SPSSPRO,让数据分析更简单,问卷调查类数据分析不再愁 产品介绍 帮助中心 客户端
微信登录
  • 产品简介

  • 我的数据

  • 数据处理

  • 数据分析

    • 描述性分析

    • 问卷分析

    • 综合评价

    • 差异性分析

    • 相关性分析

    • 预测模型

      • 线性回归(最小二乘法)
      • 岭回归(Ridge)
      • 分层回归
      • 灰色预测模型GM(1,1)
      • 聚类分析(K-Means)
      • 逻辑回归
      • Lasso回归
      • 分层聚类
      • 有序逻辑回归
      • 偏最小二乘回归(PLSR)
      • 客户价值划分(RFM)
        • 1、作用
        • 2、输入输出描述
        • 3、案例示例
        • 4、案例数据
        • 5、案例操作
        • 6、输出结果分析
        • 7、注意事项
        • 8、模型理论
          • 1.简介
          • 2.基于RFM模型的实践应用
          • 3.根据用户类型设定营销策略
        • 9、参考文献
      • 二分类概率单位回归(Probit)
      • Deming's 回归
      • 密度聚类
    • 统计建模

    • 计量经济模型

    • 医学统计模型

    • 机器学习分类

    • 机器学习回归

    • 规划求解

    • 研究模型

    • 信号分析

    • 自定义算法

客户价值划分(RFM)

操作视频
SPSSPRO教程-客户价值划分(RFM)

# 1、作用

客户价值划分(RFM)模型是衡量客户价值和客户创造利益能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的。该模型通过客户的近期购买行为、消费频率以及消费金额 3 项指标来描述该客户的价值状况。

# 2、输入输出描述

输入:定量变量(最近一次消费间隔)、定量变量(消费频率)、定量变量(消费金额)和定类变量(索引变量)。
输出:模型分析的结果,如客户RFM得分分布图、类别分布情况和客户类型表。

# 3、案例示例

案例:根据某商铺近一年客户最近1次消费时间间隔、消费频率以及消费金额3项指标,对客户价值进行分析。

# 4、案例数据


客户价值划分RFM

# 5、案例操作


Step1:新建项目;
Step2:上传数据;
Step3:选择对应数据打开后进行预览,确认无误后点击开始分析;

step4:选择【客户价值划分(RFM)】;
step5:查看对应的数据数据格式,【客户价值划分(RFM)】要求输入数据定量变量R、F、M和一个定类索引变量;
step6:进行相关设置;
step7:点击【开始分析】,完成全部操作。

# 6、输出结果分析

输出结果1:RFM模型描述性统计 图表说明:
上表展示了客户价值划分(RFM)模型数据的描述性统计量和划分1-5得分的依据以及分布情况。

输出结果2:RFM得分分布图

图表说明:
上图以可视化的形式展示了RFM分值的分布。

输出结果3:RFM类别分布情况

图表说明:
上表展示了在最近一次消费间隔(Recency) 、消费频率(Frequency)、消费金额 (Monetary)项中,客户的低、高价值分布情况。

输出结果4:RFM类别分布图

图表说明:
上图以可视化的形式展示了在最近一次消费间隔(Recency) 、消费频率(Frequency)、消费金额 (Monetary)项中,客户的低、高价值分布情况。

输出结果5:RFM用户类型表

图表说明:
上表格展示了客户价值划分(RFM)模型的部分结果,超过15行的数据需要点击右上角的下载查看。

输出结果6:RFM用户类型图

图表说明:
上图以可视化的情况展示了客户价值划分(RFM)模型的结果。

# 7、注意事项

  • 现实业务不一定有完整的 RFM 数据,需要通过计算或变换。
  • 划分 RFM 的“高低”值,关键是找到划分的阈值。分析目标的不同,所选择的分析方法也可能不同。

# 8、模型理论

# 1.简介

RFM模型是网点衡量当前用户价值和客户潜在价值的重要工具和手段。RFM是Recency(最近一次消费)、Frequency(消费频率)、Monetary(消费金额),三个指标首字母组合。
R值:最近一次消费(Recency):客户在店铺消费最近一次和上一次的时间间隔,理论上R值越小的客户是价值越高的客户,即对对产品及品牌印象度越高。
F值:消费频率(Frequency):客户在固定时间内的购买次数(一般是1年),购买频率越高,对品牌忠诚度越高。但实际店铺由于受品类宽度的原因(如电子产品等),即使是忠实粉丝用户也很难在1年内购买多次。所以,一般会把F值的时间范围去掉,替换成累计购买次数。
M值:消费金额(Monetary):M值相对于R值和F值最难使用,但最具有价值,金额越高,给店铺创造的收入和利润越高。理论上M值和F值是一样的,都带有时间范围,指的是一段时间(通常是1年)内的消费金额。

R(Recency)
最近一次消费
F(Frequency)
消费频数
M(Monetary)
消费金额
影响因素 1.店铺记忆强度
2.接触机会多少
3.回购周期
1.品牌忠诚度
2.店铺熟悉度
3.客户会员等级
4.购买习惯养成
1.消费能力
2.产品认可度
应用场景 决定接触策略
决定接触频次
决定刺激力度
决定资源投入
决定营销优先级
决定活动方案
决定推荐商品
决定折扣门槛
决定活动方案

# 2.基于RFM模型的实践应用

CRM(客户关系管理)操盘手,主要有两种方法来分析RFM模型的结果:用基于RFM模型的划分标准来进行客户细分,用基于RFM模型的客户评分来进行客户细分。
1)、基于RFM模型进行客户细分
CRM实操时可以选择RFM模型中的1-3个指标进行客户细分。细分指标需要在自己可操控的合理范围内,并非越多越好,一旦用户细分群组过多,会给自己的营销方案执行带来较大的难度,还可能会遗漏用户群或者对同个用户造成多次打扰。
最终选择多少个指标有两个参考标准**:店铺的客户基数**,店铺的商品和客户结构。

  • 店铺的客户基数:在店铺客户一定的情况下选择的维度越多,细分出来每一组的用户越少。
  • 店铺的商品和客户结构:如果在店铺的商品层次比较单一,客单价差异幅度不大的情况下,购买频次(F值)和消费金额(M值)高度相关的情况下,可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。对于刚刚开店还没形成客户粘性的店铺,则可以放弃购买频次(F值),直接用最后一次消费(R值)或者消费金额(M值)。

2)、通过RFM模型评分筛选目标用户
另一种常见的方法是利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出目标用户。
RFM模型评分主要有三个部分:
1、确定RFM三个指标的分段和每个分段的分值;
2、计算每个客户RFM三个指标的得分;
3、计算每个客户的总得分,并且根据总得分筛选出优质的客户。

# 3.根据用户类型设定营销策略

针对每个指标进行打分(1-5分),根据数据分布和业务不同,打分的标准也可以进行更改。三个指标打分后将用户分成 125 [R(5)*F(5)*M(5)] 个类别,但是出 125 份营销策略是非常困难的,正常使用时会将每个指标分为两类(以指标均值为例,打分高于均值的属于高,否则属于低),最后将用户分成 8 个类别,针对每个类别的用户设计对应的营销策略,具体如下图:

用户类型 用户RFM特征 营销策略
重要价值用户 三者都高 延长用户忠诚时间
- 比如VIP服务、永久打折策略等等让用户有荣誉感的营销策略
重要发展用户 近期有发生购买行为、消费金额高于多数用户、是购买频率较低 刺激用户进行复购,增加对品牌的忠诚,
- 可以通过短信、邮件定期发送新品、爆款、折扣等信息,吸引用户增加购买频率
重要保持用户 最近一次消费时间较远,但消费频次和总金额较高 即将流失的忠实客户,需要主动联系进行挽回
- 可以通过电话沟通,唤起用户对品牌的认知,
- 根据用户反馈制定个性化营销策略,例如发送大额优惠券等
重要挽留用户 历史消费金额较高,但购买频率较低,近期没有发生购买行为 已经趋于流失,最核心的需求是刺激用户进行复购,增加对产品及品牌的印象
- 针对这部分用户可以较大的让利,比如推出0元试用、买一送一等服务
一般价值客户 近期购买,购买频率高但是总消费金额低 这部分用户的客单价较低,有薅羊毛的可能性
- 可以尝试通过站内及站外精准种草,比如抖音等平台信息流投放等推送店铺爆款产品,增加品牌曝光度,提高客单价
一般发展用户 近期有发生购买行为,购买频率和消费金额较低 从用户生命周期上看,处于引入期和成长期
- 需要通过电话主动联系,关怀产品使用情况
- 提供良好的售后服务,增加用户对品牌的信赖度,金额提升复购率和消费金额
一般保持和 一般挽留用户 三者都低 用户已经处于流失阶段,可以不做营销,或者花费较低成本进行尝试触达

# 9、参考文献

[1] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.
[2] Han J , Micheline K . Data Mining: Concepts and Techniques[J]. Data Mining Concepts Models Methods & Algorithms Second Edition, 2006, 5(4):1 - 18.

建议反馈