NAPL X 會員等級：會員模型的交乘應用(2)
NAPL x 會員等級
上一篇文章：NAPL x DCIU，談論了不同模型的交乘應用，主要是把交易基礎的模型 NAPL ，交乘以行為資料為基礎的 DCIU，不同維度的模型交乘，可以讓品牌進一步用更細緻的方式，做會員分群的操作。（延伸閱讀：NAPL x DCIU ：會員模型的交乘應用）
上圖一樣是兩個模型的交乘應用， 一樣是用 NAPL 作為一個分群維度，但另一個維度用的是「會員分級」。
會員分級的分群方式，即是以品牌最常用的會員忠誠度計畫（會員制度），直接用會員制度所產生的不同會員等級，來對會員做分群。
跟 NAPL 一樣，以會員制度為主的會員分級的分群方式，都是用會員的交易資料作為分群的基礎。而這兩個不同維度的模型交乘的觀察方式，看起來複雜，其實就是「頻率」(NAPL的基礎)，交乘「購買金額」(會員分級的基礎），就是 CRM 系統或會員分析應用最常見的「 RFM 」的分析方式。
經典的 RFM
RFM 是會員分析中，非常經典的三大維度。什麼是RFM？RFM是：
R：Recency - 最近購物時間。
F：Frequency - 購物頻率。
M：Monetary Value - 累積購物金額。
一個品牌要了解會員經營的成效，也就是會員經營的成果到底是好不好，RFM的分析常常會是最基本的第一步。譬如說，今年所有的會員裡面，購買一次的、購買兩次以上，或者根本今年沒有購買的會員，各自佔比是多少？這就是用 F 購物頻率來分群，就會看到最基本以頻率為基礎的會員分佈樣貌。往往這樣基本的分析，就足以讓品牌產生很多的想法。
我們很常討論的「NAPL模型」，如果用 RFM 的分析維度來看，就是只有用到 R跟 F ，而沒有用到 M。（什麼是NAPL，延伸閱讀請看這裡）
為什麼 NAPL 沒有用到 M 的維度呢？對品牌來說，會希望消費者，多回來回購（F）之外，也當然希望他每一次都買多一點，客單高一點，年度累積的貢獻金額多一點（M），才能幫品牌創造更多業績。所以一個會員的累積購物金額（Monetary Value），也是品牌在分析會員的關注重點。M 維度對會員分析來說，是很重要跟關鍵的一個維度。
但如果完全以 M 維度來分析，也會有一些不足。例如：兩個消費者，年度累積貢獻金額都是 20,000元（M），但 A 消費者買了 4 次累積了 20,000 （F =4）， B 消費者卻一次購足 20,000，但今年內沒有再回購（F =1 ）。從品牌的角度來看，雖然累計購物金額相同（Ｍ），但一個是每一季都回購的消費者，一個卻只買了一次，對品牌來說，這兩個消費者代表的意義，也很不一樣。
這也是為什麼，RFM 三個維度要放在一起分析，更可以分析清楚會員經營的狀態。但 RFM 放在一起分析，卻會增加複雜的，更重要的是，會增加模型可理解的難度。
會員等級就是一種依據M維度的分群
事實上，品牌常用的會員忠誠度計畫（或者會員等級制度），通常就是一種依據 M (購買金額）維度來分群的方式。
例如上圖這個表格，可以理解為某個品牌的會員制度，也就是累積消費越多（M），消費者可以升等，更高等級的會員，通常品牌就會給更多的會員等級優惠。
因為品牌在意一個會員的累積貢獻度（M），自然而然會員制度就會圍繞在 M維度下手，獎勵貢獻度高的會員，以期待會員透過回購來累計，也就是累計購買來升等。而單次購買升等，常常是給門市店員的操作空間，讓門市店員可以透過制度設計，拉高消費客人的單筆客單。
這些會員制度的設計，最終都是希望會員因為這些制度，會想要累積消費金額來升等，因此回購越多，貢獻越多。當會員好不容易升等，取得升等之後的優惠等好處後，也會因為覺得，好不容易才升等，也因此就會希望多買一些，多享受優惠，厭惡損失發作，然後持續在品牌回購。
而會員等級制度設計，有時候最困難的是：要分幾個等級？在哪個金額要切一刀？也就是要設計成累積多少金額升等？優惠要給到多少才足夠？其實這些問題的背後，都是數學問題，也就是完全可以用品牌的會員消費資料，用數學模型推導出來，而不是只是瞎猜。詳細了解關於會員分級的設計方式，可以請參考這篇文章：為什麼要做會員分級制度？（延伸閱讀：為什麼要做會員分級制度？）
會員分級金字塔
使用會員分級制度，也就是用累積消費金額的會員分群，每一群的數量，會自然形成一個金字塔，以及一個倒金字塔。
正常合理的情況下，品牌在實行會員制度一段期間後，會看到的會員人數分佈會是一個正金字塔：一般會員，也就是初始等級的會員最多，鑽石會員，也就是最高等級的會員最少。
而對應的會員貢獻度，會是一個倒金字塔：一般會員，也就是初始等級的會員，雖然人數最多，但反而對品牌的消費貢獻最少，相反的，鑽石會員，也就是最高等級的會員，雖然人數最少，但對品牌的消費貢獻卻最大。
這兩個正倒金字塔，通常會看到前20%的會員，通常是最高等級的兩群會員，卻貢獻了品牌 80% 的業績，也就是到處都默默存在的 80/20 法則。（延伸閱讀：會員經營的20,30,40）
因為這 20% 的會員貢獻度太高了（80% )，品牌一定得花心力好好經營，會時常關心他們，給足優惠，吸引他們持續回購，尤其是前 5% 的 VVIP，更是費盡心思了解他們的需求，滿足他們的想法。以致於非常容易產生「倖存者」偏差。
5% 的會員決定的品牌的樣貌，等於忽略了 95% 的其他可能性，一不小心，就會變成這 5% 很滿意，但可能讓其他新客看不懂而進不來。
所以我們除了關心既有的高貢獻會員，更要關心那些新進的高貢獻會員，以及有一些雖然沒有高貢獻度，客單不高，但卻購買頻率很高的會員。這些都不是單純看不同等級的會員可以看到現象，像是以下的幾種可能問題：
最近的新客中，有多少會員是一次就買超過 20,000 就變成鑽石會員，然後就沒有回來買了？
有沒有時常回購的好會員，但會員等級卻不高的？（購買頻率高但客單不高）
NAPL x 會員分級 ＝ RF X M 的分析方式
所以回到最前面看到的圖，NAPL 交乘 會員分級，也就是把 RFM 混起來分析，就可以交乘去做更細緻的會員操作。
以上圖中的 A、B、C 三個區塊作為舉例，就可以協助品牌進一步思考各群會員應該如何操作。
A區塊是第3等級的黃金會員，同時也是N（首購）這一群人。白話的講，這群人就是近期第一次購買，而且一次就買超過8,000元的人。這群人可能是明日之星，非常值得好好促進他們第二次消費。
B區塊就比較慘，是曾經一次就買滿20,000元，變成最高等級的鑽石會員，但然後就快要流失了。因為那個曾經，可能已經將近1年，但卻首單即終單，值得好好關心他們是有哪裡不滿意，發生了什麼事？
C區塊是最有價值的 A（活躍）客戶，但卻是第2等級的會員。也就是說，這群客人購買頻率很高，而且最近還再回購，但卻一直沒有升等到黃金會員，代表購買頻率高，但卻客單不高，買很多次也沒有累計超過升等門檻，因此也沒有享受到更高等級會員的優惠。但這群客人還是回購頻率很高的有價值的會員，是不是要另外給予他們特殊優惠獎勵，增加品牌好感度的同時，也看是否可以因此，更進一步提高他們的客單？
如何取得交乘的分群會員
NAPL 是 RF 為基礎的分群模型，會員分級是以 M 為基礎的分群方式。各別分群都可以很容易理解與操作，NAPL操作活躍度，會員分級操作貢獻度。但交乘起來成為完整的 RFM 模型，有另外進一步的操作細緻度，補足了各別模型個別的盲點。
模型為了好理解，幫助快速看清全貌的某個角度，本來就是把複雜的事情做的一種簡化。透過模型交乘，可以點線形成面，交乘出新空間，有機會補足簡化後的維度，卻又不會讓分析變得太複雜。
剛剛上面那些區塊的範例，是試舉兩個模型交乘後的幾個區塊的討論，幫助大家思考更細部的操作的可能性。品牌可依據各自的狀況，來透過兩個模型的交乘應用，做更細緻的做會員操作。
91APP 的客戶可以在 Marketing Cloud 的名單圈選或是個人化行銷，透過「而且」(and)的方式，交集 NAPL 名單 與 會員等級，就可以找到上述的16群中的每一群人，並對他們做進一步的操作。
原文刊載：零售的科學