目前大家使用最普遍的，当属会员等级折扣制度，普通会员享受什么政策，银卡会员什么政策，金卡会员什么政策，评判的唯一标准就是消费者的贡献额；另一个就是会员积分制度，积分换购、积分抵扣，当然，积分的由来也是和消费者的贡献额捆绑的。

　　但显然，RFM这三个参数，只是让企业知道了我的会员目前是处于一种什么状态，但没法去指导企业该如何开展会员营销。

　　譬如，两个消费者，在同一天，A买了200块钱的女装，B买了200块钱的男装，那么按照RFM模型，这两个消费者是被划分到一个类型里面的。

　　再譬如，还是这两个消费者，在购买迄今3个月的时间里，都没有再发生二次购买行为，但期间A到你的网站来了20次，B只来了1次，按照RFM模型，这两个消费者还是属于同一个类型。

　　或许，我们需要寻找一种全新的会员数据库模型标准，在这个数据库里面，消费者不再是一个一个的钱包，而是真实的、有情绪的、能被影响的、有不同需求的人，它将会告诉我们，对不同的会员，你该说什么话！该怎么说！该什么时候说！

　　360度会员数据库

　　当一个老会员，决定再次购买你的某件商品的时候，会被哪些因素影响？

　　产品？价格？特别优惠？品牌好感？上一次购买体验？潜在需求？天气变化……没错，可能性因素有很多。

　　当一个老会员决定不再购买你的产品，他的特征或许就比较简单：不再访问、投诉、拒收或者退换货。

　　所以，我们需要给会员插上尽可能多的标签：性别、年龄、地域、注册时间、购买记录、访问记录、投诉的内容、退换货历史等等。这些标签将有助于系统快速地对消费者精准定位，自动计算对哪些会员在何时发送什么信息；这些标签也有助于发布新品上架的信息时，把不同的产品精准地推销给有需求的消费者，减少频繁的信息发布所带来的反感情绪。

　　那么，一个消费者的数据库，到底需要多少科目来进行统计分析，才能实现上述目的呢？

　　1.人口统计学科目：包括姓名、性别、年龄、地域、生日、家庭状态、联系方式等等。11月份，你把羽绒服推给北方的会员，一定比推给南方的会员更有把握；你把婴童产品，推荐给28～35岁左右的女性会员，一定会有比较高的成交率。

想认识全国各地的创业者、创业专家，快来加入“中国创业圈”