toB的CRM--Vtiger：

toC的CRM--数云：

对于一个平台上的会员，根据其最原始的相关来源，它可能属于商店、品牌、服务提供商、平台等，也可能属于几个对象。从平台的角度来看，为了真正推动会员价值，会员信息需要跨层次、跨归属的交换，因此需要建立多层次、多归属的会员系统。

多层次、多归属的会员制度需要满足平台、服务提供商、品牌、门店等业务实体的自上而下隶属管理和各业务实体的独立区别管理。

门店ID：每个门店团队的主键标志；

品牌ID：品牌对多/跨店用户的唯一主键标志；

服务商ID：服务提供商对其多/跨品牌用户或多/跨品牌用户的唯一主键标志；

平台ID：多/跨服务商用户或服务商属于多/跨品牌用户或品牌属于多/跨店用户的唯一关键标志平台；

对于推出UnionID该机制的官方解释是：根据开发者的反馈，微信开放平台提供了同一公司多个公共账户之间的用户账户交换UnionID解决这个问题的机制。例如，一些大型连锁企业（多个业务实体的聚合体）拥有数百家门店（独立业务实体），每家门店都有一个公共账户。这些公共账户之间的数据以前无法交换，但现在有了UnionID(多层次多归属统一ID）该机制可以开数据，让所有门店(独立经营者)的用户共享一个UnionID，统一识别用户很方便。

比如一个大企业下面有餐饮、娱乐、住宿、购物等分支机构，每个分支机构都有自己的微信官方账号。当用户同时关注这四个微信官方账号时，原来这四个数字之间没有联系，在餐厅消费的积分和现金返还无法在其他商店兑换或使用。自从有了UnionID，这四个微信官方账号官方账号。例如，厅消费后返现到微信会员卡的金额，可以直接去相应的娱乐、住宿、购物中心消费。这种交叉营销方式大大提高了用户粘性和消费频率，可以说肥水不流出外人。用户端也可以在这四家店实现无缝连接，方便实惠！

开发者可以通过OpenID为了获取用户的基本信息，如果开发者有多个公共账户，可以使用以下方法UnionID该机制在多个公共账户之间交换用户账户。只要是同一微信开放平台账号下的公共账号，用户UnionID是唯一的。换句话说，同一个用户在同一个微信开放平台账号下的不同应用，UnionID是相同的。

同一用户同时登录同一微信PC网站、移动应用程序、公共账户，三方数据可以统一存储，无论用户在哪一端操作，三个终端平台都会统一修改结果，大大方便同一用户的数据管理和行为统计。

综上所述，完善的多/跨层次多/跨归属会员制具有以下特点:

以会员为对象进行管理，包括基本增删改查、高级标签、等级、积分等。

管理单个会员的细节：

每个用户都有四个大周期：调查期、成长期、成熟期、衰退期

除大周期外，每个周期都有针对用户特征的聚类组：

精准营销的周期设计：

会员标签：指用户的某种属性（统计人口属性）或行为统计（打开、点击、填写、收集、收集、交易等）的描述定义（这是我对标签的理解，而不是官方定义）。通常的句子是：if 用户满足 属性/行为统计，then 标记为标签。

标签可以理解为用户聚类，具有相同特征的用户可以聚类为一个标签，同一同一用户也可能具有多种特征，也可多种标签。

除了增加、删除和检查一般对象管理外，标签管理的功能设计还需要考虑触发标签的条件管理和标签使用的统计显示。

标签创建：标签只填写一个名称字段内容（需要能够识别重复内容）。除了标签管理页面外，还在会员管理页面和会员详细信息页面了多个快速标签创建入口（请向下看，股票会员数据标记）

标签查询:统一搜索所有不同来源的标签，聚合搜索入口

标签删除：删除标签，同步删除与原标签用户相对应的标签属性

标签修改：修改标签名称，同步修改原标签用户的标签属性

使用统计：count 每个标签的使用记录显示了当前标签的所有人数

设置自动标记：请向下看，详细说明增量会员的自动标记。

当用户触发时，增量可以理解为：XX规则

设置自动标记规则需要创建/指定标签，并配置标记时需要触发的规则条件。

规则创建后，具体应用需要结合相应的触发场景生效。规则条件包括历史数据统计和未来活动条件。过滤器将在下一篇文章中扩展学习材料Axure联想到页面管理NoSQL阐述了过滤器。

在当前多渠道、多终端的社交移动互联网环境下，用户与平台产品的接触越来越多，会员字段不断丰富和扩展。与传统的会员分级管理相比，标签更灵活、更有效，更有利于后续的会员肖像和准确的营销。

基本句式：if 符合条件的目标用户/用户群XX”，then 手动标签XX”。

手动标记符合条件的股票群用户，需要筛选找到目标用户，然后给出标签。

筛选搜索：筛选搜索目标用户，具体如何，请往下看，会员条件筛选有详细说明。

对于选定的目标群体用户，标签引用可以从库存标签中选择，也可以直接创建标签（上图中的标签名称下拉框，具有库存标签搜索和文本输入保存功能）

目标会员条件筛选搜索：理想状态是直接记录和搜索用户的全字段保留信息或间接转换统计搜索，但从用户体验和产品实现难度来看，产品是平衡的。

手动标记符合条件的个人用户，查看特定用户的详细信息，并对其进行全面描述，总结其属性。

触发器：

过滤器：

过滤器由名称、描述和过滤条件组成，其核心是过滤条件。

过滤条件是多个条件/条件组根据需要组合配置的结果，其功能主要包括：

增加、修改、删除条件/条件组，创建时搜索(见下图，增加过滤条件)；

条件组之间的关系维护，两个条件组之间的关系and／or的选择；

基于另一个条件组升降级的嵌套关系维护条件/条件组(考虑到开发实现，前期不考虑产品实现)

对于过滤器中条件/条件组的具体设置，条件是设置单个条件，条件组是设置两个或两个以上条件及两个或两个之间的关系。

条件组中的条件是基于数据仓库中用户保留的数据，主要概括为：

基本属性：从人口统计的角度来看，用户描述信息通常来自用户注册和营销活动；

行为记录：用户与平台产品的交易、关注、共享等留痕数据；

接触信息：用户通过不同渠道与产品发生信息流通的接触点；

dashboard报表主页显示：

自定义分组：

帕累托分析：

会员冷热评价模型：

RMF模型：衡量客户价值的模型

R--最近消费时间 | F--消费频率 | M--消费金额

k-means聚类：

决策树：

聚类组特征描述：

公司定位为平台。会员管理系统不仅要满足不同业态、不同品牌的线上线下会员管理需求，还要满足平台对全品牌会员的系统管理需求。在会员等级管理中，会员价值称重采用灵活的多维动态指标综合加权成长值(目前市场上看到的)CRM从未见过产品，指标完全由自己定义)。会员的价值称量分级通过最终唯一的成长值指标进行。

会员增长值是根据不同的增长策略量化得分，并根据不同的权重综合加权得到的总值。综合考虑会员与品牌的消费交易行为和品牌参与互动行为数据，在此基础上，电子商务会员分组管理中常用RFM该模型动态称量会员价值。综合增长值计算将此作为动态增长值指标。

品牌所有者可以根据其运营需要灵活配置会员的成长值，三个指标会员可以随意选择，不能使用某些指标。

成长值=RFM权重*RFM会员成长值 消费激励权重*会员成长值的消费激励 活跃权重*会员活跃成长值（RFM权重 消费激励权重 活跃权重=100%）

RFM在模型策略中，RFM对于特定会员的及时性，其消费行为是动态的，对应的RFM会员的成长值是动态的。同一会员在不同的时间生活RFM得分不同；

在消费激励策略中，增长值呈正增长，会员产生消费行为，激励一次，增长值累积一次；

在会员活动策略中，增长值也在积极增长。会员参与品牌互动活动，赢得相应的增长值。

RFM熟悉电子商务数据分析的学生非常清楚，该模型用于用户分组，通过用户R（Recency，最新消费))F（Frequency，消费频率）M（Monetary，消费金额)三个方面的指标(这里不详细解释，不熟悉的学生请参考上述图片解释)进行聚类，然后定性描述聚类组。

如图示：

我们划分了5个组距，对应产生5个组距*5*5=125种RFM聚类属性RFM不同组距的三个指标赋予不同的增长值，对应125种RFM聚类产生125中成长值的组合。品牌可以根据业务需要定制组距增减，组距为n，对应产生n*n*n中RFM聚类属性。

例如，用户在一定时间内RFM聚类属性为：近30天消费9次，总消费1万元；相应的增长值为1000元 300 200=600；

后来用户因为某种原因没有再来平台消费，一年后又统计了用户。RFM聚类属性为:360天以上，消费0次，总消费0元，相应增长值-100元 0 30=-70

将其纳入综合因素，将其纳入综合成长值可能会影响会员水平的下降。

消费激励策略量化了会员消费行为的增长价值。除了量化消费金额的增长价值外，会员的消费金额也是分级的，突出了单一消费的贡献。

考虑到品牌运营的实际需要，充值作为用户的特殊消费行为，在一定程度上反映了会员对品牌的认可和忠诚度。

消费激励策略，其增长价值是会员消费行为的单向累计统计，只增加，不减少。

例如，用户第一次消费100元，增加100元，总消费增长100元，1月后充值100元，增加10元，总增长110元；

会员活跃策略通过会员与品牌所有者的互动行为（登录、共享、评估、卡收集等）进行量化，互动一次，增加相应的增长价值，反映会员对品牌的好感和兴趣。

会员活跃策略的增长价值是会员与品牌互动行为的单向累计统计，只增加，不减少。

例如，有一天，一个用户第一次成为会员，获得10个增长值；评估品牌，获得10个增长值；品牌登录，获得5个增长值，累计增长值为25个；一周后，会员再次评估品牌，获得10个增长值，累计增长值为35个。

PS：事实上，随着时间的推移，用户对品牌的好感和兴趣也应该发生变化。他们还应该考虑行为的时间间隔，相应的增长值应该增加或减少。如关注，取消关注；领卡、取消卡等

虽然上述会员价值多维指标的综合增长值仍存在不足，但它可以在一定程度上反映用户对品牌的忠诚度、贡献和活动，并反映用户对品牌的价值。

用户肖像是基于数据分析后会员聚类分组的定性，是从多个维度对会员进行更立体、更全面的标签描述。

会员肖像的本质也是会员分析的一种分析呈现方法。会员分析的目的是清楚地描述会员的特征属性，更好地理解和掌握会员是我们分析的最终目标。标签可以看作是自然语言的一部分，是一种简单而精致的归纳形式。在实际业务中，这种基于标签的肖像方法被广泛应用，即会员肖像。综上所述，基于会员肖像的标签方法是给用户贴一系列标签，而标签是能够表达用户特征属性的标签。

会员肖像是基于一系列属性数据的目标用户模型。会员肖像的基本信息应该是会员描述的所有信息，通常可以分为易于分析的结构化信息和难以理解的非结构化信息，需要结合知识库来理解。这些信息最终以式显示。

结构化信息：可以理解为存储在数据库中的结构化信息，包括会员的基本信息、行为信息和经过分析和总结的特征信息。会员的信息只有基于时间和空间维度才有意义。没有时间，空间数据就毫无意义。

比如富人的标签，100年前的富人和现在的富人绝不是一个概念，至少富人的程度差别很大；即使同时1万/月的高薪，在一线城市和三四线城市，在不同的国家肯定意味着不同。因此，用户肖像应该是一个多维的三维描述系统。

非结构化信息：非结构化信息是一些零碎的、人类自然语言描述等由于我们的自然语言，机器无法有效准确地理解人类自然语言言很多时候是有歧义的，需要通过上下文才能理解的，而机器需要结合庞大知识库的转译才能够理解的非结化信息。

比如一些人类生活总结出来的概念、行为、习惯等知识的结合就能解读出额外的信息。比会员信息中缺失的性别，会员信息中没有性别，但我们可以结合一些业务描述语境来判断，通常姓名中带有女字旁，与花名相关的会员，我们可以认为其为女性。又比如用户访问过的网站，经常访问一些美妆或女性服饰类网站，是女性的可能性就高；访问体育军事类网站，是男性的可能性就高。还有用户上网的时间段，经常深夜上网的用户男性的可能性就高。把这些特征加入到知识分类器进行训练，也能提高一定的数据覆盖率。当然这些知识也要限定在一定的时间空间下，不同的时间空间的知识解读出来的信息完全是不一样的。

要想让机器能够理解这些知识：

第一个是要有足够大的规模，必须覆盖足够多的样本，足够多的概念；

第二个是语义要足够丰富，当说到各种各样的关系的时候，机器必须都能够理解；

第三个就是数据质量要足够精良，能够按照一定的规则被聚类被归纳；

第四个就是结构必须足够友好需要借鉴语义和背景知识来给我们力量。

会员画像归根结底就是对会员属性分析结果的描述呈现，终究只是概括性的归纳描述。因此，我们不可能通过会员画像对会员做到全方位全面的描述，这里的全面只能是相对的。细细纠结下，会员画像本身也是有其自身缺陷的。

首先，会员画像从某种程度讲上还是不完整的。

导致这个问题可能有两个原因，第一个原因就是任何画像的来源数据都是有一定偏差的，一般描述的都是用户画像的某一方面，很难有一个非常完整的画像。还有一个非常重要的原因就是隐私，大家都是有选择性的提供个人信息，会回避不愿谈及自己的，但是很多时候可能了解用户不愿谈及的这个方面的内容对于我们做产品，做服务又是非常重要的。基于这两个原因，我们对用户的理解就是一个碎片式的，很难召回完整的目标客户。

其次，会员画像还有一个问题就是不正确性。

也就是说，我们对用户画像的理解很多时候是错误的，这导致会出现错误的服务应用。导致不正确性的原因有很多，人类社会是在向前发展，知识也在不断的演变。因此，供机器学习的知识库永远也不会有完整全面的时候，总有机器还无法理解知识，就会做出不够精准正确的描述。

综上， 我们理解的会员画像，通常只是基于存量的历史数据，通过数据分析模型，对会员数据从属性特征在时间、空间内尽可能地描述归纳。因数据分析统计分析有其局限性，基于此的会员画像也不可能做到真正意义上的全面完整。因此，我们只能做到尽可能的全面无死角的会员画像。

销量增量模型：为未来提高利润

销量增量模型-多级模型法

关联推荐：根据用户的购买行为，其中包括重构，向上，交叉营销

重构：根据用户重复购买行为，精准推送相关商品和服务

向上：根据用户的消费偏好，提供更高价值或者加强原有功能或用途的商品或服务

交叉：根据用户的消费偏好，发现客户更多与偏好相关的产品或需求

交叉推荐：

风险评估：

CRM应用总结：

会员定义：

会员权益管理：

客户管理（列表）：

客户详情：

客户分群（列表）：

客户分群（新建）：

客户维护：

客户维护--优惠券关怀：

客户分析：