如何留住客户
如果我们将企业的客户按照下单频次和客单价两个维度切分成四个象限，划分为A、B、C、D、E五个群体，企业的核心诉求之一，便是找到更多的潜在客户群体A，转化为客户群体B，并努力使客户群体B向客户群体E转移，尽量留在E的位置。
本章讨论如何管理实现B群体向E群体转移，并尽量留在E的位置。
留住客户更重要
营销学之父菲利普科特勒研究发现，企业获得新客户的成本是挽留现有客户的5倍，顾客流失率降低5%，利润增长25%以上；客户留存的重要性是所有企业都认识、认可的。
实现客户留存，可以分为两个层次，第一个层次是取得客户认同，第二个层次是引导客户持续消费。
第一层是第二层的前提，影响因素非常多，企业提供商品或服务的品质，品牌的营销，公众形象的建设，社会责任的履行，都会影响客户对企业的感观。其中商品或服务品质最为重要，如果产品或服务有问题，尤其是第一次消费对客户产生了伤害，则挽回的难度会增加很多。所以很多企业非常重视客户的首次服务体验，甚至倾斜资源保证首次消费客户的体验。
第二层是基于第一层的进一步深化。通过精细化运营的管理方式，尤其是基于客户细分的精细化营销，保证客户粘性，增进客户消费。
精细化运营是指企业进行全面的客户数据分析，识别客户特征，通过体系化、专业化的分工，针对不同客户细分群体采用差异化的销售、营销、服务策略，提高运营效率和效益。
企业内部资源是有限的，如何将有限的资源，高效的分配，实现最佳收益，是精细化运营要解决的问题。精细化运营是管理理念与执行方案，涵盖了客户开发、客户留存和客户服务的所有流程和环节。例如，如何优先开发最优质的销售线索，如何重点关注高价值客户提供差异化服务，如何区分并提升重点客户服务质量，如何针对不同客户群体实现精准营销，都属于精细化运营的范畴。
上篇文章介绍的销售过程自动化（SFA），就是很好的精细化销售运营落地方法；精细化的客户服务，将在下篇文章讨论；本章主要讨论精细化营销，即基于客户细分的主动式精准营销，也是提升客户留存最重要的手段。
精细化运营的核心前提是客户细分，没有客户细分，精细化运营无从谈起。接下来，我们首先讨论客户分析的思路以及客户细分和客户建模，然后介绍主动式精准营销。
客户分析的思路
客户分析的思路可以总结为：两种视角，四个维度，十套模型。请读者注意，这个思路是本博自己的总结，并不是学院派的理论。
两种视角，是客户分析的概要性分析思路，第一个视角，是从时间流逝的角度，来观察客户的行为、消费特点；第二个视角，是从深度上挖掘客户在各个主题或场景下的差异与特点。第二个视角中，包含最基础的四个分析维度，这四个分析维度可以涵盖线上线下业务消费者所有的核心信息要素。通过四个维度的组合使用，可以形成十个最经典的主题或场景，设计出十套不同场景下的客户模型。
客户分析的第一个视角
从横向时间流逝视角来看，第一个常见的客户分析思路是生命周期分析。客户不可能永远忠诚于企业，从客户引入企业，到客户流失、离开企业，客户的生命周期可以划分为几个阶段。
在获取期，处于线索或商机状态的客户，企业的关注重点是激活，激活既可以是产生首次消费，也可以是完成最重要的核心动作，例如进行注册、登陆、认证。
当商机或线索转化为正式客户后，进入了提升期，提升期的关注重点，是尽可能提升客户留存率；可以是二次消费的提升，也可以是持续登陆访问的提升。提升期客户很容易流失，因此企业需要在提升期掌握客户留存的关键要素，加大资源持续优化。
客户行为或消费稳定后，进入了成熟期。从纵轴上来看，该时期客户对企业的价值最高，企业需要持续刺激客户提升客单价和消费频次，并尽可能延长成熟期的持续时间。
当客户的消费或某些行为出现持续、明显的下降趋势，进入了衰退期。衰退期的客户有可能只是进入了短暂的睡眠状态，也可能是彻底流失的前兆。企业需要在第一时间捕获客户流失的征兆，通过合适的手段唤醒衰退期的睡眠客户。
当客户在某个时间范围内不再消费，甚至不再访问APP或网站，客户进入了离开期。离开期不是一个过程，更多的代表客户已彻底离开企业。离开期（或离开状态）的客户，同样需要进行挽回或重新激活的刺激。要尽量在衰退期唤醒客户，因为在离开期二次激活客户的困难会更大一些。
客户生命周期的划分依据和方法，根据不同的业务特点不尽相同，常见的落地方法，可以通过对下单频次或者登陆行为的数据指标变化，定义生命周期的阶段。具体指标的设计，要结合实际业务来制定。如果通过消费频次来划分成熟期，衰退期，离开期，可以结合RFM模型。后续章节讲解RFM模型时会再次讨论客户生命周期模型。
从横向时间流失的视角来看，第二个常见的客户分析思路是AARRR模型。AARRR模型来源于Growth Hacking，是针对移动互联网领域提出的一种客户分析思路。AARRR代表Acquisition（获取用户）、Activation（提高活跃度）、Retention（提高留存）、Revenue（获取收入）、Refer（自传播）。可以发现，AARRR模型关注的是生命周期模型中的获取期、提升期两个阶段，同时针对移动互联网的特点，增加了对自传播的关注。
AARRR模型是客户生命周期模型的子集，不包括对客户流失的识别，仅仅是针对移动互联网黑客增长（Growth Hacking）概念的一种分析思路。读者对此要有清晰地认识，要理解两套模型的应用场景和侧重点。
客户分析的第二个视角
从纵向客户分析深度的视角来看，通过基础属性、交互行为、业务数据、社交网络四个维度，可以得到客户最全面的线上线下信息。
基础属性是静态数据，描述了客户的基本情况。大多数时候企业难以收集到完整的客户资料，有时候需要根据客户行为或交易猜测部分客户属性，例如假如客户经常买母婴用品和女性用品，就可以推测是有小孩的年轻母亲，完成客户基础属性的补全。
交互行为，狭义上讲是客户在网络环境下的所有动作、轨迹等等，广义上讲还包括线下发生的行为，例如卖场内客户行进动线，在不同陈列区的停留时间，与销售人员的沟通内容。交互行为体现了客户的真实诉求，是分析潜在营销机会的最关键数据来源。线上环境的交互行为最容易收集，这也是线上渠道的最重要的特点和优势；线下渠道，也可以通过一些手段采集，但是成本较高。例如，有新闻报道，北京的品牌卖场上品折扣，通过摄像头捕捉和RFID技术，追踪记录持有会员卡的客户，来分析客户的逛店行为。但具体效果如何，没有看到更多的报告。
业务数据，主要指交易数据，同时也包括客诉、服务（例如保险理赔，基金赎回）等OLTP系统产生的数据。
社交网络，包括体系内和体系外的社会化运营数据，体系内包括分享、评价、点赞、兴趣话题等，体系外包括微信、微博、知乎等。通过社交网络的数据，可以分析客户的情绪反应，喜好憎恶，以及更加全面的社会关系信息。社交网络的数据获取和分析，对技术的要求较高，并且不一定能直接产生高价值的应用。当然这也不是绝对的，例如有报道今日头条正是通过分析用户的微博数据，识别其兴趣点，从而推送更准确的文章和话题。
通过以上四个维度的基础信息，可以组合出若干场景或主题下的客户分析思路，其中有10个经典的分析思路，值得大家关注，了解。
下边的章节，我们介绍客户分析的经典模型和设计思路。
客户细分与建模
客户细分和客户建模是两个不同的概念，客户细分目标很明确，基于各种诉求将客户区分成不同的子群体，进行业务分析，或制定对应的业务策略。客户细分可能是临时性的一次性分析，也可能是需要长期固化的标准。客户建模是对客户基于某些固定的、经典的主题，进行确定性的标准设计，多数情况下会固化到系统。客户建模通常会形成对客户的分群、分组，所以实际上很多时候客户建模也完成了一次客户细分。少数情况下客户建模不会产生客户细分效果，例如客户的积分模型，成长值模型，信誉值模型。
单纯的客户细分方法形式多样，用途非常广泛，例如基于流量来源的留存分析，基于关键行为分群的的下单特性分析，属于数据分析的范畴。本文只关注客户建模而不关注客户细分，因为本文介绍的常见客户模型，已经代表了经典的客户细分思路。对于其他主题或领域的客户细分方法，本文不做介绍。
客户建模没有明确的定义，因为其形式、方法多样，没有数学建模严谨、严格。核心的要点是通过抽象和定量分析，产生具有某种业务诉求的需要固化的规则输出。接下来，我们介绍十套经典的客户模型，代表了常用的十种客户分析思路。需要注意的是，客户建模工作开展之前，一定要明确其价值和意义，要么作为企业经营决策分析的重要参考，要么对业务产生影响。在不同的发展阶段，对模型丰富程度的诉求不同，要在合适的阶段结合业务，建设合适的模型。
基础模型
基础模型主要基于基础属性维度建设，用来呈现客户的基本情况。C端用户基础模型相对简单，丰富的字段属性即可满足要求。B端的客户相对复杂，要通过复杂的逻辑模型，呈现出B端企业的组织架构，人员架构等。基础模型是对现实世界人或物的抽象描述，通常用ER模型来实现逻辑层的客户抽象定义。通过基础模型，可以做基于客户内外在属性的细分，例如客户类型，地区，性别，年龄，收入情况等。下图是一个简化的C端客户和B端客户的基础模型ER示意图。
RFM模型
RFM是最经典的客户消费行为特征分析模型，RFM代表Recency（最近一次消费时间），Frequency（某一个时间范围内的消费频次），Monetary（某一个时间范围内的平均客单价或累计交易额）。根据公司实际数据情况，将这三个指标划分成几档，可以形成多种组合（假设每个指标分五档，则可产生5x5x5个组合），对这些组合进行聚类分析，提炼出行为模式类似的多个群体，实现对客户消费特征的群体细分。
RFM的应用方向包括业务分析，客户消费特征分析，以及营销策略输出。RFM可以协助实现客户生命周期分析，例如，如果大多数成熟客户每个月稳定下单频次F是15次，即稳定一天下两单，如果R值变成了4，即最后一次下单距今已超过4天，则认为客户进入睡眠期（衰退期），需要唤醒策略激活。如果R值变成了15，则认为客户进入流失状态（离开期），需要二次激活。至于如何定义R和F，从而定义衰退和离开，需要结合实际业务以及数据分布来制定。
RFM在所有商业领域通用，是每个售卖产品或服务的企业，必须实现的第一个客户细分模型。针对RFM的介绍资料非常多，建议读者进行深度学习。
价值模型
企业的资源是有限的，对有限的资源进行合理的分配，让高价值客户得到优先的服务和特权，是每个企业都会做出的选择。例如，假设有两个客户A和B，A平均一个月下20单，客单价20元；B客户平均一个月下5单，客单价200元。一个月内A客户贡献了400元营收，B客户贡献了1000元营收，显然B客户对企业的价值更大，要更加关注，保证留存。
价值模型通常从消费额的角度来建设，输出方向主要是对不同贡献程度的客户提供差异化服务。价值模型通常和客户等级共同建设，通过会员等级定义差异化服务。
需要注意的是，有些互联网APP在某些阶段不以营收为目的，对客户价值或用户价值的丈量，会采用其他指标或方式，例如登陆次数，交互行为等。
忠诚度模型
忠诚度模型通常用交易频次来量化定义。以价值模型中提到的A、B客户为例，A客户虽然贡献度较小，但下单频次高，是一个高频忠诚客户。对于这类客户，企业可以通过礼包或部分特权的形式给予鼓励。
有些时候，企业会综合考虑客户的价值模型和忠诚度模型来设计会员等级，提供差异化增值服务。但对于企业来讲，本质上贡献度更高的客户更重要。例如，支付宝、携程等公司，在客户等级的规则描述中提到，会同时考虑消费、投资金额和交互行为。但我相信最终的计算公式，更多考核的是消费或投资金额。
生命周期模型
前文已经对客户的生命周期做了很多介绍，定量界定客户生命周期的最重要目的，是对获取期和提升期的客户进行激活和留存，对衰退期和离开期的客户进行及时挽回。
同样，生命周期的定义方法要结合实际业务，如果是不以营收为目标的互联网公司，或变现的方式不是依赖于交易而是广告投放，此时对用户生命周期的定义可能会通过登录、交互行为来切入。
偏好模型
偏好模型通过分析用户的交互行为和交易数据，来判断客户的需求偏好。偏好模型更多的时候通过客户画像和打标签来实现。
信誉模型
信誉模型的设计必须配合实际的业务动作，例如对低信誉客户进行部分限制。如果没有配套的业务动作，创建信誉模型没有太大价值。信誉模型多数时候由风控团队负责。
客户画像
客户画像也属于客户建模的范畴，传统意义上的客户画像是指企业对目标市场的目标客户的典型特征描述，如今的客户画像是指将目标客户群体划分成更细粒度的子群体，每个群体间重合度较小，每类子群体的消费需求和行为特征类似，计算机通过打标签的形式标识个体特征并实现子群体的聚类。
客户分析中的四个维度，包括基础属性、交互行为、业务数据、社交网络共同构成了客户画像。客户画像通过对客户打标签的形式，将所有的特征识别并进行抽象总结，将特征类似的客户聚类。
客户画像的应用方向非常广泛，运营人员的定向投放，计算机的推荐策略，千人百面，千人千面，都依赖于准确的客户画像。
客户画像的建设需要循序渐进，小步快跑，每一个改进和提升都是为了支持配合当前的业务诉求和运营诉求，不能一蹴而就，一步到位，否则会陷入数据和分析的汪洋大海。
业务人员或产品人员不能过度迷信客户画像，认为客户画像是万能的，总是有价值的。有些时候业务上的点，不需要尖端复杂的科技就可以很好地解决或解释。例如，某团购APP开展日百业务，PM通过各种细分，各种策略，将日百ICON在最佳位置展示给细分群体，苦苦研究探索不同细分群体的日百首次消费行为，百思不得其解，最终某运营小鸟分析得出，不论什么细分群体的客户，只要在APP本身消费超过N次，肯定也会在日百消费。
积分模型、会员等级
积分是最常见的提升客户粘性的手段，相关文章和分析非常多；会员等级要综合考虑客户贡献度和忠诚度，前文已有讲解；这两个模型我们不再做过多介绍。
以上十套模型，代表了最常见的客户分析场景，实际运用中不一定每一个模型都单独建设，有可能是混合建设，例如，生命周期、RFM、忠诚度共同组成一个分析模型，而不是分开设计。要结合具体的实际情况设计方案。
客户分析是CRM建设中最有意思的部分，也是最有挑战的部分。如何结合企业的商业模式，客户特征，运用各种理论模型，从不同的角度分析，认识客户，并形成有价值的应用输出，需要产品经理或业务分析人员具备综合的商业知识、业务知识、市场营销知识、数据分析知识储备。
客户分析建模的工作，一般由业务分析师，策略PM，数据PM负责，是一个有趣的，值得深入研究的领域。
我们将部分模型绘入CRM架构图，更新后如下。
基于客户细分准营销
主动式精准营销，是最有有效的客户留存手段。精准营销的流程可以总结为下图。
根据营销目的，甄选营销对象，设计营销内容，选定触达方式，落地执行，跟踪，监控，反馈，优化，再次执行，构成了营销的闭环。这个流程既可以是人工跟进执行，也可以是系统自动执行，也可以是系统策略加人工混合执行。
a、纯人工营销，手工选择细分群体做营销。例如运营人员设计不同的运营活动，通过CMS控制，针对不同目标细分群体展现；电话业务员给指定的名单推销新产品。
b、纯机器营销，基于场景的系统自动化营销。例如对于睡眠或流失客户自动发券，推送短信、消息；对细分客户自动推送可能感兴趣的新品或降价信息。
c、机器加人工营销，基于场景的系统自动化任务创建并推送给业务人员执行。例如针对流失客户，既发放优惠券，也安排任务给外呼人员或销售人员进行人工沟通挽回。
通常的做法，是策略PM和运营人员共同执行各种营销策略，经过多轮评估分析调优后，将有价值的营销策略固化在系统，形成自动策略，释放出人力，继续寻找新的策略方案。
实际生活中，自动营销的案例随处可见，例如，百度糯米会针对新用户发放各种优惠套券；滴滴会短信提示赠送快车券刺激长期没有消费的用户，携程会短信提醒曾经浏览的景区或酒店降价了，淘宝会Push消息提醒曾经关注的宝贝在做活动，P2P会发短信提醒投资券快要过期，网易保险会邮件提醒赠送了免费的意外险，海底捞会短信祝福客户生日，等等。
这些营销场景，复杂多样，时效性强，不可能由人工执行，必然是系统策略自动触发。至于什么样的场景适合做什么样的营销最有效，则是策略PM和运营人员共同研究探索得出的。营销要有针对性，要避免客户反感，否则客户可以轻易地退订短信，退订邮件，关闭消息通知。
推荐策略也属于精准营销的范畴，同样基于客户建模、客户画像、客户细分。相关文章资料非常多，本文不再赘述。
有些时候，我们会接到不同企业的推销电话，尝试销售一些新产品，或告诉你获得某些权益。电话销售是极容易造成客户反感的一种接触方式，但有的时候也更有效，因为客户更容易忽略一条短信或一条Push。
企业什么时候需要通过业务员进行主动营销？要回答这个问题，需要思考另一个问题：企业的业务员资源是有限的，什么样的活动和什么样的客户，值得动用珍贵有限的业务员资源进行跟进，而不是简单发一条短信？考虑清楚这个问题，是否要动用业务员资源，答案自明。
精准营销的难点在于营销对象的准确分析，对客户了解的越充分，越全面，才能设计出针对性很强的定向触达，实现转化。消费者并不是排斥所有广告，对于其感兴趣的，或者是有需求的广告，消费者会乐意接纳，但对于其不感兴趣的，无关的广告，则非常反感。
例如，假设你近期计划租房子，这时候房产中介打电话给你推荐感兴趣的房源，你会乐于沟通。但如果你入驻了新房子，此时房产中介再打电话，你会觉得是一种骚扰。由此可见，准确的定向触达，可以引起消费者兴趣，并容易产生转化的，但前提是客户潜在需求的准确识别。
精准营销的要点在于营销的内容和方式。短信，邮件，APP消息，电销业务员都是企业和客户产生接触的点，是营销触达的方式；商品到货，新品上架，促销活动，优惠券，是营销要承载的信息，是营销的内容，也体现了营销的目标。友善的触达方式和吸引人的营销内容，是提升转化率的关键。
营销目的、营销对象、营销内容、触达时间、触达方式构成了营销策略，现代营销型CRM的核心目标，就是基于客户细分，通过计算机实现最有效的自动营销策略，通过主动式营销，提升客户下单频次、客单价、关注度，实现客户留存。
我们将营销相关的部分模块添加到应用架构图中，更新如下。
社交环境下的客户分析
最后，我们再简单介绍下社交环境下的客户分析。实际上，SCRM理论最早提出的出发点，就是认为开放的社交网络信息，给CRM建设带来了新的机遇。经典的SCRM理论，认为社交网络上的关系链条，给企业带来了新的的销售线索机会；社交网络上的话题讨论，让企业可以更及时准确的捕获消费者或品牌相关的的情绪，舆论。实际上，国内很多SCRM仅仅是线上多渠道客户接触点管理，并没有实现基于社交网络的数据挖掘和分析。
针对社交网络的舆情分析和监控，有很多第三方服务商支持，企业无需自己开发实现。例如百度云，阿里云，新浪，AdMaster等企业均有类似服务。
