RFM模型-阿里云开发者社区

RFM模型的內容

根據美國資料庫營銷研究所Arthur Hughes的研究，客戶資料庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：

最近一次消費(Recency)
消費頻率(Frequency)
消費金額(Monetary)

消費頻率

消費頻率是顧客在限定的期間內所購買的次數。我們可以說最常購買的顧客，也是滿意度最高的顧客。如果相信品牌及商店忠誠度的話，最常購買的消費者，忠誠度也就最高。增加顧客購買的次數意味著從競爭對手處偷取市場占有率，由別人的手中賺取營業額。

根據這個指標，我們又把客戶分成五等分，這個五等分分析相當於是一個“忠誠度的階梯”(loyalty ladder)，其訣竅在於讓消費者一直順著階梯往上爬，把銷售想像成是要將兩次購買的顧客往上推成三次購買的顧客，把一次購買者變成兩次的。

消費金額

消費金額是所有資料庫報告的支柱，也可以驗證“帕雷托法則”(Pareto’s Law)——公司80％的收入來自20％的顧客。它顯示出排名前10％的顧客所花費的金額比下一個等級者多出至少2倍，占公司所有營業額的40％以上。如看累計百分比的那一欄，我們會發現有40％的顧客貢獻公司總營業額的80％；而有60％的客戶占營業額的90％以上。最右的一欄顯示每一等分顧客的平均消費，表現最好的 10％的顧客平均花費1195美元，而最差的10％僅有18美元。

如果你的預算不多，而且只能提供服務信息給2000或 3000個顧客，你會將信息郵寄給貢獻40％收入的顧客，還是那些不到1％的顧客？資料庫營銷有時候就是這麼簡單。這樣的營銷所節省下來的成本會很可觀。

結合這三個指標，我們就可以把顧客分成5＊5＊5 = 125類，對其進行數據分析，然後制定我們的營銷策略。

最近一次消費、消費頻率、消費金額是測算消費者價值最重要也是最容易的方法，這充分的表現了這三個指標對營銷活動的指導意義。而其中，最近一次消費是最有力的預測指標。

RFM模型的應用意義

在眾多的客戶關係管理(CRM)的分析模式中，RFM模型是被廣泛提到的。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。該模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。

RFM模型較為動態地層示了一個客戶的全部輪廓，這對個性化的溝通和服務提供了依據，同時，如果與該客戶打交道的時間足夠長，也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值)，通過改善三項指標的狀況，從而為更多的營銷決策提供支持。

在RFM模式中，R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額。一般的分析型CRM著重在對於客戶貢獻度的分析，RFM則強調以客戶的行為來區分客戶。

RFM非常適用於生產多種商品的企業，而且這些商品單價相對不高，如消費品、化妝品、小家電、錄像帶店、超市等；它也適合在一個企業內只有少數耐久商品，但是該商品中有一部分屬於消耗品，如複印機、印表機、汽車維修等消耗品；RFM對於加油站、旅行保險、運輸、快遞、快餐店、KTV、行動電話信用卡、證券公司等也很適合。

RFM可以用來提高客戶的交易次數。業界常用的DM(直接郵寄)，常常一次寄發成千上萬封郵購清單，其實這是很浪費錢的。根據統計(以一般郵購日用品而言)，如果將所有R(Recency)的客戶分為五級，最好的第五級回函率是第四級的三倍，因為這些客戶剛完成交易不久，所以會更註意同一公司的產品信息。如果用M(Monetary)來把客戶分為五級，最好與次好的平均回覆率，幾乎沒有顯著差異。

有些人會用客戶絕對貢獻金額來分析客戶是否流失，但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同，對不同產品的促銷有不同的折扣，所以採用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區間的變動，則更可以顯現出相對行為。企業用R、F的變化，可以推測客戶消費的異動狀況，根據客戶流失的可能性，列出客戶，再從M（消費金額）的角度來分析，就可以把重點放在貢獻度高且流失機會也高的客戶上，重點拜訪或聯繫，以最有效的方式輓回更多的商機。

RFM也不可以用過頭，而造成高交易的客戶不斷收到信函。每一個企業應該設計一個客戶接觸頻率規則，如購買三天或一周內應該發出一個感謝的電話或Email，並主動關心消費者是否有使用方面的問題，一個月後發出使用是否滿意的詢問，而三個月後則提供交叉銷售的建議，並開始註意客戶的流失可能性，不斷地創造主動接觸客戶的機會。這樣一來，客戶再購買的機會也會大幅提高。

企業在推行CRM時，就要根據RFM模型的原理，瞭解客戶差異，並以此為主軸進行企業流程重建，才能創新業績與利潤。否則，將無法在新世紀的市場立足。

RFM模型案例分析

案例一:基於RFM的電信客戶市場細分方法

對於電信企業而言,不同的客戶具有不同的內在價值,企業的首要問題就是採取有效方法對客戶進行分類,發現客戶內在價值的變化規律與分佈特征,並以此制定客戶的差別化服務政策,通過政策的實施將客戶分類的結果作用於企業實踐。

針對電信行業提出一種基於改進RFM模型的客戶分類方法。應用層次分析法來確定RFM模型中每個變數的權重,在此基礎上,應用K均值聚類法來對客戶進行分類,之後分析每一類客戶的行為特征和價值,並且對不同的顧客類別採取不同的策略。

一、電信行業RFM模型。

客戶分類方法主要有基於顧客利潤率的分類和基於指標組合的客戶分類方法[2]。RFM模型經常使用的三個指標是近度(Recency)、頻度(Fre2quency)、值度(Monentary)[3]。以RFM模型為基礎,通過客戶的RFM行為特征衡量分析客戶忠誠度與客戶內在價值.按照傳統的RFM模型,以客戶最後一次購買到當前的時間間隔為近度,則對於每天都在使用電信業務的客戶,其近度為零,不同的客戶區分度很小；如果客戶在一定時期內使用電信業務的次數數量非常大,則客戶的頻度也將是一個很大的數量.因此按照傳統的RFM模型對電信企業客戶進行分析是沒有意義的。從客戶交費角度來考慮電信業客戶的RFM模型,改進後的RFM指標與傳統的RFM指標含義比較如下表所示:

傳統的RFM模型與電信業RFM模型的各指標含義比較

模型	R(近度)	F(頻度)	M(值度)
傳統的RFM模型	客戶最近一次	客戶一定時期	客戶一定時期
	購買距離分析	內購買該企業	內購買該企業
	點的時間	產品的次數	產品的總金額
電信業RFM模型	客戶最後一次	客戶一定時期	客戶一定時期
	交費距離分析	內交費的次數	內的交費總額
	點的時間

以客戶交費的近度、頻度和值度來替代客戶消費的近度、頻度和值度,基於以下幾點考慮:

(1)客戶交費的時間間隔較大,以交費近度替代消費近度,避免了客戶消費的近度難於區分的問題。

(2)客戶交費次數相對較少,可以減少統計客戶消費次數的工作量。

(3)客戶交費額等於客戶消費額.因此,從交費角度構建電信業的RFM模型是可取的。

二、RFM權重分析

對RFM各變數的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而並沒有給予不同的劃分。而Stone,Bob通過對信用卡實證分析,認為各個指標的權重並不相同,應該給予頻度最高,近度次之,值度最低的權重[4]。

認為針對不同的行業甚至不同的公司,頻度、近度、值度的權重均存在一定差異,因此需要採用科學的方法進行分析.對此,以層次分析法為支撐,結合專家咨詢方式來解決指標權重的確定問題。

研究邀請了被研究的某電信企業的兩位地區經理、兩位市場營銷人員和一位長期客戶應用文獻[5]的標度含義對RFM各指標權重進行比較分析。在分別得到五位評價者的兩兩比較矩陣後,採取取平均的方法得到下表的評價矩陣。

評價矩陣

	R	F	M
R	1	0.71	0.46
F	1.41	1	0.85
M	2.18	1.18	1

上表所示的兩兩比較矩陣的一致性比例C。

$R < 0.1$ ,表明該判斷矩陣的一致性可以接受。由上表得出RFM各指標相對權重為[ $W F$ , $W R$ , $W M$ ]=[0.221,0.341,0.439]。其中M的權重最大,即專家們認為客戶交費金額的高低是影響顧客價值高低的最主要因素。

三、客戶分類

1.基於K-均值聚類法的客戶分類過程應用K-均值聚類法[6],,以加權RFM為指標,將具有相近的顧客終身價值的客戶進行分類,基本思路如下:

(1)應用AHP法確定RFM各個指標的權重,並將各個指標加權。

(2)將RFM各指標標準化。

(3)確定聚類的類別數量m。

(4)應用K-均值聚類法對加權後的指標進行聚類,得到m類客戶。

(5)將每類客戶的RFM平均值和總RFM平均值作比較,每次對比有兩個結果:大於(等於)平均值和小於平均值,通過對比得到每類客戶RFM的變動情況。

(6)根據每個客戶類別的RFM的變動情況分析該客戶類別的性質,如該客戶類別是傾向於忠誠的還是傾向於背離的,然後在此基礎上定義客戶類型。

(7)對每類客戶標準化後的各個指標取平均,將平均值加權求和,得到每類客戶的顧客終身價值總得分,分析各類顧客終身價值的差別。

2.顧客類型識別分析

從某市通信公司2004年所有的電信客戶記錄中隨機抽取了1026名客戶的記錄進行分析,數據的描述性統計見下表

數據描述

指標	最小值	最大值	平均值	標準差
近度	2	128	60.07	20.191
頻度	0	13	5.98	1.861
值度	54.43	1499.17	704.7467	216.22068

由於RFM數據的量綱各不相同,數據的取值也存在很大的差異.為了消除分佈差異較大和量綱不同的影響,在對各個指標進行加權之前,需要考慮對數據進行標準化處理.由於F,M指標對顧客價值存在正相關的影響,因此其標準化調整通過 $x^\prime=(x-x^s)/(x^s-x^l)$ 進行。其中， $x^\prime$ 為標準化後的值，x為原值, $x s$ 為該指標最小值， $x l$ 為該指標最大值。R對顧客價值存在負相關關係,因此其標準化調整公式為 $x^\prime=(x^l-x)/(x^s-x^l)$ 。

使用K-均值聚類法時,需要預先判斷其聚類的類別數。在模型中客戶分類通過每個顧客類別RFM平均值與總RFM平均值相比較來決定的,而單個指標的比較只能有兩種情況:大於(等於)或小於平均值,因此可能有 $2\times2\times2=8$ 種類別。

標準化和確定聚類類別數後,進行聚類分析,得到8類客戶.將8類客戶的RFM平均值與總RFM均值比較.如果單個客戶類別的均值大於總均值,則給該指標一個向上的箭頭：“ $\uparrow$ ”標記,反之則用“ $\downarrow$ ”,如下表所示

通過RFM分析將企業的客戶群體劃分成重要保持客戶、重要發展客戶、重要輓留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別,各客戶簇的客戶級別如表4所示.客戶分級不僅揭示了客戶在級別上的差異,而且反映了客戶在行為上的特性和變化傾向。電信企業通過RFM分析可將現有顧客劃分為不同的客戶等級,針對不同等級的客戶,採取不同的管理策略.但是,這種分類只是確定了客戶的等級,卻沒有各類客戶之間的一個量化的價值比較,因而對各類客戶做相應的終身價值分析是非常有必要的。

3.客戶終身價值比較分析。

表4將客戶簇1和簇3同分為重要保持客戶,將客戶簇5和簇8同分為一般客戶,這樣難以對對這兩組客戶簇進行細分.此外,客戶分類後,並不知道每一類客戶的價值差別有多大,相對企業的重要性怎樣.利用AHP法分析得到的RFM各指標權重,結合各類顧客的RFM指標,根據每一類客戶的顧客終身價值得分來進行排序.標準化後的各個指標平均值如表5的 $C^j_R$ , $C^j_F$ , $C^j_M$ ,其中 $j=1 \ldots m$ 表示聚類後的類別。 $C^j_R$ , $C^j_F$ , $C^j_M$ 第j類客戶的R,F,M各個指標標準化後的平均值， $C^j_I$ 是第j類客戶的RFM各項指標加權後的總得分,運算公式為。

$C^j_I=W_RC^j_R+W_FC^j_F+W_MC^j_M$ 。

其中, $W R$ 、 $W F$ 、 $W M$ 分別為由AHP分析得來的R、F、M指標的權重最後,根據總得分的大小來對各類客戶來進行排序(見表4).　　排名靠前的客戶相對排名靠後的客戶具有更高的顧客終身價值,忠誠度更高,對於企業來說更為重要.表5顯示,客戶簇3總得分最高,因此簇3的客戶是企業最有價值的客戶,而簇6客戶總得分最後,因此可以認為簇6客戶的價值最低.此外,對於處於同等級的客戶簇1和簇3,簇5和蹴8進行了細分.從表5中還可以看出,簇3比簇1的價值大,簇5比簇8的價值大.此外,通過比較各簇的總得分,還可以比較各客戶簇的價值.如簇3的價值是簇6價值的0.5693/0.3284=1.73倍。

標準化的RFM加權分類

客戶	$C^j_R$	$C^j_F$	$C^j_M$	$C^j_I$	CLV
類別	(近度)	頻度	值度(元)	總得分	排序
1	0.6038	0.5124	0.5727	0.5596	2
2	0.6804	0.3445	0.4413	0.4618	4
3	0.5029	0.7056	0.4955	0.5693	1
4	0.5815	0.5534	0.2767	0.4387	5
5	0.3360	0.5187	0.4079	0.4302	6
6	0.4261	0.3356	0.2728	0.3284	8
7	0.3625	0.4821	0.6574	0.5331	3
8	0.4359	0.3117	0.5174	0.4298	7

註： $C^j_I=W_RC^j_R+W_FC^j_F+W_MC^j_M(W_R=0.221,W_F=0.341,W_M=0.439)$ 。

在進行客戶分類後再對客戶的類別進行顧客終身價值排序,使得企業能夠量化各類客戶的價值的差別,彌補了的客戶分類方法的不足。這有助於企業制定更為可行的客戶政策。由於受到成本的制約,電信企業不可能採取無差別的個性化服務,企業只能將資源集中在少數幾類對企業重要的客戶上.按照總得分的排列情況,企業應該優先將資源投放到總得分較高的客戶身上。