RFM模型案例分析指標介紹｜如何應用RFM做顧客用戶分析經營
RFM模型一直以來都是操作會員經營時候非常重要的模型參考，而在網路時代，行動網路的改變讓RFM模型也做了一些變化修正，搭配上數位科技的發展，RFM已經轉為RFM數位策展術 ，除了消費頻次以外，也需要考量到如何在消費者心中有心佔率，而這篇則將介紹RFM模型的最基礎概念。 今天作者想先談談傳統企業和電子商務談的較多的RFM模型，在眾多的用戶價值分析模型中，RFM模型是被廣泛被應用在產業的，RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。 一、RFM模型介紹 RFM模型是網點衡量當前用戶價值和客戶潛在價值的重要工具和手段，RFM是Rencency（最近一次消費），頻（消費頻率），貨幣（消費金額），三個指標首字母組合，如圖所示： RFM裡面的R值：最近一次消費（Recency） 消費指的是客戶在店鋪消費最近一次和上一次的時間間隔，理論上 — R值越小的客戶是價值越高的客戶，即對店鋪的回購幾次最有可能產生回應。目前網購便利，顧客已經有了更多的購買選擇和更低的購買成本，去除地域的限制因素，客戶如果沒有經營，非常容易流失，因為客戶可以很容易在其他地方找到相似服務產品，因此CRM操盤手想要提高用戶回購率和留存率，需要時刻警惕 — R值。 如下圖，某零食電商用戶最近一次消費 — R值分佈圖（時間截至2016年12月31日）： 1.客戶R值呈規律性的「波浪形」分佈，時間越長，波浪越小;2.最近一年內用戶佔比50％（真的很巧）; 數據分析：這個數據根據向行業內專業人員請教，已經是比較理想了的說明每引入2個客戶，就有一位用戶在持續購買，說明店鋪復購做的比較好，R值在不斷的變為0。 RFM裡面的F值：消費頻率（Frequency） 消費頻率是客戶在固定時間內的購買次數（一般是1整年）。但是如果實操中實際店面由於受限於實體店家大小的原因，比如賣3C產品，耐用品等即使是忠實粉絲用戶也很難在1年內購買多次。所以，一般店鋪在運營RFM模型時，會把F值的時間範圍去掉，替換成累計購買次數當作變形的應用。 如下圖，某零食電商用戶的購買頻次圖（如1個客戶在1天內購買多筆訂單，則自動合併為1筆訂單）： 1.購買1次（新客戶）佔比為65.5％，產生重複購買（老客戶）的佔比為34.4％; 2.購買3次及以上（成熟客戶）的佔比為17％，購買5次及以上（忠實客戶）的佔比為6％。 用戶數據分析：影響復購的核心因素是商品，因此復購不適合做跨類目比較比如食品類目和美妝類目：食品是屬於「半標品」，產品的標品化程度越高，客戶背叛企業的難度與成本就越小，更難形成忠實用戶；但是相對美妝，食品又屬於易耗品，消耗週期短，購買頻率很高，相對容易產生重複購買，因此跨類目復購並不具有可比性。 RFM裡面的M值：消費金額（Monetary） M值是RFM模型中相對於R值和F值最難使用，但最具有價值的指標大家熟知的「二八定律」（又名「帕雷托法則」）曾作出過這樣的解釋：公司80％的獲利來自於20％的忠實用戶。 理論上M值和F值是一樣的，都是需要有時間範圍，指的是一段時間（通常是1年）內的消費金額，對於一般店鋪的類目而言，產品的價格帶都是比較單一區間的。比如：同一品牌美妝類，價格浮動範圍基本在某個特定消費群的可接受範圍內，加上單一品類購買頻次不高，所以對於一般店鋪而言，M值對客戶細分的作用相對較弱。 用店鋪的累計購買金額和平均客單價替代傳統的中號值能更好的展現客戶消費金額的差異。 教大家一個特別簡單的累積金額劃分方法：將1/2的客單價作為累積消費金額的分段，比如客單價是300元，則按照150元進行累計消費金額分段，得出十個分段。 舉例來說，以化妝品店鋪舉例，店鋪平均客單為160元，因此以80元作為間隔將累積消費金額分段，從表中可以很明顯發現，累計消費160元以下用戶佔比為65.5％（近2��如下： 二，RFM模型的實踐案例應用 作為CRM操盤手，主要有兩種方法來分析RFM模型的結果：用基於RFM模型的劃分標準來進行客戶細分，用基於RFM模型的客戶評分來進行客戶細分。 1.基於RFM模型進行客戶分眾 CRM實操時可以選擇RFM模型中的1–3個指標進行客戶細分，如下表所示。切記細分指標需要在自己可操控的合理範圍內，並非越多越好，一旦用戶細分群組過多，一來會給自己的營銷方案執行帶來較大的難度，而來可能會遺漏用戶群或者對同個用戶造成多次打擾。 最終選擇多少指標做判斷呢？主要有兩個參考標準：店鋪的客戶基數，店鋪的商品和客戶結構。 店鋪的客戶基數：在店鋪客戶一定的情況下選擇的維度越多，細分出來每一組的用戶越少對於店鋪基數不大（5萬以下客戶數）的店鋪而言，選擇1–2個維度進行細分即可。對於客戶超過50萬的大賣家而言可以選擇2–3個指標。 店鋪的商品和客戶結構：如果在店鋪的商品層次比較單一，客單價差異幅度不大的情況下，購買頻次（F值）和消費金額（M值）高度相關的情況下，可以只選擇比較容易操作的購買頻次（F值）代替消費金額（M值）。對於剛剛開店還沒形成客戶粘性的店鋪，則可以放棄購買頻次（F值），直接用最後一次消費（R值）或者消費金額（M值）。 2.通過RFM模型評分後找出特定目標用戶 除了直接用RFM模型對用戶進行分組之外，還有一種常見的方法是利用RFM模型的三個屬性對客戶進行打分，通過打分確定每個用戶的質量，最終篩選出自己的目標用戶。 RFM模型評分主要有三個部分： 比如，實操的過程中一般每個指標分為3–5段，其中[R值可以根據開店以來的時間和產品的回購週期來判定，F值根據現有店鋪的平均購買頻次，男值可參考上文客單價的分段指標。舉個例子： 確認RFM的分段和對應分段的分值之後，就可以按照用戶情況對應進行打分。 這個時候可能有人會對此產生質疑，我如何驗證這個給予的分值就是合理的呢？確實我也暫時沒有辦法給予和科學研究的回复，如果需要驗證的話，每次對用戶數據進行導入之後，需要用算法模型進行回歸驗證。…