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
名称 | 平均差 | 方差 | 最大值 | 最小值 | 得分 | 选项 | 频数 | 百分比(%) | 累计百分比(%) |
---|---|---|---|---|---|---|---|---|---|
最近1次消费时间间隔(天) | 46.77 | 889.734 | 99 | 3 | 1 | (-∞,15.600] | 20 | 20% | 20% |
2 | (15.600,35.2] | 20 | 20% | 40% | |||||
3 | (35.2,53.8] | 20 | 20% | 60% | |||||
4 | (53.8,80.600] | 20 | 20% | 80% | |||||
5 | [80.600,+∞) | 20 | 20% | 100% | |||||
消费频率 | 55.28 | 4515.981 | 342 | 3 | 1 | (74.0,+∞) | 19 | 19% | 19% |
2 | (38.0,74.0] | 20 | 20% | 39% | |||||
3 | (26.0,38.0] | 20 | 20% | 59% | |||||
4 | (17.0,26.0] | 20 | 20% | 79% | |||||
5 | (-∞,17.0] | 21 | 21% | 100% | |||||
消费金额 | 1309.07 | 2914914.147 | 10720 | 39 | 1 | (1915.2,+∞) | 20 | 20% | 20% |
2 | (926.0,1915.2] | 20 | 20% | 40% | |||||
3 | (599.2,926.0] | 20 | 20% | 60% | |||||
4 | (323.800,599.2] | 20 | 20% | 80% | |||||
5 | (-∞,323.800] | 20 | 20% | 100% |
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
项 | 低价值(0) | 高价值(1) |
---|---|---|
最近1次消费时间间隔(天) | 40 | 60 |
消费频率 | 61 | 39 |
消费金额 | 40 | 60 |
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)模型的结果,超过20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.