一、引言

         "一切以用户为中心”一直是互联网的核心理念，因为在互联网环境下，用户的转化成本极其低廉，更大程度的发掘/满足用户的需求成为互联网企业的根本法则；但如何更有效的服务用户，则需要回归到用户生命周期上，作为企业的重要资源，用户具有价值和生命周期。用户生命周期也称用户关系生命周期，是指从企业（网站）与用户建立关系到完全结束关系的全过程，是用户关系水平随时间变化的发展轨迹，它动态地描述了用户关系在不同阶段的总体特征。而这其中，不同生命阶段的用户对网站的价值贡献也大有不同，对用户生命周期的合理管理，也是最大化的体现用户生命周期价值，是最终实现用户价值最大化和企业价值最大化之间的合理平衡的动态过程。 

二、生命周期介绍

            一般来说，一个客户第一次接触DD的网站之后，他会有一段时间的适应期，购物频率较低；等慢慢熟悉了DD网站的功能应用和产品线之后，购物频率会上升，慢慢稳定下来……直到某一天，他的需求减弱，或者找到了其他的方式满足需求，或者你的某方面服务让他不满意了，他的购物频率会降低（缓慢或者直接陡降都可能），直至完全流失，结合麦肯锡及DD网站的表现，对用户生命周期做了一下划分及说明：麦肯锡的用户生命周期：

 DD生命周期划

            从一个新访问来到DD时，从某种意义上来讲，我们就获取了一个新用户，但是考虑访问数据不方便细化统计，所以用户的生命周期行为表现我们规定为从注册这一步开始，结合我们网站的最终目的—消费，进而从用户的消费行为（结果）表现划分为9个周期，具体周期及维度详见表3-1

三、生命周期转换

四、生命周期数据

五、DD生命周期价值体现

                而根据用户在每个周期在DD行为，又可以较清晰的画出每个用户的成长路线，建立用户完整的生命周期表现，根据行为我们划分为消费行为及表现行为（消费以是否付款为界限划定），结合以下数据表现，能对全站用户建立较好的生命周期跟踪，同时根据各阶段的特征，对消费行为及表现行为进行了权重划分，最终实现等级划分，并及时建立预警机制，尽可能的防止用户流失，有针对性的对用户进行唤醒；

 3

六、用户基础信息及喜好标签

                通过用户标签结合各生命周期的成长表现，就能实现对用户进行有目的性的精准群体细分，主要包含“你是谁，你从哪里来，你喜欢干什么（你要去哪里）”三个比较哲学层面的问题解释。不得不指出，问卷调查将会是非常有效的获取用户精确诉求及喜好偏向的重要工具，会通过与EDM协作及前台优化来提升现有的问卷效果     

                通过对不同用户的生命周期进行定期维护，同时也可以结合用户标签进行有针对行的精细化营销

七、下期实用通过分析不同时间段内的访问过/搜索的某类关键词，发觉有共同关注倾向的用户群体，展开营销

搜索关键词

 八、向上营销、交叉营销与关联推荐

　　        我们会发现很多网站都具备了内容推荐的功能，不仅是像B2C电子商务类的卓越的图书推荐，也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求，促进商品购买和服务应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？其实跟网站数据分析不无相关，我们可以来简单看一下它的原理和实现。

　　        关联推荐在营销上被分为两类：

　　        向上营销(Up Marketing)：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。

　　        交叉营销(Cross Marketing)：从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务。

　　       向上营销是基于同类产品线的升级或优化产品的推荐，而交叉营销是基于相似但不同类的产品的推荐。举个简单的例子，可以看一下苹果的产品线：

            当你购买一个ipod nano3的时候，向你推荐升级产品nano4、nano5或者功能类似的itouch就叫做“向上营销”；而推荐Iphone、Mac或ipad的时候就是“交叉营销”了。

           而关联推荐在实现方式上也可以分为两种：以产品分析为基础的关联推荐和以用户分析为基础的关联推荐。产品分析的关联推荐指的是通过分析产品的特征发现它们之间的共同点，比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik，而且书名都包含Web Analytics，都是网站分析类的书籍，同时也可能是同一个出版社……那么基于产品的关联就可以向购买了《Web Analytics》的用户推荐《Web Analytics 2.0》。而基于用户分析的推荐是通过分析用户的历史行为数据，可能会发现购买了《Web Analytics》的很多用户也买了《The Elements of User Experience》这本书，那么就可以基于这个发现进行推荐，这种方法就是数据挖掘中的关联规则（Association Rules）挖掘，其中最经典的案例就是沃尔玛的啤酒和尿布的故事。

             目前很多的关联推荐还是基于产品层面的，因为实现上更为简单（对于网站而言，产品数据明显少于用户行为数据，而且可能相差好几个数量级，所以分析工作就会轻很多），基于产品的推荐更多地以上面所述的两种营销手段来实现，更偏向于传统的“推式”营销（个人对这种营销方式比较没有好感，尤其“捆绑销售”之类）。 哪些是利润最大的客户，哪些是小型的B2B客户，哪些是大型的B2B客户，哪些是通过线下很难发展的客户，哪些是忠实品牌的，哪些是不注意品牌的，哪些是品质较“差”的客户等等。对于反复挑价，获得成本远高于收益成本，并且基本无利润的客户，就属于非目标客户，应该及时扔掉。
　　  分析顾客的价值，营销学有一种RFM计算法，即分别考察购买时间远近，购买频率和单元购买价值。电子邮件营销者可以对每个客户设计一个分栏的考察表，进而分析出利润顶层如20%的人群，中间层70%人群，及底层基本无利润10%人群。营销者还可以进一步对中间层再次分割，如对中间层顶层30%的客户采用一些激励策略，争取将其转变为更上层次的20%顾客。如此种种，电子邮件营销者需要对自己的顾客要有一个十分清晰的了解并制定导向性策略。