數(shù)據(jù)分析實操案例 基于RFM的客戶價值分析模型

數(shù)據(jù)分析實操案例基于RFM的客戶價值分析模型

營銷管理人員經(jīng)常會面臨平衡公司預(yù)算與客戶營銷覆蓋率的挑戰(zhàn)。春節(jié)臨近，正是商家的促銷旺季，作為一家大型超市的市場經(jīng)理，如果在既定的促銷預(yù)算里，只能從60萬交易會員中挑選20萬人進行直郵目錄營銷，你會如何選擇？

不少人往往會把客戶在一定時間內(nèi)的消費金額作為關(guān)鍵指標(biāo)，對60萬會員進行上下排序，并將排名靠前的20萬名會員作為目錄營銷的主要對象。但是，這種辦法所帶來的最終客戶響應(yīng)率卻并不理想。試想，有這樣兩位客戶，一位在你的產(chǎn)品目錄上一年消費10萬元，而另一位卻只消費1千元，有什么理由堅信消費10萬元的客戶一定比消費1千元的客戶更有可能翻開促銷信件呢？

事實可能恰恰相反，因為一個消費能力足夠高的客戶，常常會出現(xiàn)在多個商家的重要客戶名單上，如果在短時間內(nèi)，他收到多個商家的促銷產(chǎn)品冊，你的資料被隨手扔進垃圾筒的概率要高得多；而消費能力低的客戶受到競爭商家的影響反而小，信件的拆閱率反倒更高。雖然信件一旦被拆開，消費能力高的客戶的購置金額將遠遠超過消費能力低的客戶，但是決定你的促銷最終的總收益金額將來自兩類客戶在信件拆閱率與支付能力的中和結(jié)果。所以，如果單一按消費金額進行客戶選擇，不是獲得最高收入的最正確方式。

至此，大家可能多多少少可以體會到，在面向客戶制定運營策略、營銷策略時，我們應(yīng)當(dāng)針對不同的客戶推行不同的策略，實現(xiàn)精準(zhǔn)化運營，以期獲取最大的轉(zhuǎn)化率。

精準(zhǔn)化運營的前提是客戶關(guān)系管理，而客戶關(guān)系管理的核心是客戶分類。

在客戶價值管理的分析模型中，RFM模型是應(yīng)用最普遍的模型。

RFM模型通過客戶分類，對客戶群體進行細分，區(qū)別出低價值客戶、高價值客戶，對不同的客戶群體發(fā)展不同的個性化效勞，將有限的資源合理地分配給不同價值的客戶，實現(xiàn)效益最大化。

但是如何判別優(yōu)質(zhì)客戶呢，評價的數(shù)據(jù)指標(biāo)是什么，各自權(quán)重如何把握，大小又如何衡量？

本文，筆者將給大家分享RFM模型的根底知識，并且手把手教你用BI工具搭建RFM分析模型。

內(nèi)容大綱

1、RFM客戶價值模型簡介

RFM模型為什么能成為客戶價值管理明星模型？

RFM模型能夠解決哪些業(yè)務(wù)問題？

RFM模型應(yīng)用的典型案例

RFM模型能夠應(yīng)用在哪些行業(yè)領(lǐng)和業(yè)務(wù)場景

搭建RFM需要哪些根底數(shù)據(jù)？

2、利用FineBI搭建RFM模型

原始數(shù)據(jù)

RFM分箱

用戶分類

3、RFM模型可視化DashBoard及應(yīng)用

4、RFM模型的擴展

一、RFM客戶價值模型簡介

RFM模型為什么能成為客戶價值管理里的明星模型？

客觀：利用客觀的數(shù)字尺度，對客戶進行簡明而翔實的高水平描述。

簡單：只需要客戶的消費時間和消費金額兩個字段，業(yè)務(wù)人員就可以在不需要信息部門或復(fù)雜軟件的情況下就能有效使用它。

直觀：這種分割辦法的輸出很容易理解和解釋。

RFM模型能夠輕松地解答你業(yè)務(wù)上的這些問題

誰是我最好的客戶？

哪些客戶正處于流失的邊緣？

誰有可能轉(zhuǎn)化為更有利可圖的客戶？

誰是你不需要關(guān)注的無價值客戶？

你必須保存哪些客戶？

誰是你的忠實客戶？

哪些客戶最有可能對當(dāng)前的營銷動作做出回應(yīng)？

RFM模型教給你的那些典型業(yè)務(wù)決策

客戶價值常氣氛下列8類，也有一些業(yè)務(wù)數(shù)據(jù)分析師會將其氣氛4類11類等等。

在實際操作中，可以定義：

R：一段時間內(nèi)，客戶最近一次交易日期，與時間段終點越近越好

F：一段時間內(nèi)，客戶交易的次數(shù)，次數(shù)越多越好

M：一段時間內(nèi)，客戶的交易度量〔如：金額，利潤，利潤率〕，越大越好

首先，選定客戶群體的每個客戶，計算上述三個指標(biāo)的值。其次，從上述結(jié)果可以計算選定客戶群體的三個指標(biāo)的〔算術(shù)〕平均值。

下列，加粗的是更值得我們關(guān)注的客戶群體。

RFM模型能夠應(yīng)用在下列行業(yè)領(lǐng)域和細分場景

互聯(lián)網(wǎng)、零售、電商、銀行、通信、餐飲、交通運輸、保險、證券、采購/供給商評估......

搭建RFM分析模型需要哪些數(shù)據(jù)？

3個數(shù)據(jù)庫的原始字段記錄：客戶名稱/客戶ID、消費時間、消費金額。

進而整理出4個字段：

客戶名稱

近度〔Recency，最近一次消費到當(dāng)前的時間間隔〕

頻度〔Frequency，最近一段時間內(nèi)的消費次數(shù)〕

額度〔Monetory，最近一段時間內(nèi)的消費金額總額/均額〕。

二、利用FineBI搭建RFM模型

RFM搭建的原理很簡單，用Excel就能搭建。但是用Excel需要寫很多函數(shù)和代碼，過程相對復(fù)雜。近幾年，不少數(shù)據(jù)分析師已經(jīng)開始用BI可視化工具來搭建這樣的分析模型。

在這里推薦一個BI工具FineBI。

FineBI是一個能快速洽搭建各種業(yè)務(wù)模型的自助式分析平臺，企業(yè)級商業(yè)分析工具，常用于各種業(yè)務(wù)的數(shù)據(jù)分析。圖表美觀、上手簡單，搭建模型也不需要很專業(yè)的數(shù)據(jù)挖掘技能。可以幫忙業(yè)務(wù)人員用系統(tǒng)化的辦法來規(guī)劃、執(zhí)行、測量和優(yōu)化一個完整的、高度個性化的客戶需求管理方案。

下面用FineBI為工具，手把手教給大家搭建RFM模型的過程。

原始數(shù)據(jù)

如上圖，通過客戶名稱、消費時間、消費金額來處理出上次交易間隔R、交易頻率F、交易金額M三個原始字段。

RFM分箱

給記錄增加R、F、M三個字段，給這三個分級字段設(shè)定打分規(guī)那么，然后分別算出三個字段值的過程，這個過程就叫分箱。

首先是打分級別，即可以把數(shù)據(jù)分成幾層，通常為5的倍數(shù)級別，可以根據(jù)自己客戶體量來調(diào)整；其次是具體打分規(guī)那么，有兩種：

簡單的固定范圍

如果有人在過去24小時內(nèi)購置過，那么將其分配5，在過去3天內(nèi)，對其進行評分4，如果他們在本月內(nèi)購置，那么分配3，過去6個月內(nèi)分配2，其他人為1。范圍的閾值取決于業(yè)務(wù)的性質(zhì)，由你自己定義頻率和貨幣值的范圍，更多的適用于對個人的客戶。但是對于RFM分?jǐn)?shù)的固定周期/范圍計算存在挑戰(zhàn)，因為隨著業(yè)務(wù)的增長，分?jǐn)?shù)范圍可能需要經(jīng)常進行調(diào)整。

按層次分級〔AHQ分級〕

如果數(shù)據(jù)豐滿并且數(shù)據(jù)質(zhì)量不錯的話，更推薦這種分級辦法，即把所有記錄按照從小到大排序，然后按照大小的位置來給分。因為范圍是從數(shù)據(jù)本身中挑選出來的，它們均勻分配客戶并且沒有跨越等級。

這里以簡單的固定范圍為例，來演示下用FineBI給R、F、M值分箱的過程，根本只要鼠標(biāo)點擊就能完成。

用戶分類

各個記錄有了對應(yīng)的R、F、M的值后，接下來需要對各記錄的R、F、M值具體判斷處在所有記錄中的水平上下。

1.計算參考值

要判斷水平上下肯定要有一個判斷規(guī)范，可以是R、F、M的平均值/中位數(shù)/以規(guī)范差校正后的值。這里以平均值為例，同樣地，在FineBI也只要拖拉就可以計算出平均值。

2.和參考值比擬

和計算出的參考值進行比擬，判斷每個客戶的得分是高于平均分還是不高于〔低于等于〕平均分，對應(yīng)賦值為1和0表示。

3.根據(jù)和參考值比擬結(jié)果進行用戶分類

最終根據(jù)上述比擬就會得到8個分類的結(jié)果〔R2種結(jié)果*F2種結(jié)果*M2種結(jié)果=8〕，即按照以下分類規(guī)那么對用戶進行分類。

以重要價值客戶為例，是R、F、M都大于均值的客戶，其它同理。

最終得到下面RFM客戶細分模型結(jié)果。

三、RFM模型可視化DashBoard及應(yīng)用

RFM模型對客戶進行細分的結(jié)果，其實可以開發(fā)出許多可視化數(shù)據(jù)分析模板，譬如圖所示用FineBI構(gòu)建的一張可視化Dashboard。

客戶價值分類〔用的矩形樹圖〕：是整個RFM模型的核心，直觀顯示了8個客戶群的人數(shù)及占比，可以聯(lián)動到其它組件來查看具體某客戶群下的情況。

2.客戶類型人數(shù)〔試管型儀表盤〕：顯示各客戶類型的具體人數(shù)

3.交易金額組成〔最簡單的餅圖〕：由于我們最關(guān)懷的是各客戶群的價值奉獻，所以研究不同人群的交易金額占比，可以得到哪個人群的奉獻值較大，對于我們的價值更大。

4.MF-R分布〔散點圖〕：橫坐標(biāo)為F交易頻率，縱坐標(biāo)為M交易金額，點大小為R上次交易間隔。通過MF分布來直觀看到客戶的消費能力分布，進而通過R的大小來鎖定哪些客戶更為忠誠。

5.RF-M分布〔散點圖〕：橫坐標(biāo)為F交易頻率，縱坐標(biāo)為R上次交易間隔，點大小為M交易金額。通過RF分布來直觀看到客戶的消費異動情況，進而通過M的大小來判斷哪些客戶更有必要挽回。

6.MR-F分布〔散點圖〕：橫坐標(biāo)為M交易金額，縱坐標(biāo)為R上次交易間隔，點大小為F交易頻率。通過MR分布來直觀看到客戶的消費潛能情況，進而通過F的大小來挖掘更有價值的客戶。

7.交易明細〔分組表〕：顯示各客戶類型下的客戶交易明細。

這個DashBoard可以快速鎖定我們關(guān)懷的客戶群體，確定他們的具體特征及名單。最后只要根據(jù)這個分析的結(jié)果來采取針對性的業(yè)務(wù)決策。

具體常用的業(yè)務(wù)決策可以參見上述RFM模型教給你的那些典型業(yè)務(wù)決策。

四、RFM模型的擴展

RFM模型是對客戶細分的直接而強大的辦法。但是，RFM模型只考慮三個具體因素也就意味著該辦法可能會排除同等或更重要的其他變量〔示例購置的產(chǎn)品，之前的活動響應(yīng)，人口統(tǒng)計信息〕。

同時，RFM營銷本質(zhì)上是一種歷史辦法：它研究過去的客戶行為，這些行為可能會或可能不會準(zhǔn)確地說明未來的活動，偏好和反饋。更先進的客戶細分技術(shù)基于數(shù)據(jù)預(yù)測分析技術(shù)，這些技術(shù)在預(yù)測未來客戶行為時往往更為準(zhǔn)確。

RFM是量化客戶行為的簡單框架。許多人已經(jīng)擴展了RFM模型進行了變體：

RFD〔近度，頻度，持續(xù)時間〕-此處所用時間是花費的時間。在分析觀眾/讀者/沖浪導(dǎo)向產(chǎn)品的消費者行為時特別有用。

RFE〔近度，頻度，參與度〕-參與度可以是基于頁面上的時間，每次訪問的頁面，跳出率，社交媒體參與度等綜合價