NAPL x DCIU ：會員模型的交乘應用
透過不同模型的交乘，增加單一模型解釋的豐富度，可以讓簡化的模型，增加其更進一步的豐富度，因此可以簡單的 NAPL 模型觀測會員分佈全貌，然後透過 DCIU 交乘來用比較細緻的分群，來做會員溝通操作
NAPL模型 與 DCIU模型
會員經營裡面，會員分群是很關鍵的事。透過好的會員分群溝通，可以提高溝通的成效，也就是可以提高會員溝通的投報率 RoaS。（延伸閱讀：為什麼要做會員分級？）
但要怎麼做會員分群，一般會用「模型」，也就是依據會員的各種數據，透過算法，把全部的會員貼上不同的標籤。最後依據這些標籤的分群，給予這群會員的輪廓描述，並透過溝通，測試這群會員的反應，是否符合這些描述。
91APP至今發表過三種會員模型：NAPL、DCIU、與PAVO。這篇文章會主要聚焦在NAPL 與 DCIU的交乘應用，而不是介紹模型本身。
在正式進入「多個模型交乘應用」主題之前，還是先快速介紹一下 NAPL 與 DCIU 模型，作為一個暖身：
什麼是 NAPL 模型？這是一種以交易數據為基礎的模型，類似傳統的 RFM，也就是用 CRM 常見的 購物頻率 (F, Frequency)、與 購物時間 (R, Recency)來分群，各標籤說明如下：
- N (New) 首購：最近三個月有第一次購物的會員。
- A (Active) 活躍：最近三個月內有購物的「非首購」會員。
- P (Potentail）沈睡：超過三個月「沒有」購物的「非首購」會員，也就 A 標籤的人，超過三個月沒有再回購，就會從 A 變成 P。
- L (Lost) 流失：超過三個月沒有回購的首購會員。也就是買過一次之後，本來是 N，但後來就沒有再買第二次了，超過三個月沒有回購，變成Ｌ。
什麼是 DCIU 模型？這是一種以行為數據為基礎的模型，也就是不需要交易數據，是以行為數據像是瀏覽分類、瀏覽商品、搜尋、加入購物車、加入收藏等等這些互動行為，用這些會員行為來計算會員分群。各標籤說明如下：
- D (Deciding) 最高購買意圖：官網互動行為非常多，近期頻率高，且有大量加入購物車、編輯購物車等等的趨近最後購買旅程的行為。
- C (Considering) 高購買意圖：官網互動行為多，但近期頻率不高，有加入購物車行為等。
- I (Interesting) 低購買意圖：官網隨意瀏覽者。
- U (Un-interesting) 無購買意圖：沒有任何官網互動行為的會員。
想進一步了解 NAPL 與 DCIU，請參考以下兩篇文章：
NAPL x DCIU：會員模型的交乘應用
為什麼要做會員模型的交乘應用？我們可以用以下兩個問題，做為幫助討論模型交乘應用的主要情境，也幫助大家用真實的情境來思考：
- 我的活躍會員（NAPL裡面的標籤A），也一定會是高購買意圖的會員嗎（DCIU裡面的標籤D）？
- 我的流失會員（NAPL裡面的標籤L），真的完全都沒有任何購買意圖嗎（DCIU裡面的標籤U）？
以上這些問題，就可以用兩個不同的會員模型交乘，來觀測會員的樣貌，並且可以探討出更有趣的會員分群操作應用。
上面這張圖，就是真實的某一個客戶，用 NAPL 分群之後，再用 DCIU 把每一群再分開，得到一個 4X4 的交乘矩陣，等於把會員進一步分成 16 群，而圖裡面的每一個數字，代表該群的會員數。
所以依據這張圖，來回答上面的兩個問題，我們可以看到：NAPL裡面的活躍會員（A），的確高購買意圖的會員很多（D），但竟然也有無購買意圖的（U）。活躍會員(A)一般而言是一個品牌貢獻度最高的一群人，如果這群人出現很大比率的「購買意圖不高」(I)甚至「無購買意圖」(U)，這代表什麼意思？這群會員其實並不活躍嗎？
同樣依據這張圖，可以看到第二個問題的答案，我們也同時看到：NAPL裡面的流失會員(L)，有許多的確同時也是無購買意圖(U)，但卻也有一定比率的流失會員，竟然呈現出「高購買意圖」(D)，這又是怎麼回事？這代表這群流失會員最近一直跑回來網站，點點商品、加入購物車，所以其實他們並沒有流失？
會員的 購物週期 與 生命週期
活躍會員通常就是創造一個品牌平均購物週期數字的人。因為他們通常會有比較穩定的回購頻率。
所以活躍會員的購買意圖通常是高的嗎？假設一個活躍會員，距離上次購買已經快要三個月了(假設某品牌的平均購物週期是3個月)，那非常高的機率他的購買意圖會是高的。
但如果這個活躍會員，終於在昨天下單回購了，那他今天的購買意圖會是「零」。也就是說，昨天需求已經滿足了，今天不會再有需求，甚至短期之內購買意圖都會是低的。
用NAPL的模型的標籤來看，本來是A的活躍會員，因為在近期又買一次，他的標籤還是A。
但本來是A的活躍會員，也許本來購買意圖模型(DCIU模型)中的購買意圖標籤是高的，也就是他也是標籤D。但在他近期才回購的那一個禮拜，理論上因為才剛買完，短期沒有購物需求了，所以沒有再繼續瀏覽商品、沒有加入購物車這些行為，也就是他的購買意圖標籤(DCIU)，會變成U，或是I，也就是低購買意圖或無購買意圖。但並不表示他不是活躍會員。
這也可以解釋為什麼上面圖表裡面的狀況，活躍會員裡面，有一定比率的會員是低購買意圖(I)或無購買意圖(U)，非常有可能原因是，他們才剛回購過。
活躍會員(A)本來就是一個品牌裡，購買頻率相對高的會員。但活躍會員的購物頻率，再怎麼熱愛品牌，購物頻率也不可能是每天。每個人口袋深度都是有限的（應該吧），理論上就有消費能力上限。通常月初領薪水，購買意圖高，才消費過一些東西，購買意圖就掉下來了，尤其是現現在的月底，口袋變得很淺，心裡就算有購買意圖，手頭上沒有購買能力。
DCIU模型，就是呈現出這個「購物週期」裡面的購買意圖變化。一個會員身上的DCIU標籤會變化的非常快，甚至會變成一個循環，也就是購買前是D，購買後變U，過一陣子變I，然後慢慢變C，又回到D，然後緊接著產生購物行為。
而NAPL模型，呈現的是一個會員的「生命週期」。也就是一個會員從第一次認識品牌，第一個跟品牌購物(N)，逐漸熟悉跟品牌買東西(A)，到他逐漸流失的過程。大多數的品牌，會員都有一個 LTV (Life Time Value, 會員終身價值)，但這個週期的時間是長的，通常要到月或年為維度。也就是同樣一個會員，NAPL標籤的變化，會比DCIU的變化還要慢。而很大機率，NAPL標籤的變化是不循環的，是一去不復返的，也就是會員逐漸走到生命週期的終點，流失的會員就很難喚回了。（延伸閱讀：LTV（顧客終身價值）- 每段關係都有一個期限）
DCIU 是一種CDP 的模型／NAPL 是一種 CRM 模型
所以，NAPL 跟 DCIU 兩個模型，因為其根本數據基礎不同，使得他對於會員分群的解釋方向就有很大的不同。
NAPL是一種根據於交易資料的模型，是一種CRM模型；DCIU是一種根據於行為資料的模型，是一種CDP模型。
也因此，一個會員的交易變化，週期通常比較長，所以一個會員的NAPL的標籤變化 週期也比較長。而一個會員的行為變化（瀏覽商品、加入購物車），變化速度比較快，所以一個會員的DCIU標籤變化週期也很短。
也因此，如果一個會員從來沒有購物，他不會有NAPL任何一個標籤，但他卻會有DCIU標籤，如果這個會員有一直逛品牌官網或APP的話。但DCIU標籤變化的太快，會員的行為，也很難反應真正的會員貢獻情形，這時候以交易為基礎的CRM模型，也就是NAPL模型，就是更好的觀測工具。
所以兩個模型可以透過標籤交乘，來找到值得經營的會員分群。像是上面的案例提到的，那一些流失的會員(L)，雖然大部分沒有購買意圖(I, U)，但卻有少部分有高購買意圖(D, C)，也就是這些會員雖然很久沒有購物了，但近期卻不停地回來網站，產生很多互動行為像是瀏覽網頁、搜尋、加入購物車，而變成的 D 或 C 有購買意圖的標籤。
既然我們理解這群會員的樣貌，是一群流失會員，卻近期對品牌很有興趣，理論上應該加強溝通，趁機把這些流失的會員做挽回，因為他們比起那些可能已經死心的會員（很久沒買、也沒有回來網站），近期又不停的回來品牌網站，點點商品、加入購物車，會比死透的會員，相對會容易挽回。
因為會員生命週期的存在， NAPL 的模型中大多數會員標籤，標籤的變化都是單向道，標籤是不循環的，也就是不會從流失(L)，變回(A)，會員流失一定有些原因，會員因此不再回購，最後就只是馬不停蹄地一路奔向會員生命週期的終點。
透過DCIU的模型標籤觀測，也就是會員網站互動行為的觀測，有機會發現那些即將流失的會員中，還有高機會挽回的那一群人，延長他們在品牌中的生命週期。
如何取得交乘的名單
模型是把一個複雜的問題，簡化成好理解的框架。也就是說，模型本來就是把真實的世界給簡化了，而不代表真實。把一個品牌的會員變成4群人，但事實上品牌並不可能只有4個會員，而可能是40萬會員甚至400萬，總之真實的會員，每一個人都不一樣，也不是分成4群這麼單純。
但透過模型的簡化，才有辦法相對去理解所有的會員，才有辦法找到會員經營的問題，一個品牌所有的40萬會員，甚至只要4萬會員，的確沒有辦法一個一個會員去看，透過模型才有辦法在很短的時間，掌握會員經營的全貌，或其中有沒有發生了什麼重要的問題。
而透過不同模型的交乘，增加單一模型解釋的豐富度，可以讓簡化的模型，增加其更進一步的豐富度，因此可以簡單的 NAPL 模型觀測會員分佈全貌，然後透過 DCIU 交乘來用比較細緻的分群，來做會員溝通操作。
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 購買意圖模型，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
Support the creator with action! Pay to unlock
你可能也想看
