顾客关系管理的具体应用

了解了顾客关系管理的大致框架后,现在用一个更具体的例子看看顾客关系管理具体是怎么应用的。

企业要想发挥顾客关系管理的价值,至少需要有一些顾客信息。这些信息可以简单分成两大类,即顾客的背景信息和顾客的行为信息。前者可以是顾客姓名、性别、年龄、住址、联系方式等与购物无关的信息;后者则通常指顾客什么时间干了什么事情,干的事情可以是线上的浏览、加购物车等,或者是线下的来店面、购物等。

企业通常采用数据库的形式存储顾客数据。不同企业对此的称呼可能不同,有的称为IT系统,也有称为数据系统或者CRM系统的。为了与企业实践对应,本书并不区分上述名称。读者根据自己企业的叫法理解即可。

无论企业采用何种方法存储顾客信息,也不论其存储的顾客信息多少,要使本书所说的CRM分析方法发挥作用,企业至少需要给每个顾客一个编号。企业可以不知道顾客的姓名、性别、年龄等,但这个编号至少要一直保持不变。也就是说,顾客再来的时候,即便我们不知道他具体是谁,但至少要知道这是上次那位顾客。

不论企业的顾客总数是多少,我们可先聚焦在一位顾客身上,就姑且称为顾客A吧。我们去后台查了他的行为记录,发现他10天前“来过”一次,但不知道他下次什么时候“来”、还会不会“再来”。如果他以前“来过”若干次,可以根据他以往“来”的历史,采用本书后面谈到的方法,得出一个他“来”的频率图,如图1-1所示。

图1-1

从图1-1能够看出,这个顾客间隔10天“来”的次数最多(图中最中间的柱),间隔5天“来”的次数最少(图中最左侧的柱)。那么他10天前“来过”,今天或明天“来”的可能性最大。在不同的情况下,应该有不同的应对策略:

(1) 如果他这两天“来”,属于到点就来,那么正常做好服务工作就是了,并不需要去做任何额外的吸引或者唤醒顾客的工作。

(2) 如果他过了13天还没来(倒数第二根柱),我们心里就应该有点担心了,想着可能是他没想起来我们这个店,需要想个办法提醒他一下。我们可以在群发短信或微信的时候把他包含在内,内容可以是某件有意思的事情。例如将公司或者产品结合当下热点推送,就是人们常说的蹭热点,或者是某种统一促销活动的信息。这个时候,我们会发现之前注意收集顾客的联系方式还是挺有价值的。例如,让顾客关注了微信公众号、让店员加了顾客的微信,哪怕当时为此还给了折扣或者提供了额外服务(增加了成本)。

(3) 如果他过了15天还没来(图中最右侧的柱),我们内心就应该开始惴惴不安了。估计这个顾客不会再来了,有流失的风险。需要采取有针对性的措施挽回这个要流失的顾客:根据他以往的购买记录,可以推荐一些他可能感兴趣的产品;或者,针对他重复购买的产品,给些折扣。如果顾客还是没反应,甚至可以直接给代金券。总而言之,挽回顾客的手段是一个逐步升级的过程。因为所有手段针对的只是他这个个体,并不是所有的顾客,总体的成本还可控,有更多的手段供选择。

我们再看另外一个顾客的数据,把他称为顾客B吧。他也是10天前“来过”,但这之前从没“来过”。我们没有顾客B的历史数据可供参考,也无法按照分析顾客A的方法分析顾客B。对于这样的新顾客,我们应该怎么办呢?

这种情况下,可以分析一下所有顾客“来”的数据。假设所有顾客“来”的间隔和频次与图1-1类似,当然也可以是完全不同的图形。新图形的横坐标仍然代表间隔天数,纵坐标代表所有顾客的这个间隔天数出现的概率。虽然我们没有顾客B的历史数据,但我们有了所有顾客的历史数据。如果顾客B跟多数顾客没什么不同,那么他的行为也应该跟多数顾客差不多,我们就可以把多数顾客的特点当作顾客B的特点,按照类似的逻辑来设计针对顾客B的营销方案。

整个顾客群的行为模式可以完全不同于图1-1,但道理是一样的,仍是根据间隔天数推算顾客下一次来的时间。根据顾客流失的风险高低不同,可以采取不同的应对措施。

刚才我们关注的是顾客“来”的时间。如果“来”代表购物,那么我们刚才关注的只是顾客何时“来”购物,并没有涉及顾客购买量。对于顾客每次的购买量,也可以按照与图1-1类似的方式,来判断顾客会购买多少。如果是针对没有历史数据的新顾客,仍可以利用整个顾客群的数据来判断个体顾客的购买量。

我们根据图1-1预测了顾客A下次来的时间。如果他最后一次“来”是15天前,那么他就很有可能成为要流失的顾客。如果超过20天他还没有出现,那么有很大概率这个顾客是真的流失了。

我们还可以根据每个顾客的出现频次分布图来判断他是否流失。不同行业的顾客出现频次分布图可能有较大的不同,间隔天数也许不是几天而是几十天甚至上百天。不过道理并没有差别。因此,我们可以根据顾客与企业的第一次交易、最近一次交易和不同间隔天数的流失概率,按照本书后面介绍的方法,计算顾客整个生命周期(即维系和企业的交易关系的天数)对企业的价值。

企业吸引新顾客往往需要支付较高的营销成本,当然,维系老顾客也需要成本。激活不活跃的顾客和挽回高流失风险的顾客也都需要成本。有了前面详细到顾客个体的预测,至少营销费用可以只花在高潜力或高风险顾客身上,而无须平均分配,这有利于节省营销费用。同时,有了对顾客整个生命周期价值的判断,我们就能识别出哪些是高价值顾客,在这些顾客身上花的营销费用回报更高。而另外一些顾客也许单次、短期交易金额较高,但如果算上投入的用于吸引、维系顾客的营销费用,可能整体上对企业的贡献并不大。也就是说,并不是每一分钱都值得挣。

顾客之间并不是孤立的,常常会相互影响。两个购物花费相同的顾客,如果社交圈的广度和深度不同,能够影响到的周边人群的大小和产生的影响力也会不同,伴随而来的是对企业的贡献就会有差别。如果顾客甲认识的人比顾客乙多,则甲影响的人数更多。顾客乙认识的人少,但如果他是互联网上的“大V”,他在网上的发言能够被更多的人看到,他就能够影响更多的人。顾客丙可能是专业人士,有足够的权威性,他虽然认识的人不多,但说的话更能让人信服,因此其他人采取行动的概率更大。于是,顾客丙影响的深度大于甲和乙。

有的人遇事愿意跟人分享,有的人则不愿意。这导致在同样的影响广度和深度下,不同的人实际产生的影响也有所不同。

企业可以通过顾客之间的相互影响,获取新顾客、促进顾客重复购买或者向顾客推荐企业难以建立起信任的新产品。例如,海底捞在餐厅中有个变脸表演,很多人会拍了分享到朋友圈;或者顾客吃完饭要带走没吃完的果盘,结果获赠了一个西瓜。这种超出顾客预期的额外心意,很容易促使人们分享到朋友圈。这既能唤醒很久没来的老顾客,也能吸引对此好奇的新顾客。这些都是顾客之间的相互影响产生的价值。用卖艺的人常说的话来讲,就是“有钱的捧个钱场,没钱的捧个人场”。

不论顾客什么时候来、来多少次、跟企业的关系维系了多久,也不论顾客相互之间有多大的影响,企业的利润最终都建立在产品销售上。如果顾客找不到合适的产品,交易就无法达成,买卖双方之间的关系也难以长期维系。

我们可以根据后面章节介绍的方法,通过顾客的背景信息和以往的浏览、购买历史,计算顾客的偏好,进而推荐更接近其偏好的备选产品。我们在电商平台购物的时候,平台推荐相似的产品或者其他顾客看过的产品,用的都是类似的逻辑。

除此之外,顾客和企业的关系还是一个逐渐深化的过程。双方刚开始成交的多是一些低风险产品,顾客逐渐建立起了对企业的信任以后,才可能成交高风险、高价值产品或者新产品。但企业也要明白,即便高风险产品符合顾客偏好,如果在最开始就推荐给顾客,顾客也不太可能会购买。这就类似于一个人刚去银行开了储蓄账户,理财经理就向他推荐具有高回报的股票型基金,在这个阶段是很难打动顾客的。这可能存在一个“储蓄账户→信用卡→定期存款→贷款→基金”的隐含过程。“心急吃不了热豆腐”,推荐产品也会有个过程。最后一章会讨论如何计算这种隐含的先后顺序。