大数据时代，但是很多公司会员数据根本就没有用起来，还处在最基本的跑马圈地（会员）时代。对会员数据分析一方面可以指导销售营运，另一方面也可以提高营销的精准度。会员管理是典型的两极化管理，会员基数需要做大，而会员营销却需要做小，也就是细分顾客。
顾客曾经对我说过这样一条让我印象深刻的话：凭什么你发了一条短信我就要回来买你家的东西啊？确实，我们很多商家认为会员营销就是例行公事的发短信打电话。你们真的不懂顾客，没有去关心过顾客。目前会员管理的几大误区：
只注重开发新顾客，而忽视了对老顾客的维护，也不关注顾客的流失情况。某个国际大型零售商曾经做过分析，一个老顾客的流失要靠12个新会员的销售额才能弥补。
没有细分顾客，购买特价商品的顾客被过分关注，反而忽视了对那些优质顾客的照顾。
对会员过度沟通，沟通没有特色，沟通渠道单一。
没有对顾客的生命周期进行管理，没有挖掘顾客的附加价值。
把会员制当成促销活动来营运，而不是经营策略。一直在模仿，从来没超越。
会员数据收集
会员顾客的管理首先从管理会员数据开始，即会员的数据收集问题。在很多公司的会员信息里面，既然会有很多会员的年龄在80岁以上的，其中100岁以上的会员居然也有不少，还有些会员年龄在10岁以下，另外就是有些会员数据缺少性别等基础数据。这些数据都是有问题的，会员数据的完整性及正确性一直是我们会员数据分析的一大障碍。这个问题不大，但是搞不好会员营销就会受到极大的制约。解决这个问题最好的办法是专门做一个各店铺会员基础数据完整率的指标，每周在总公司周报上排行公布，藉此引起各区域管理者的重视，这样数据质量才会明显提升。所以基础数据的收集不是技术问题而是责任心问题。
我们需要收集会员的那些基础数据？理想状态应该收集这些的顾客信息：姓名、性别、出生年月日、手机号码、邮箱、通讯地址、微博账号、微信账号、月收入、工作单位性质等。收集这些数据是为了后期的分析和营销使用，但有些数据收集起来是比较困难的，例如月收入，所以收集的时候需要技巧一些，比如让顾客选择收入的范围，不要直接让顾客填收入的具体数字。会员乱填手机号也比较普遍，现在WiFi已经是全世界人民的基本需求了，而很多商场都有免费WiFi服务，通过登录注册或者发送上网验证码等方式都可以收集顾客的手机号。可以利用寄免费试用装的机会来收集通讯地址，通过微信发放代金券来收集微信号，通过办卡时刷顾客的身份证来收集出生日期等。
只要用心，办法总是有的。传统零售们总是希望免费得到用户的这些数据，免费的时代已经离我们远去，并且免费得到的这些数据质量也得不到保障，所以适当的出血是有必要的。电商们获得的每一个用户都是利用真金白银获取的，都是有获取用户成本的。
当然，对任何一个企业来说，一定要像保护自己眼睛一样保护用户的数据，既是保护用户的隐私，也是在保护自己企业的商誉。
有的没有会员卡的便利店采用如图1所示的顾客信息采集方式。这种方式采集的数据比较隐蔽，比较适合对群体的研究。当然这种方式的弊端是有些收银员真的很忙，而另一些收银员也确实很懒，他们会在上面胡乱按键的！
在正式做会员数据分析之前，必须对那些异常数据进行清洗，保证数据质量，只有这样会员顾客数据分析的结果才是靠谱的。会员数据分析的另一个误区是，很多人一谈到会员数据言必称会员数据挖掘，好像不从中挖出一座金山来就不算本事。其实我认为对于会员数据首先是管理、其次是分析、最后才是挖掘。先把基础的东西搞好了，对企业的价值可能额更大。
很多企业现在的会员卡制度还仅仅停留在发卡打折积分阶段，无数次见过服装企业的平均销售折扣远远低于会员“尊享”折扣的案例。店铺的平均销售折扣为八折，而会员尊享折扣是九折，会员卡优惠名存实亡。这样的会员卡让会员情何以堪？
会员基础数据分析
从日常营运的角度来梳理会员基础数据的分析内容如下：
每天或每周需要关注并追踪的会员指标：会员的新增开卡数、新开卡率、贡献率、会员客单件、会员件单价、会员连带率、沟通率、回头率等。
每月和每季度需要分析的会员指标：除了前面那些指标外，还包括会员的平均年龄、性别贡献率、有效会员总数，会员增长率、流失率、回头频率、平均回头天数、促销活动的转化率等。
年数据研究指标：主要包括会员的新开卡率、流失率、回头率、平均回购天数、唤醒率、激活率等策略指标。
每天每周的数据以追踪为主、分析为辅，侧重于分析发生了什么的层面。每月每季的数据以分析为主，侧重于研究趋势，找到关键问题。年末的会员数据分析以研究为主，用来指导下一年的策略制定。
其中的【新开卡率】指在达到办卡标准的顾客中，有多少顾客是付诸行动开了会员卡。因为有些顾客虽然符合要求，但是可能店员没有介绍到位或者顾客自己不愿意开卡。如果这个数据比较低，管理层则需要检讨会员卡的价值在哪？为什么顾客拒绝办卡？
【平均回头天数】是指顾客平均多少天会再次消费，逐渐缩短这个时间也是提高销售的一个手段，这也是用来指导促销活动频率的一个指标。如果这个数值越来越大，企业的管理层肯定会心急如焚，当然前提是数据分析师们必须将这个指标分析出来并告知他们。
会员的基础数据分析主要有三种思路，看趋势、找对比、溯源头。如图2所示，左边（品牌A）是某品牌服装的平均年龄走势图，从图上很长清楚的发现2013年Q1的平均年龄有突变，增长了近1岁，这对一个时尚女装品牌来说是非常恐怖的数据。和该企业品牌B进行对比，发现没有此现象，和品牌A在2012年Q1的数据对比也没有这种状况。在溯源过程中也发现每个地区都有2013年Q1平均年龄上扬的情况，继续向下分析到单个店铺的顾客平均年龄时，发现就有分化，几乎所有的正价场都有上扬现象，而长期特卖场（以处理往季库存商品为主）却没有这种现象发生。于是我们则可以判断是Q1的商品风格变化的原因，最后当Q2新品上市时平均年龄回落到正常值也验证了当时的判断（最右图）。
再看一个对比分析的案例，如图3所示，这是全国20个城市在2013年10月的会员流失率和新增会员分析。这里的新增会员率是指当月新增会员数占10月底该城市有效会员总数的比重。流失率和新增会员率是会员分析常用的两个指标，也是会员数量的正反面分析。如果把有效会员看作是企业的资产的话，新增会员就是往银行存款，会员流失就是从银行取款，我们要看是存进去的多还是取出来的多。
图3中，用一条等比线（即流失率等于新增会员率）将所有城市分成三部分，左上方是表现不错的城市，新增会员率大于会员流失率，银行存款会越来越多；广州是两者一样，保持平衡，这种情况一般不多；剩下右下角的11个城市则需要注意了，他们“会员银行”里面的资产在降低，垂直距离等比线越远的城市越有问题，例如哈尔滨和大连。
上面这个案例是和等比线对比，还可以和20个城市的平均值做对比，这就可以用到四象限图了。如图4所示，将20个城市分成了四部分，其中二象限（左上的长沙、成都那部分）是最好的，相对较低的流失率，较高的新增会员率。相反右下角的四象限中的五个城市则需要立刻整顿了。
从上面这个案例也可以看出，会员的基础数据分析其实还是比较简单的，难的是持续的性，是否真的做到了看趋势、找对比、溯源头。
本文摘自作者新书【数据化管理：洞悉零售及电子商务运营】一书
