做CRM都是从这个点切入的。更进一步便开始考虑客户精细化运营，深入挖掘客户价值，实现从低价值客户到高价值客户的转变。

1. 客户特征的重要性

企业业务发展过程一般有这4个大节点：

1. 项目启动初期：没有客户时，想尽一切办法找客户；
2. 吸引来客户之后，想尽一切办法挖掘客户消费潜力；
3. 盛极而衰时，想尽一切办法维稳（或是重新获取新客户、或是召回老客户、亦或是稳定高价值客户等等）；
4. 无力回天的衰退期，开辟新业务线（又是一番轮回，具备良好警觉性的公司，往往很早就开始探索新业务）。

不论是找客户、挖掘客户潜力，还是维稳，都离不开“了解客户 ”四个字，比如找什么样的客户？什么样的客户有潜力可挖？什么样的客户是高价值客户？等等。

在前文中，我也提到了我们的销售团队习惯按照客户意向和客户潜在价值两个维度综合判断，将客户分成A（好）、B（一般）、C（差）三类。显然，我们的销售更倾向于“去找A类客户”，这其实是“找客户”阶段的“了解客户”。

“了解客户”本质上就是获取和识别客户特征（即先有特征再考虑如何用）。

不同业务阶段，我们想要了解的客户特征是不一样的，对应有不同的管理手段/措施。

2. 客户特征从哪儿来

那么，客户特征从哪儿来呢？

基于我所在公司业务，我抽象出了三类客户特征来源：

1. 购物行为数据：指的是在主商城上客户的购买行为数据，这块我们做得特别浅或者说基本上没做，前期也没有考虑过页面埋点的问题，所以很多客户行为数据采集不上来，目前只能从接口请求次数等层面去做简单分析（举个简单例子：某个时间段内付款请求接口调用了10次，但真正完成支付的订单0个，我们需要去分析背后的原因，比如是系统bug？还是前端交互不流畅？等等）。
2. 销售数据：从销售数据中能反映客户对平台的贡献值，最常见的RFM模型就是基于销售数据进行分析，下文我将具体说一说RFM模型。
3. 立地数据：我们的业务是基于便利店，对于零售实体店来说，立地数据实际上指的是店铺周边地理位置（选址：人流、商圈、客群、竞对等）、店铺内的基础情况（店铺面积、机器设备：比如我们发现有咖啡机、微波炉的便利店，一般资质还不错，未来有期望带来高额销售利润）。

确定了客户特征数据来源之后，下一步该如何做呢？

RFM模型：

对于②，定义计算规则即可。

关于RFM模型（还是基于我所在公司进行阐述）：

• R（Recency）代表客户最近一次下单时间距离分析当天的时间间隔。
• F（Frequency）代表统计周期内，客户累计下单次数。
• M（Monetary）代表统计周期内，客户累计下单金额。

关于RFM模型其实有几个假设：

1. 最近交易的客户进行再次交易的可能性更高（与最近没进行交易的客户比）；
2. 单位时间内，交易次数多的客户比交易次数少的客户，更容易再次交易；
3. 单位时间内，累计下单金额高的客户比累计下单金额低的客户，更容易再次交易。

大家可以发现，RFM模型其实是基于客户之间的销售数据差异做划分。另外，“可能性更高”和“更容易再次交易”，这里的“更高”和“更容易”是和谁比较呢？这个标准到底如何设定才能让计算更简单呢？

我们是基于平均值进行比较。举例M：我们取单位时间内，所有客户累计下单金额的平均值，那么，必然有客户高于平均值，有客户低于平均值，共2种情况，同理R、F也有2种情况，共8种（2^3）。

也就是说我们的RFM模型一共有8种细分客户（实际计算后，只有6种（头部活跃、头部预警、腰部成长、成长初期、腰部流失、尾部流失），前文也有提到，和我们客户自身某些属性以及销售的商品有关系）。

简单说一下我们RFM模型6类客户的特征：

1. 头部活跃：最近下过单，下单频次也高，累计下单金额也高；
2. 头部预警：最近未下单，历史下单频次高，累计下单金额也高；
3. 腰部成长：相对于头部活跃客户来说，只是累计下单金额相对较低；
4. 成长初期：最近下过单，下单频次低，累计下单金额低，此类客户一般是新进客户；
5. 腰部流失：相对于头部预警客户来说，只是累计下单金额相对较低；
6. 尾部流失：最近未下单，历史下单频次低，累计下单金额也低，此类部分客户可能已经彻底流失。

基于RFM模型，我们可以为不同类别客户制定不同方案，如前文提到的为流失客户发放“召回券”等。

立地数据：

对于③，其实有两步：采集哪些立地数据？如何采集？（谁采集？如何保证立地数据的准确、有效性？），我简单讲下采集哪些立地数据的问题，如下图：

上图隐藏了大部分细节，但是骨干以及思路已经很明显了。我还记得“采集立地数据”的项目立项后，自己也有过一段时间迷茫着。主要表现是自己能想到很多单一维度的立地数据字段，但明显能感觉到大思路上没有层次和逻辑感。

直到某个时刻的顿悟：我闭上眼睛想象一家便利店开在某个位置，从它的周边环境、外观、到内饰、货架、甚至商品，在脑子里形成了一个便利店雏形。于是，我决定先分店铺内和店铺外两个大类，如此一一化解填充，最后落实到单一维度（某个字段）。

最后，就有了大家看到的这张脑图（这是最初立项时的脑图，这里就不放后期更新的版本了）。目前，我们已经采集了其中部分重要字段用来做分析。

简单总结下本节：我们的客户特征来源于销售数据（基于此做RFM模型）以及立地数据，前者是通过模型计算得来，后者是通过销售团队采集得来。

基于这些客户特征，我们更新CRM的框架图如下所示：

上图中，我将客户数据集市、客户画像、RFM模型3个模块加黑。我们的客户画像是指根据客户的购物行为（暂时弱化的部分）、立地数据、销售数据等信息抽象出来的标签化客户模型。通俗说就是给客户打标签，利用这些高度概括的标签（客户特征）来描述客户，基于这些标签做数据分析。从某种意义上来说，RFM模型中抽象出来的6种客户类型，是客户画像中的标签之一。

立地数据的应用之一：

立地数据是便利店行业很重要的数据之一，特别是选址相关的数据。很多好的地段躺着都能挣钱，当然这些地段不仅仅只是租金不菲而已（比如写字楼内部的便利店）。

那么，立地数据有什么其他典型的应用么？比如接下来要说的销量预测。

第一篇讲了一些我所在公司的业务模式，当商品部同事决定上新品时，往往需要经过漫长的市场调研，其中有一个环节就是销量预测。初期，只有知道商品的期望销售额之后，才能决定分配多少资源去运作。

销量预测的一种途径是基于便利店所在商圈类型（写字楼、社区、交通枢纽、学区等）预测新品销量，比如包子这种强早餐属性的商品，在写字楼销量是最好的。于是，下一步我们找出这些写字楼店就可以了。

基础逻辑实际上就是：包子销量预测 = 类型店（写字楼、学区……）数量*同类型竞品店包子销量（这个数据是基于初期市场调研的结果）。

稍微延伸一下，这个环节还可以继续渗透，比如我们可以在新品上线后，通知到所有销售，让他们去拜访适合包子销售的类型店，将新商品推荐给客户，整个商品上新的过程就形成闭环了。

基于客户画像做销量预测，更新的CRM框架图如下所示：

3. 识别客户+管理

客户特征应用实际上就是识别客户+管理客户的过程。

之前提到管理是一种手段，基础逻辑就是：对客户特征进行分析后，发现需要对客户采取某种措施，促使其下单，否则这类客户会慢慢沉默直至流失。

关于客户特征分析，我简单举三个案例，结合具体案例的话，希望大家能体会得更深一点。

案例1：当我们的业务发展到一定阶段，GMV增幅开始变得平缓时，需要找到新的销售增长点。

那么，怎么去找呢？本质上思路应该是挖掘高价值客户，如果没有这么多高价值客户怎么办呢？于是，我们有了为便利店赋能的方案，即改造资质还不错的便利店（改造的目的是扩品，提升店铺内空间利用效率）。

所以，我们遇到的问题其实是：什么叫做资质还不错的便利店？如何寻找资质还不错的店？

这个时候客户特征就起作用了，我们基于客户销售数据和立地数据特征，很快从几万家存量店铺中，筛选出目标便利店，然后以任务形式派发给负责这些便利店的销售，改造便利店的项目流程随即进入与客户洽谈合作的阶段。如果没有客户特征数据，短时间内，我们很难在几万家便利店中挑选出合适的店铺来。

案例1，想说的是任务管理模块（任务管理还有很多其他的应用场景），我更新CRM框架图如下：

案例2：销售地推团队，在做客户新签的时候有奇效，因为他们执行力很强，一旦涉及到后期客户深度运营，往往倍感吃力。

所以，当我们将销售全部转为客户运营后，曾一度怀疑这个阶段的销售团队是否有存在的必要？他们的拜访是否有效果？（此时此刻，这个问题我依旧没有结论。我曾经利用相关性分析，确保有95%以上的把握证明销售数据增长与销售拜访有关系，但现实情况和数据分析的结果真的一致么？）

为了验证这个问题，我们将一部分流失客户激活的工作交给了callcenter，严格意义上来说，我们的callcenter有两个作用，一个是处理售后服务，另一个就是做线上的销售。

线上销售的工作内容，比如客户调研、新签客户回访、流失客户召回等等，最后发现callcenter也能带来2%左右的GMV增长。尽管如此，我们的销售团队还是存在着，如果深入一线陪访能发现，线下销售团队和客户的关系不是客服团队能够替代的。

客服是特别依赖客户特征信息的团队，因为他们坐在办公室，没有机会与客户当面接触，所以只能通过干巴巴的数据特征决定要去回访哪些客户。

案例2，想说的是callcenter模块，我更新CRM框架图如下：

案例3：便利店行业，特别是北京的夫妻老婆店，这类客户对价格特别敏感，并且北京市场上存在着大量二批商、批发市场，这些地方商品采购价格低，相对于运营模式重的我们来说，有很大优势。我们如果要挣20个点才能做到盈亏平衡，也许这些二批商挣5个点就盈利了。

举个实际的例子：有一个客户每天要卖1500个包子，我们只要一个包子贵1毛，客户立马流失（一个月贵多少？30天*1500个*1毛=4500块），转投二批商。

运营模式重的因，带来了商品高毛利运作的果。想将运营成本转嫁给毫厘必争的便利店老板，明显是很难成功的。那么，该怎么办呢？于是，精准营销的概念就被提出来了。

精准营销说的是放弃落后的广撒网模式，将优惠补贴给最恰当的客户。用人话说就是，A客户不需要优惠也会自然下单，B客户因为价格因素不愿意下单，我们可以用定向补贴的形式给B客户优惠，弥补与市场价格的差异，促使B客户重新在我们这下单。

怎么理解精准营销（定向补贴）的作用呢？

假设同样是2万的营销费用预算，广撒网的模式下，可能会把其中5千补贴给自然下单的客户，精准营销的目标就是将2万用在最恰当的潜在高价值客户身上（最恰当：潜在高价值、价格原因离开平台）。

当然，作用还不仅仅如此，比如提高客户粘性，我们发现通过定向补贴，客户往往还会购买除补贴商品之外的商品，这也是我之前提到的一站式购物体验（二批商一般运营品类狭窄，仅仅只是某些单品价格有优势，无法满足客户多品且价优的需求）。

案例3，想说的是营销管理模块（该模块场景也有很多，就不一一赘述），我更新CRM框架图如下：

最后，大家发现还有异常监控模块没有被加黑，所谓异常是和正常相对的概念。零售行业的销售规律一般是以“周”为单位，所以我们数据监控一般是做周维度的同比监控，比如：本周一同比上周一的销售数据，一旦发现同比数据差异较大，我们需要及时找到原因。举个简单的例子：临近寒暑假期间，我们会发现销售数据突然下降，最后调查原因是学校放假，便利店暂时歇业。

多说一点，基于我们的便利店业务，周一至周四加周天数据相对较高，但周五开始下降，周六最低。原因很简单，我们的高价值客户一般是写字楼店，写字楼店一般在周六、周日消费能力下降。

有读者会问了，那为什么销售数据周五开始下降，周六最低？

原因就在配送时效上，我们的配送时效是次日达，今天买，明天送（目前是今晚八点前下单，第二天上午9点前送达，配送能力是我们的一大核心竞争力）。周五、周六分别采购周六、周日的订单，所以才造成了周五、六销售数据下降。

异常监控模块，实际上就是在做这些销售数据上的异常监控，让我们把控一线市场的动态，及时发现问题（比如商品售罄、商品质量下滑、客户被切走等导致的订单量下滑）。

关于异常监控模块，我更新CRM框架图如下：

以上是关于CRM的全部内容，到这里也算是暂时结束了，我还一直在做CRM这方面的工作，估计过几个月自己又会有新的认知（就和我之前做的权限系统一样，写完文章几个月，又有了新的认知）。

相关阅读

CRM项目实战（二）：获取客户篇

CRM项目实战（一）：概念和业务篇

#专栏作家#

QJQ，微信公众号：倔牛的人生，人人都是产品经理专栏作家。关注电商/CRM/新零售/便利店。

本文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