RFM模型较为动态地显示了一个客户的全部轮廓,这对个性化的沟通和服务提供了依据,同时,如果与该客户打交道的时间足够长,也能够较为精确地判断该客户的长期价值(甚至是终身价值),通过改善三项指标的状况,从而为更多的营销决策提供支持。
在RFM模式中,R(Recency)表示客户购买的时间有多远,F(Frequency)表示客户在时间内购买的次数,M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。
RFM非常适用于生产多种商品的企业,而且这些商品单价相对不高,如消费品、化妆品、小家电、录像带店、超市等;它也适合在一个企业内只有少数耐久商品,但是该商品中有一部分属于消耗品,如复印机、打印机、汽车维修等消耗品;RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。
RFM可以用来提高客户的交易次数。业界常用的DM(直接邮寄),常常一次寄发成千上万封邮购清单,其实这是很浪费钱的。根据统计(以一般邮购日用品而言),如果将所有R(Recency)的客户分为五级,最好的第五级回函率是第四级的三倍,因为这些客户刚完成交易不久,所以会更注意同一公司的产品信息。如果用M(Monetary)来把客户分为五级,最好与次好的平均回复率,几乎没有显著差异。
有些人会用客户绝对贡献金额来分析客户是否流失,但是绝对金额有时会曲解客户行为。因为每个商品价格可能不同,对不同产品的促销有不同的折扣,所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动,则更可以显现出相对行为。企业用R、F的变化,可以推测客户消费的异动状况,根据客户流失的可能性,列出客户,再从M(消费金额)的角度来分析,就可以把重点放在贡献度高且流失机会也高的客户上,重点拜访或联系,以最有效的方式挽回更多的商机。
RFM也不可以用过头,而造成高交易的客户不断收到信函。每一个企业应该设计一个客户接触频率规则,如购买三天或一周内应该发出一个感谢的电话或Email,并主动关心消费者是否有使用方面的问题,一个月后发出使用是否满意的询问,而三个月后则提供交叉销售的建议,并开始注意客户的流失可能性,不断地创造主动接触客户的机会。这样一来,客户再购买的机会也会大幅提高。
企业在推行CRM时,就要根据RFM模型的原理,了解客户差异,并以此为主轴进行企业流程重建,才能创新业绩与利润。否则,将无法在新世纪的市场立足。
探索式分析,主要是运用一些分析方法从大量的数据中发现未知且有价值信息的过程。对于初步探索性分析而言,数据可视化是一个非常便捷、快速、有效的方法,你可以使用作图、制表等方法来发现数据的分布特征,然后可以使用一些统计分析方法更深入地发现数据背后的信息。常用的探索性分析方法包括RFM分析、聚类分析、因子分析、对应分析等。应用背景:
在产品迭代过程中,通常需要根据用户的属性进行归类,也就是通过分析数据,对用户进行归类,以便于在推送及转化过程中获得更大的收益。
分析方法:
RFM分析(Recency,Frequency,Monetary)
分析工具:
SPSS(数据分析的重量级应用,与SAS二选一)
一.RFM基础知识
所谓探索性分析,主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。
常用的探索性分析方法包括:RFM分析、聚类分析、因子分析、对应分析等。
RFM的含义:
R(Recency):客户最近一次交易时间的间隔。 R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。
F(Frequency):客户在最近一段时间内交易的次数。 F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。
M(Monetary):客户在最近一段时间内交易的金额。 M值越大,表示客户价值越高,反之则表示客户价值越低。
RFM分析就是根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。
RS:基于最近一次交易日期计算的得分,距离当前日期越近,得分越高。例如5分制。
FS:基于交易频率计算的得分,交易频率越高,得分越高。如5分制。
MS:基于交易金额计算的得分,交易金额越高,得分越高。如5分制。
RFM总分值: RFM=RS*100+FS*10+MS*1
RFM分析的主要作用:
识别优质客户。可以指定个性化的沟通和营销服务,为更多的营销决策提供有力支持。
能够衡量客户价值和客户利润创收能力。
RFM的假设前提:
假设交易的可能性:
最近交易过的客户 >最近没有交易过的
交易频率高的客户 >交易频率低的
交易金额大的客户 >交易金额小的
二.分析实践
RFM接受的数据格式有两种:
交易数据:每次交易占用一行,关键变量是客户ID、交易时间、交易金额。
客户数据:每次交易占用一行,关键变量是客户ID、交易总金额、最近交易日期、交易总次数。
我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据,而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段,反之不行。
具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。
变量:选择各个变量。
分箱化:评分的总分是多少。
保存:生成哪些新的变量,可以自定义名称。
输出:可以全部勾选,为了能全面的解读RFM分析结果。
确定后,生成了四个新的变量:
崭新-得分:最后一次交易的时间间隔得分;
频率-得分:交易总次数得分;
消费金额-得分:交易总金额得分;
RFM得分:RFM得分
三.结果解读(最重要的环节)
该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。
我们期望均匀的分布,若不均分,则应该重新考虑RFM的适用性或尝试另一种分箱方法(减少分箱数目或随机分配绑定值)。
“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示, 用颜色深浅表示交易金额均值的大小,颜色越深,表示相应矩阵块内的客户交易金额均值越高。
如本例随着RS和FS的分值增大,颜色越来越深,说明客户最近一次交易时间越近、交易次数越多,其平均交易金额越高。
该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。
通过散点图可以清晰直观的看到三个分析指标两两之间的关系,便于指标相关性评估。
本例中,交易总次数和交易总金额存在较为明显的线性关系,而最后一次交易时间和另外两个分析指标之间的相关性较弱。
四.RFM分析应用
为客户分组,即将三个指标分别分为“高”和“低”两种,高于均值的为“高”,低于均值的为“低”。
因此有三件事要做:
计算出各个指标得分的平均值;
将各个变量高于平均分的定义为“高”,低于平均分的定义为“低”;
根据三个变量“高”“低”的组合来定义客户类型; 如“高”“高”“高”为高价值客户。
第一步,先计算各个指标的平均值。
一定要勾选平均值,否则输出结果中没有“平均值”。
现在我们得到了各个变量的平均分:3.33,2.99,3.01。
第二步,将各个变量高于平均分值的定义为“高”,否则为“低”。
按照1-2-3-4-5的步骤设置高于平均值的为“2”,也可以设置为“高”
同理去设置FS和MS。
设置后结果如下:
可以在变量设置里设置标签,1代表“低”,2代表“高”,也可以在“重新编码到不同变量”里面设置时就直接定义为“高低”,而不是“1和2”。
第三步:通过各个变量的高低组合,确定客户类型。
第三区域:可以是公式,也可以是具体的数字,其实这里就是输出结果。
第四区域:表示满足的条件。
同理在“变量设置”里对标签就行设置就行。
最终分析结果如下:
通过RFM方法,我们根据用户的属性数据分析,对用户进行了归类。在推送、转化等很多过程中,可以更加精准化,不至于出现用户反感的情景,更重要的是,对产品转化等商业价值也有很大的帮助。
个人理解中的RFM是为了研究用户(买家)的一个算法模型,身为产品从业者的我们都喜欢谈目标用户,而何谓目标用户,我们可以简单把他们归结为付费用户,也就是为我们产品带来收入的人群。而PM一项很重要的职能就是分析数据,根据单一用户的购物行为对其分析不仅要浪费大量的人力资源,浪费时间且不可行,而且若缺乏一套具体的算法模型也难以脱离个人主观性。而研究用户,洞察人性却又是PM的主要工作内容,在产品迭代过程中,通常需要根据用户的属性进行归类,也就是通过分析数据,对用户进行归类,以便于在推送及转化过程中获得更大的收益。了解用户的行为感受是必不可少的职责,而RFM就是一种了解付费用户结构的基本方法。由于该模型设计到具体算法,网上大多数文献说得都比较复杂分散,而且存在重大歧义,如RFM中R值的概念Josh Bycer认为R值越大用户回购率越高,而真实情况未必如此。本文档主要是为了归纳汇总RFM模型的概念以及适用场景,以尽量直白的方式呈现给读者。奈何才疏学浅,许多地方未必正确,不足之处望指导。R-Recency(近期)-最后一次购买是多久以前;R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。
F-Frequency(频率)-购买频率;F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。
M-Monetary(消费)-设定时间段内客户的总消费金额;M值越大,表示客户价值越高,反之则表示客户价值越低 。 这是衡量客户价值最重要的指标。
1.谁是我的重要价值客户,他们都有什么特点?
2.谁是我需要重点保持联系的客户,他们都有什么特点?
3.谁是我的重要发展客户,他们都有什么特点?
4.谁是我的重要挽留客户,他们都有什么特点?
根据三维图表,以RFM为XYZ轴,1代表高,0代表低
1.重要价值客户(111):最近消费时间较短、消费频次和消费金额都较高。这是门店应该主要关注的VIP客户。
2.重要保持客户(011):最近消费时间较长,消费频次和消费金额都较高。说明这是个一段时间没来的忠实客户,我们需要主动和他保持联系。
3.重要发展客户(101):最近消费时间较短、消费金额高,但消费频次较低。忠诚度不高,很有潜力的用户,必须重点发展。
4.重要挽留客户(001):最近消费时间较长、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当吸引客户回流。
RFM模型的最终目的是为了区别出有价值的用户在此基础上细分用户类型做到精准运营,实现效率最大化。RFM模型较为动态地显示了客户消费轮廓,这对个性化的沟通和服务提供了依据,根据用户群体、产品特性,产品的周期去改善三项指标的状况,从而为更多的营销决策提供支持。在RFM的分类基础上,去进行的基础维护运营,根据关键运营指标,选取重点需要优化的用户群体,进行差异化运营,从而刺激用户持续的消费、留存。RFM模型同时也能作为监控用户行为的有效工具,让管理者了解客户的行为从而反思现存的营销模式,为企业后续的发展方向做出战略性部署。
RFM模型主要用于电商领域,但是我们也可以替换RFM相关的字段使其适用于互联网产品。作为CRM一个模块的RFM应用范围以及应用之广此处便不再展开。