RFM模型的内容
依据美国报告库营销研究所Arthur Hughes的研究，客户报告库中有三个神奇的要素，这三个要素组成了报告分析最好的指标：
近期一次消费(Recency)消费频率(Frequency)消费金额(Monetary) 近期一次消费
近期一次消费意指上一次买入的时机——顾客上一次是几时来店里、上一次依据哪本邮购目录买入东西、何时买的车，或在你的超市买早餐近期的一次是何时。
理论上，上一次消费时间越近的顾客应当是比较好的顾客，对供应即时的商品或是服务也最有机会会有反映。营销人士若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而假使要紧密地注意消费者的买入举动，那么近期的一次消费就是营销人士第一个要利用的工具。历史表明，假使我们能让消费者买入，他们就会连续买入。这也就是为何，0到6个月的顾客收到营销人士的沟通信息多于31到36个月的顾客。
|
近期一次消费的过程是连续变动的。在顾客距上一次买入时间满一个月之后，在报告库里就形成近期一次消费为两个月的客户。反之，同一天，近期一次消费为3个月前的客户作了其下一次的买入，他就形成近期一次消费为一天前的顾客，也就有机会在很短的阶段内就收到新的折价信息。
近期一次消费的功能不仅在于供应的促销信息而已，营销人士的近期一次消费数据可以监督事业的健全度。优秀的营销人士会定期查看近期一次消费分析，以掌握趋势。月数据假使表明上一次买入很近的客户，(近期一次消费为1个月)人数如增长，则表明该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司走向不健全之路的征兆。
近期一次消费数据是维系顾客的一个重要指标。近期才买你的商品、服务或是光顾你商店的消费者，是最有机会再向你买入东西的顾客。再则，要吸引一个几个月前才上门的顾客买入，比吸引一个一年多以前来过的顾客要容易得多。营销人士如接受该种强有力的营销哲学——与顾客建立长期的关系而不仅是卖东西，会使顾客连续维持往来，并赢得他们的忠诚度。
消费频率
消费频率是顾客在限定的阶段内所买入的次数。我们可以说最常买入的顾客，也是满意度最高的顾客。假使相信品牌及商店忠诚度的话，最常买入的消费者，忠诚度也就最高。增长顾客买入的次数代表着从竞争对手处偷取市场占有率，由别人的手中赚取运营额。
依据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，其诀窍在于让消费者一直顺着阶梯向上爬，把销售想像成是要将两次买入的顾客向上推成三次买入的顾客，把一次买入者变成两次的。
消费金额
消费金额是所有报告库数据的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80％的收入来从20％的顾客。它表明出排名前10％的顾客所花费的金额比下一个等级者超出起码2倍，占公司所有运营额的40％以上。如看总计百分比的那一栏，我们会发现有40％的顾客贡献公司总运营额的80％；而有60％的客户占运营额的90％以上。最右的一栏表明每一等分顾客的平均消费，表现最好的 10％的顾客平均花费1195美元，而最差的10％只有18美元 。
假使你的预算不多，而且只能供应服务信息给2000或 3000个顾客，你会将信息邮寄给贡献40％收入的顾客，依旧那些不足1％的顾客？报告库营销有时候就是这么简单。如此的营销所节省下来的成本会很可观 。
结合这三个指标，我们就可以把顾客分成5＊5＊5 = 125类，对其执行报告分析，然后策划我们的营销策略。
近期一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的状况了这三个指标对营销活动的指导意义。而其中，近期一次消费是最有力的预期指标。
RFM模型的应用意义
在大量的客户关系管理(CRM)的分析模式中，RFM模型是被普遍提及的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的最近买入举动、买入的总的频率以及花了多少钱三项指标来描述该客户的价值情况。
RFM模型较为动态地层示了一个客户的全部轮廓，这对个性化的沟通和服务给予了根据，同期，假使与该客户打交道的时间充足长，也能够较为精确地分析该客户的长期价值(甚至是终身价值)，通过改观三项指标的情况，进而为许多的营销决策供应支持。
在RFM模式中，R(Recency)表明客户近期一次买入的时间有多远，F(Frequency)表明客户在近期一段时期内买入的次数，M (Monetary)表明客户在近期一段时期内买入的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的举动来区分客户。
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、旅游保险、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可以用来提升客户的交易次数。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。依据统计(以一般邮购日用品来说)，假使将所有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，由于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。假使用M(Monetary)来把客户分为五级，最好与次好的平均回复率，差不多没有明显差异。
有些人会用客户绝对贡献金额来分析客户能否流失，但是绝对金额有时会曲解客户举动。由于每个商品价格或许不同，对不同产品的促销有不同的折扣，所以采取相对的分级(比如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举动。企业用R、F的改变，可以推测客户消费的异动情况，依据客户流失的机会性，列出客户，再从M（消费金额）的角度来分析，就可以把着重放在贡献度高且流失机会也高的客户上，着重拜访或联系，以最有效的方式挽回许多的商机。
RFM也不可以用过头，而产生高交易的客户持续收到信函。每一个企业应当设计一个客户接触频率规则，如买入三天或一周内应当发出一个感激的电话或Email，并主动关心消费者能否有运用方面的困难，一个月后发出运用能否满意的询问，而三个月后则供应交叉销售的建议，并开始注意客户的流失机会，持续地创造主动接触客户的可能。如此一来，客户再买入的可能也会大幅提升。
企业在推行CRM时，就要依据RFM模型的原理，了解客户差异，并以此为主轴执行企业流程重建，才可创新业绩与利润。否则，将无法在新世纪的市场立足。
RFM模型案例分析 ">编辑] 案例一:基于RFM的电信客户市场细分方法
对于电信企业来说,不同的客户具有不同的内在价值,企业的首要困难就是采取有效方法对客户执行分类,发现客户内在价值的改变规律与分布特质,并以此策划客户的差别化服务政策,通过政策的实行将客户分类的结果作用于企业实践。
针对电信行业提出一种基于改进RFM模型的客户分类方法。应用层次分析法来确定RFM模型中每个变量的权重,在此基础上,应用K均值聚类法来对客户执行分类,之后分析每一类客户的举动特质和价值,而且对不同的顾客类别采取不同的策略。
一、电信行业RFM模型。
客户分类方法首要有基于顾客利润率的分类和基于指标组合的客户分类方法。RFM模型经常运用的三个指标是近度(Recency)、频度(Fre2quency)、值度(Monentary)。以RFM模型为基础,通过客户的RFM举动特质衡量分析客户忠诚度与客户内在价值.依照传统的RFM模型,以客户最后一次买入到目前的时间间隔为近度,则对于每天都在运用电信业务的客户,其近度为零,不同的客户区分度很小；假使客户在一定期间内运用电信业务的次数数量非常大,则客户的频度也会是一个很大的数量.所以依照传统的RFM模型对电信企业客户执行分析是没故意义的。从客户交费角度来考虑电信业客户的RFM模型,改进后的RFM指标与传统的RFM指标含义比较如下表所示:
传统的RFM模型与电信业RFM模型的各指标含义比较
以客户交费的近度、频度和值度来替代客户消费的近度、频度和值度,基于下方几点考虑:
(1)客户交费的时间间隔较大,以交费近度替代消费近度,避免了客户消费的近度难于区分的困难。
(2)客户交费次数相对较少,可以降低统计客户消费次数的工作量。
(3)客户交费额等于客户消费额.所以,从交费角度构建电信业的RFM模型是可取的。
二、RFM权重分析
对RFM各变量的指标权重困难,Hughes,Arthur觉得RFM在衡量一个困难上的权重是统一的,因此并没有予以不同的划分。而Stone,Bob通过对信用卡实证分析,觉得各个指标的权重并没有相同,应当予以频度最高,近度次之,值度最低的权重。
觉得针对不同的行业甚至不同的公司,频度、近度、值度的权重均存在一定差异,所以需要采取科学的方法执行分析.对此,以层次分析法为支撑,结合专家咨询方式来处理指标权重的确定困难。
研究邀请了被研究的某电信企业的两名地区经理、两名市场营销人士和一名长期客户应用文献的标度含义对RFM各指标权重执行比较分析。在分别得到五名评价者的两两比较矩阵后,采取取平均的方法得到下表的评价矩阵。
评价矩阵
上表所示的两两比较矩阵的统一性比例C。
R < 0.1,显示该分析矩阵的统一性可以接受。由上表得出RFM各指标相对权重为=。其中M的权重最大,即分析师们觉得客户交费金额的高低是影响顾客价值高低的最首要原因。
三、客户分类
1.基于K-均值聚类法的客户分类过程应用K-均值聚类法,,以加权RFM为指标,将具有相近的顾客终身价值的客户执行分类,基本思路如下:
(1)应用AHP法确定RFM各个指标的权重,并将各个指标加权。
(2)将RFM各指标标准化。
(3)确定聚类的类别数量m。
(4)应用K-均值聚类法对加权后的指标执行聚类,得到m类客户。
(5)将每类客户的RFM平均值和总RFM平均值作比较,每次对比有两个结果:大于(等于)平均值和差于平均值,通过对比得到每类客户RFM的变动情形。
(6)依据每个客户类别的RFM的变动情形分析该客户类别的性质,如该客户类别是看好于忠诚的依旧看好于背离的,然后在此基础上定义客户类型。
(7)对每类客户标准化后的各个指标取平均,将平均值加权求和,得到每类客户的顾客终身价值总得分,分析各种顾客终身价值的差别。
2.顾客类型识别分析
从某市通信公司2004年所有的电信客户记录中随机抽取了1026位客户的记录执行分析,报告的描述性统计见下表
报告描述
受于RFM报告的量纲各不相同,报告的取值也存在很大的差异.为了清除分布差异较大和量纲不同的影响,在对各个指标执行加权以前,需要考虑对报告执行标准化处理.受于F,M指标对顾客价值存在正有关的影响,所以其标准化调整通过
执行。其中，
为标准化后的值，x为原值,
xs为该指标最小值，
xl为该指标最大值。R对顾客价值存在负有关关系,所以其标准化调整公式为
。
运用K-均值聚类法时,需要预先分析其聚类的类别数。在模型中客户分类通过每个顾客类别RFM平均值与总RFM平均值对比较来决定的,而单个指标的比较只能有两种情形:大于(等于)或差于平均值,所以或许有
种类别。
标准化和确定聚类类别数后,执行聚类分析,得到8类客户.将8类客户的RFM平均值与总RFM均值比较.假使单个客户类别的均值大于总均值,则给该指标一个往上的箭头：“
”标记,反之则用“
”,如下表所示
通过RFM分析将企业的客户群体划分成重要维持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别,各客户簇的客户级别如表4所示.客户分级不仅揭示了客户在级别上的差异,而且反应了客户在举动上的特性和改变倾向。电信企业通过RFM分析可将现有顾客划分为不同的客户等级,针对不同等级的客户,采取不同的管理策略.但是,该种分类导致确定了客户的等级,却没有各种客户之间的一个量化的价值比较,因此对各种客户做相应的终身价值分析是非常有必要的。
3.客户终身价值比较分析。
表4将客户簇1和簇3同分为重要维持客户,将客户簇5和簇8同分为一般客户,如此很难对对这两组客户簇执行细分.另外,客户分类后,并没有知道每一类客户的价值差别有多大,相对企业的重要性怎样.利用AHP法分析得到的RFM各指标权重,结合各种顾客的RFM指标,依据每一类客户的顾客终身价值得分来执行排序.标准化后的各个指标平均值如表5的
,
,
,其中
表明聚类后的类别。
,
,
第j类客户的R,F,M各个指标标准化后的平均值，
是第j类客户的RFM各类指标加权后的总得分,运算公式为。
。
其中,W_R、W_F、W_M分别为由AHP分析得来的R、F、M指标的权重最后,依据总得分的大小来对各种客户来执行排序(见表4).排名靠前的客户相对排名靠后的客户具有更高的顾客终身价值,忠诚度更高,对于企业来看更为重要.表5表明,客户簇3总得分最高,所以簇3的客户是企业最有价值的客户,而簇6客户总得分最后,所以可以觉得簇6客户的价值最低.另外,对于处在同等级的客户簇1和簇3,簇5和蹴8执行了细分.从表5中还可以看出,簇3比簇1的价值大,簇5比簇8的价值大.另外,通过比较各簇的总得分,还可以比较各客户簇的价值.如簇3的价值是簇6价值的0.5693/0.3284=1.73倍。
标准化的RFM加权分类
注：
。
在执行客户分类后再对客户的类别执行顾客终身价值排序,致使企业能够量化各种客户的价值的差别,弥补了的客户分类方法的不足。这有利于企业策划更为可行的客户政策。受于承受成本的制衡,电信企业不或许采取无差别的个性化服务,企业只能将资源汇聚在少数几类对企业重要的客户上.依照总得分的排列情形,企业应当优先将资源投放到总得分较高的客户身上。
参考文献
↑ 林盛,肖旭.基于RFM的电信客户市场细分方法.哈尔滨工业大学学报,2006,(05)
↑ 陈伯成,梁冰,周越博,等.自组织映射神经网络(SOM)在客户分类中的一种应用.系统工程理论与实践,2004(3):7-14
↑ Stone,Bob.Successful Direct Marketing Methods.Linco lnwood:NTC Bussiness Books,1994
↑ 连惟谦.应用资料分析技术执行顾客流失与顾客价值之研究.台湾:中原大学.2004
↑ 吴育华,杜纲.管理科学基础.天津:天津大学出版社.2001.222-228
↑ 张文彤,董伟.SPSS统计分析高级教程.北京:高等教育出版社,2004.247-248
