本文结合相关的产品与业务场景，分享电商CRM中的用户信息管理与场景应用，为电商产品的精细化运营提供参考。
用户信息管理是客户关系管理的底层基础。
用户接触一款新产品，从开始了解，深度使用，最后到流失，整个过程会产生大量的数据信息流动，通过对这些用户信息的高效管理，可以指导用户分群、个性化消息推送、生命周期管理和关联推荐等一系列运营策略。用户信息的最大化的合理利用，能够更精细为用户提供服务，有效的达成业务目标。
一、用户信息管理
1. 用户的基础信息
基础信息是描述客户基本属性的静态数据，主要来源于用户注册和使用时录入的信息。用户基础信息一般通过电商CRM系统的会员信息库进行存储和管理，会员信息库就好比存放着平台每一位用户的名片夹。
用户的基础信息字段繁多，大致可以归为六大类：
- 人口属性信息：用户的姓名、性别、年龄、生日、所在省市区街道、婚姻情况；
- 平台属性信息：昵称、注册时间、会员类型、会员等级；
- 联系信息：手机号、邮箱、QQ、微信、微博、其他第三方关联账号；
- 收货信息：默认与非默认收货姓名、收货地址、收货电话；
- 卡与支付信息：会员卡信息、银行卡信息；
- 认证信息：在校认证信息、营业执照认证信息、消费贷认证信息等。
当遇到特定的业务场景时，可以将用户基础信息进行关联调用。
2. 用户的行为信息
行为信息是用户使用产品时产生的动态数据，主要来源于系统的事件埋点与后台日志：
- 事件埋点对用户的行为事件进行了全流程的记录，再通过各种页面来源（source）进行相互关联，可以详细记录用户的行为路径。
- 后台日志记录了交易信息，包括订单id、商品id、货号、单价、颜色、尺码等记录、通过“时间戳”来证明发生时间。
通过用户完整的行为信息，我们可以还原最完整、真实的交易场景：
- 用户是谁：目标用户、用户画像、是否源于其他用户分享；
- 买了什么：商品品类、风格、件数、颜色、尺码、价格、上市时段；
- 在哪发生：线上的模块、页面、路径；线下的城市、商圈、地址、店名。
行为信息可以间接反映用户的行为偏好和决策路径，通过自建数据分析平台或第三方分析工具进行系统化的管理，可以为具体业务方案提供可靠的数据依据，带来可量化的指导。关于行为信息数据的分析可以参考之前的文章：《数据分析：三步搭建基础分析框架》
二、在电商中的场景应用
1. 基于基础信息的分群展示
用户类型：不同类型的用户对不同品类的需求度存在巨大差异。通过对全平台用户的基础信息分析，可以了解平台用户的性别分布、年龄分布，清晰的掌握产品的用户画像，从而划分不同的用户类型，针对性的解决需求。
唯品会通过三类小程序：唯品男士、唯品会、唯品母婴，分别针对男性用户、年轻女性用户以及宝妈用户，帮助不同类型的用户更快找到需求的商品，针对性地解决不同用户类型对不同品类需求。
地区信息：城市用户vs乡村用户、国内用户vs国外用户，不同地理位置的用户对于购物消费的价值观存在较大偏差。
淘宝根据用户在个人中心录入的地区信息，将用户划分城市地区、乡村地区、国外地区，针对不同区域的用户进行区分地区类型的分群展示，能够有效地提高资源位的转化。
2. 基于基础信息的个性化推送
每天用户的手机都会收到来自各个产品的消息推送，而用户浏览内容的平均时间只有1~2秒，如何提高自家产品消息触达的效率，以至于不被淹没在茫茫的信息中。
在消息推送环节，通过自定义消息模板调用用户基础信息，在文案前呼唤用户昵称，可以大幅提高内容与用户的相关性，在短时间内吸引用户去浏览、了解消息内容，有效地提高营销内容的转化。
天猫、阿里巴巴、小红书在短信或push营销环节，通过调取用户昵称，实现基于基础信息的个性化推送，对于用户体量巨大的头部平台，细微的转化提升都可以带来可观的业绩增量。
3. 基于行为信息的生命周期管理
基于用户在平台的消费记录，可以按照用户是否使用过产品来划分为新用户与老用户；老用户还可以根据用户使用产品的情况，按生命周期划分为留存用户、沉默用户和流失用户，举一个简单划分方式：
- 未激活新客：注册了产品之后，还没有正式使用（如电商的首次下单）的用户；
- 留存用户：在指定一段时间周期（如30天）内有使用过产品的用户；
- 沉默用户：对使用产品的积极性下降，连续一段时间周期（如30~60天）未使用产品的用户；
- 流失用户：曾经使用过产品，现在已经连续很长一段时间（如61天以上）没有再使用过产品的用户。
用户的价值会随着用户状态发生迁移，对用户的生命周期管理是CRM核心环节。选择最适合的营销渠道与优惠激励，对不同状态的用户制定差异化的生命周期营销策略：
- 通过自动化生命周期营销工具，向用户传递产品价值，促使新用户开始使用产品，留存用户持续使用产品；
- 建立沉默/流失预警模型，精细化的筛选高价值的沉默和流失用户，通过营销事件或大型活动定向挽回。
对用户生命周期的精细化策略管理，能够不断激发用户活跃，最大限度提升响应率和ROI，促进用户回访、复购、提升客单价，带来业绩的提升。
4. 基于行为信息的关联推荐
推荐系统：电商平台承载着大量的商品，但提供曝光的资源位是有限的，在商品信息过载中满足各种各样用户的需求是我们要面对的问题。
长尾理论：用户对商品大规模的需求会集中在头部，而零散的小量的商品需求会在需求曲线上形成一条长长的“尾巴”。这些小需求是个性化的、其数量累加起来会形成一个巨大的市场。
基于用户行为信息数据，通过千人千面的推荐系统，可以对这些零散的商品需求进行个性化的展示。
,
