不同的行业，不同的会员体系及会员活动都会带来不一样的数据特点，通过数据变动，我们可以判断营销活动是否达到了预计的效果。本文介绍了会员体系下的会员数据，一起来看一下吧。
关于会员的数据，不同的行业，不同的会员体系以及会员活动都会带来不一样的数据特点。数据其实只是表象，而业务场景才是数据的本源。数据将业务场景量化，业务场景的变化带来数据的变动，最终通过数据的变动是否符合我们的预期，来帮助我们判断营销活动是否达到了预计的效果。
在今天会员数据这部分先简单介绍一下，一般会员体系下会有哪些数据，后续会另外准备一篇基于会员权益，介绍不同的会员体系或会员场景的数据特色。
会员主数据会记录每个会员当下最新的状态，大致可以分为三个部分：
当然随着个人信息安全被逐渐重视，一些是否愿意被短信等渠道触达的授权信息也别加到会员数据内。
会员的客观基础数据主要包含：性别、年龄、居住城市、生日、兴趣爱好、职业等一系列维度，通常是在客户注册会员时或一系列留资活动中直接获得的，理论上都是一些长时间不会变动的指标维度。
因为品牌为了降低会员的注册门槛，提高会员人数，在注册阶段会减少一些直接的留资内容。所以一些原来消费者直接提供的维度，现在则通过后续的活动行为或偏好经过模型计算补充，在后续部分再做介绍。如果在数据停更后没有做这样的模型数据补充，则原有的数据维度不会再进行更新，使用的时候也就失去了准确性。
这些会员的基础数据其实就组成了最基本的人群画像，品牌的全量会员可以与自然人口或行业标准去比较，分析品牌会员对哪类自然人群更具有吸引力。另外品牌的全量会员也可以作为一个benchmark去做一些品牌活动的人群洞察，分析各个主题活动吸引了哪些不同的受众人群。
会员体系相关的数据每天都会重新计算清洗，其中主要包含当下的会员等级、积分以及会员生命周期相关的信息。这里将会员生命周期也包含在这里，因为有的品牌仅有会员等级，有的仅有会员生命周期，有的两者都有。会员和生命周期的关系也要看品牌具体的场景和规则是什么样的。
会员等级比较好理解，基于现有的会员体系标准下计算会员等级。其中有的会员等级是永久累积型，会员等级只增不降；另外一种是周期型的，会员等级具有时效性，等级有降级的可能。会员积分往往是会员等级的一种体现，基于一些具体的业务场景可能会有有效积分、即将过期积分、历史总积分等信息。
会员生命周期则一般有这样的几个阶段：会员未购-活跃会员-沉睡会员-流失会员，具体的条件要看品牌如何定义。
其中会员等级人数分布以及会员生命周期人数分布往往是会员健康度的晴雨表，有些品牌也会针对这类数据设计专门的Dashboard。而各类活动的目的其实也都是为了高等级会员或活跃会员的转化。结合会员第一部分的基础数据，我们也可以看到不同会员等级和不同会员生命周期之间的人群画像差异。
这一类的维度范围比较广，数据主要是从订单以及一些行为数据中建模得到的。这类的数据维度往往是基于某一阶段具体的业务场景需要补充的，可以补充的范围当然也要先确认品牌相关数据源的完善程度。其中属性相关的维度这里用一些大厂的模型计算维度做例子，范围与品牌相比会更广一些，例如职业（白领、学生、广告人等），人生阶段（单身，热恋期，已婚），子女情况（备孕期，二胎，孩子0-2岁）等，当然品牌也可以从3方数据类公司补充一些相关维度。
另外更多的一部分模型是建立在订单数据上的，其中基于RFM模型的条件组合筛选出高价值以及高潜客户直接标注在会员主表内，同类型的还有黄牛、员工、大客采购等属性。
偏好类的计算指标通常是基于购买品类，购买渠道计算出来的。这类模型计算类属性有的品牌不多，有的品牌非常多导致计算很慢，两极化比较明显。大一些的集团往往有自己的数据科学建模团队，但不少的品牌还是通过各类供应商去完成。
会员数据整合由低到高主要是从不同的数据源，不同的会员体系，不同的品牌去逐层整合的。
数据源的整合主要是通过不同的数据源去补充整合会员的各项维度，其中当某一维度指标可以从多数据源获得时就要小心了，比如会员在小程序注册时填写的是女，但是在参与某个活动时留资填写的是男。那在整合时就要考虑各个数据源之间的可靠性或是否需要取最新的一次数据状态。这类数据的整合主要是针对数据逻辑上的规则整合。
不同的会员体系主要是指品牌的自有会员与其他三方会员的合并整合，例如天猫会员、京东会员、抖音会员、公众号粉丝等数据的整合。在跨渠道会员无法打通时会员主表会有多份，每个渠道都有自己的会员体系，会员的权益也是相对独立的，获取到的积分、权益无法跨渠道使用。
在会员体系可以做打通合并时就会比较复杂，可能需要重新回算会员的历史数据，计算新的会员等级，以及合并各渠道可使用的积分。其中除了数据逻辑上的规则整合外也包含一些同类数据的合并以及回算，在最初设计的时候以终为始地去对比合并前后的会员差异，再设计针对性的调整。
介绍起来可能看起来不是很复杂，但是在做的时候需要考虑到方方面面的细节以及切换前后的影响范围，真的是挺难的。
不同品牌的会员体系合并主要是针对一些多品牌的集团。可能一些集团是直接做的集团会员，但大部分的会员还是在某些具体品牌下面的，这样就导致一个集团下面有些品牌有会员有些没有，有会员的可能是同样的也有可能是不同的供应商开发的。
从短期品牌的日常运营角度来说不太需要集团会员，而从集团长期的整体运营或是数据架构策略上可能是需要的。对于集团的考验可能在架构上的挑战会高于数据层面的，这里就不做太多的赘述了。
这里的数据主要是指会员的等级、积分变动的履历数据，更类似于日志数据。也是会员等级计算，各类会员权益的具体体现。会员等级没什么太多问题，主要还是依赖于会员体系的设计，确保计算无误就好了。
积分的数据场景可能会复杂些，现有的会员体系大部分是通过积分去体现会员权益的。积分的获取除了购买订单的积累外有时还会有签到，参与活动，甚至可以结合一物一码的扫码获取。积分的消耗主要渠道有奖品的兑换，有些品牌也有抽奖等活动的消耗。针对不同的活动场景在积分变动时的记录往往也会附属一些活动相关的信息。
优惠券的数据这里也包含在会员数据内，因为现在品牌只能针对自有会员发优惠券。优惠券的使用周期通常包含发劵—领劵—核销三个周期，因为随着业务的积累数据量会持续增长，如果是在一张表上去检索变更，等到数据量变大后就会影响性能。所以不少品牌是用增量表去记录优惠券的变动信息，当然也有一些优惠券数据特别巨大的品牌就直接分表记录。
当然在一个完整的优惠券系统也会有配套的优惠券主表，在创建或更改优惠券时记录信息。实际项目中相关数据在分析时也遇到了不少的问题，这里仅列举两个，优惠券的反复使用和缺少优惠券与活动的对应关系。
优惠券的反复使用往往是品牌在使用时没有创建新的优惠券，从历史优惠券中选取了一个同样规则的直接使用，所以在分析时导致一些数据掺杂在一起，需要添加一些额外的筛选条件后使用。而优惠券与活动的对应关系缺失一般是缺乏维护导致的，在创建或修改时没有记录对应的活动ID，结果在做活动效果分析时发现缺少对应关系，再行手动筛选补充。
优惠券的数据与其他数据相比较数据质量往往是偏低的，因为在运营时可能更多地精力放在了活动的执行上，缺乏结构化数据的管理视角。结果在打算使用时被很多条件所限制，特别是活动相关的数据分析。
在常规的会员等级体系外，品牌为了针对不同需求的目标人群推出不一样权益内容的付费会员。付费会员一般都有有效期，在有效期内拥有特定场景下的大额会员权益。因为这类场景出现的较晚，订单数据基本都整合在已有的订单数据中，一些特定的信息才会创建新的表去记录。
相关的会员标识除了购买的会员种类外，一般还附带会员的有效期。针对付费会员的剩余天数，品牌往往在不同的时间内进行触客提醒。付费会员往往具有更高的数据灵敏度，也是会员健康程度的一种体现。当然付费会员的权益设计，品牌也会通过实际的销售转化数据不断地对比调整，已达到品牌的业务目标。
以上是针对项目中遇到的一些会员相关数据介绍，后续如有补充的内容会再行修改。
当然这也肯定不是全面的介绍，因为会员的数据肯定要结合具体的会员体系去分析。通过分析现有的数据去做消费者洞察，然后基于消费者洞察以及品牌策略设计对应的会员体系，再根据会员体系产生的数据对比业务期望，根据实际的效果再去打磨会员体系的细节。
一套好的会员体系是需要时间沉淀打磨的。但最终会员体系要回答消费者的问题其实还是：我为什么要成为会员？成为会员后提升会员等级的激励是什么？这个问题如何回答还是要结合具体的行业以及品牌特性，后续有机会再行讨论。欢迎各类讨论共同学习。
本文由 @52赫兹 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
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。