RFM 三要素的 CRM 三維分析法
如何區分出頂級顧客、可以根據不同分析手法來對顧客加以排名，首先是
RFM(或
RFS)分析。在業界從一開始做顧客管理就普遍被採用的分析方法，分別是按顧客的最近購買日
(Recency)，來店頻度
(Frequency)、購買金額
(Monetary)加以區分，分出不同等級作為活動指標以採取不同而俱體促銷行動計劃。
根據
RFM分出排名可分析出優良顧客、不滿顧客、不信認顧客、其他店顧客、不關心顧客
…等分類，有分類所進行的促銷活動才能效率化進行促銷。亦可加入品牌分類
(Category)則為
RFMC分析、若要評估公司的銷售商品則可以考慮加入商品
(Item)稱為
MRFI分析，以使本公司的營業和商品戰略。
前面所提的項目
(R.F.M.C.I…)，都可以依公司的業種的不同考量，而以單維分析或複數的要素進行分析。例如這些要素當中，決定採用
“頻度
=F”進行顧客等級的重點考慮是以實用性商品為主的業種如超市、實用衣物日用品商店。
“金額
=F”要素的顧客分級則為則以耐用性商品、家電、貴重金屬、興趣嗜好商品的業種為主。同樣為時尚流行的專賣店則會因實用平價路線與高單價的品牌專賣店分析觀點會有不同。另一方面，由複數賣場所構成的百貨公司、購物中心、量販店等則因樓層別重視角度不同而設的分析要素和級距也不同。
在實際進行資料分析時，金額大小的比較也會因季
/月間的營業日數、休例假日數影響銷售金額，所以有必要調整比較的絕對額才會正確，如今年的春節與去年的春節日期，年假長度等等都應對等比較。受到家庭人口數影嚮購買金額的超市的場合，也有必要另外考量。無法以單一指標分析顧客等級的場合，可以依據
R、
F、
M各要素的重要度配合自己公司有意義的顧客排名方式單維或組合矩陣來呈現分析。
關於
RFM各自有的意義，以實際的數字為基礎試著考慮
RFM的排位做出如下級距設定：
|
|
R
|
F
|
M
|
|
級距
|
最近購買
|
購買次數
|
購買金額
|
|
7
|
7日以內
|
7日以上
|
100,000～
|
|
6
|
14日以內
|
6日以上
|
50,000～
|
|
5
|
30日以內
|
5日以上
|
10,000～
|
|
4
|
60日以內
|
4日以上
|
5,000～
|
|
3
|
90日以內
|
3日以上
|
1,000～
|
|
2
|
180日以內
|
2日以上
|
500～
|
|
1
|
365日以內
|
1日以上
|
1～
|
定義顧客分析排名等級的第一步：定義 R.F.M 級距。
在程式中定義好要設的 RFM 三要素的級距。
1. 透過
R.F.M三要素的級距設定，可最多設定各
7個級距，以細分出不同的等級
(Rank)。
2. 若要再予以群組化7個等級，可再以群組(Group)各要素的級距成3個群組，目的當然是為了進行較粗的分類來分析廣域的顧客。
|
RFM分析表 (由寄發DM看回購人數的回應率分析)
|
|||||
|
RFM Cell Code
|
寄件人數
|
購買人數
|
DM回應率%
|
購買金額
|
客單價
|
|
777
|
5,549
|
2,995
|
54.0%
|
16,912,282
|
5,647
|
|
776
|
5,552
|
1,918
|
34.5%
|
4,294,728
|
2,239
|
|
775
|
154
|
22
|
14.3%
|
25,386
|
1,154
|
|
774
|
8
|
2
|
25.0%
|
50
|
25
|
|
767
|
44
|
4
|
9.1%
|
114,095
|
28,524
|
|
766
|
185
|
29
|
15.7%
|
94,586
|
3,262
|
|
765
|
29
|
1
|
3.4%
|
160
|
160
|
|
764
|
4
|
1
|
25.0%
|
594
|
594
|
|
757
|
44
|
4
|
9.1%
|
10,959
|
2,740
|
|
756
|
153
|
24
|
15.7%
|
117,139
|
4,881
|
|
755
|
27
|
1
|
3.7%
|
184
|
184
|
|
754
|
2
|
0
|
0.0%
|
0
|
0
|
|
747
|
28
|
5
|
17.9%
|
8,998
|
1,800
|
|
746
|
113
|
20
|
17.7%
|
118,065
|
5,903
|
|
745
|
37
|
3
|
8.1%
|
15,347
|
5,116
|
|
744
|
4
|
0
|
0.0%
|
0
|
0
|
|
737
|
7
|
1
|
14.3%
|
200
|
200
|
|
736
|
74
|
5
|
6.8%
|
19,070
|
3,814
|
|
735
|
42
|
1
|
2.4%
|
13,159
|
13,159
|
|
734
|
4
|
0
|
0.0%
|
0
|
0
|
|
727
|
5
|
0
|
0.0%
|
0
|
0
|
|
726
|
47
|
1
|
2.1%
|
35,688
|
35,688
|
|
725
|
18
|
1
|
5.6%
|
4,547
|
4,547
|
由顧客購買的履歷中，將顧客的購買數據依RFM三要素的級距，找出顧客應歸屬的等級(Rank)加以分析，就是所謂 RFM CELL 分析法。
認為在RFM的各項要素中最高排位的777顧客是最好的顧客。對於111級的顧客，要考慮是不是要將其納入為顧客。例如，若對111的顧客持續郵寄 DM 是實上，可以預期日後這些群顧客也不會來購買,所寄的DM則是一種資源浪費。
不過，浪費DM資源而不善用RFM分析的企業確實仍是很多。首先，試著看RFM的各排位的顧客構成比。很明顯，R的7～1人數級距的分佈平衡，與F和M的級距分佈平衡不同，這是因為F和M的數字是累積的， R是指單次的反而愈接近最高排位7附近數值愈顯得相對低。
由下面簡單的表示，是RFM 模型(RFM Model)的顧客的基礎等份法則：
通常RFM三要素都高的顧客對DM的回應率會較高，但問題在中間的顧客如何思考? 譬如試著檢視711排位的顧客，這個排位的顧客雖然說到昨天為止最近有來購買、不過購買頻度很低、購買的金額也少。從相同的條件考慮這些情況，今後在F和M上考量顧客的可能性時，頻繁地購買、購買力低的771顧客說不定有比711的顧客有購買潛力。
其他，以333和234等各種各樣的數值顧客也能分類，從 RFM的數字來看，是不是可能會成為將來對本公司的收益作出貢獻的顧客? 或者不會成為那樣的優良顧客，應該要能在某種程度上做出判斷。並且重要的是，可以發現很可能成為好顧客的排位接近777，是能在將來為公司的收益做出重大貢獻的顧客。
…………. 摘自 < CRM搞懂顧客關係 >
