RFM模型

出自 MBA智库百科(http://wiki.mbalib.com/)

目录

RFM模型的内容

  根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标

  • 最近一次消费(Recency)
  • 消费频率(Frequency)
  • 消费金额(Monetary)

最近一次消费

  最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车,或在你的超市买早餐最近的一次是什么时候。

  理论上,上一次消费时间越近的顾客应该是比较好的顾客,对提供即时的商品或是服务也最有可能会有反应。营销人员若想业绩有所成长,只能靠偷取竞争对手的市场占有率,而如果要密切地注意消费者购买行为,那么最近的一次消费就是营销人员第一个要利用的工具。历史显示,如果我们能让消费者购买,他们就会持续购买。这也就是为什么,0至6个月的顾客收到营销人员的沟通信息多于31至36个月的顾客

咨询工具
安索夫矩阵
案例面试分
析工具/框架
ADL矩阵
安迪·格鲁夫的
六力分析模型
波士顿矩阵
标杆分析法
波特五力分析
模型
波特价值链
分析模型
波士顿经验曲线
波特钻石理论模型
贝恩利润池
分析工具
波特竞争战略
轮盘模型
波特行业竞争结构
分析模型
波特的行业组织
模型
变革五因素
BCG三四规则矩阵
产品/市场演变
矩阵
差距分析
策略资讯系统
策略方格模型
CSP模型
创新动力模型
定量战略计划矩阵
大战略矩阵
多点竞争战略
杜邦分析法
定向政策矩阵
德鲁克七种
革新来源
二元核心模式
服务金三角
福克纳和鲍曼的
顾客矩阵
福克纳和鲍曼的
生产者矩阵
FRICT筹资分析法
GE矩阵
盖洛普路径
公司层战略框架
高级SWOT分析法
股东价值分析
供应和需求模型
关键成功因素
分析法
岗位价值评估
规划企业愿景的
方法论框架
核心竞争力分析
模型
华信惠悦人力
资本指数
核心竞争力识别
工具
环境不确定性分析
行业内的战略群体
分析矩阵
横向价值链分析
行业内战略集团
分析
IT附加价值矩阵
竞争态势矩阵
基本竞争战略
竞争战略三角模型
竞争对手分析论纲
价值网模型
绩效棱柱模型
价格敏感性测试法
竞争对手的成本分析
竞争优势因果关系
模式
竞争对手分析工具
价值链分析方法
脚本法
竞争资源四层次模型
价值链信息化管理
KJ法
卡片式智力激励法
KT决策法
扩张方法矩阵
利益相关者分析
雷达图分析法
卢因的力场分析法
六顶思考帽
利润库分析法
流程分析模型
麦肯锡7S模型
麦肯锡七步分析法
麦肯锡三层面理论
麦肯锡逻辑树分析法
麦肯锡七步成诗法
麦肯锡客户盈利性
矩阵
麦肯锡5Cs模型
内部外部矩阵
内部因素评价矩阵
诺兰的阶段模型
牛皮纸法
内部价值链分析
NMN矩阵分析模型
PEST分析模型
PAEI管理角色模型
PIMS分析
佩罗的技术分类
PESTEL分析模型
企业素质与活力分析
QFD法
企业价值关联分析
模型
企业竞争力九力分析
模型
企业战略五要素分析法
人力资源成熟度模型
人力资源经济分析
RATER指数
RFM模型
瑞定的学习模型
GREP模型
人才模型
ROS/RMS矩阵
3C战略三角模型
SWOT分析模型
四链模型
SERVQUAL模型
SIPOC模型
SCOR模型
三维商业定义
虚拟价值链
SFO模型
SCP分析模型
汤姆森和斯特克兰
方法
V矩阵
陀螺模型
外部因素评价矩阵
威胁分析矩阵
新7S原则
行为锚定等级评价法
新波士顿矩阵
系统分析方法
系统逻辑分析方法
实体价值链
信息价值链模型
战略实施模型
战略钟模型
战略地位与行动
评价矩阵
战略地图
组织成长阶段模型
战略选择矩阵
专利分析法
管理要素分析模型
战略群模型
综合战略理论
纵向价值链分析
重要性-迫切性模型
知识链模型
知识价值链模型
知识供应链模型
组织结构模型
[编辑]

  最近一次消费的过程是持续变动的。在顾客距上一次购买时间满一个月之后,在数据库里就成为最近一次消费为两个月的客户。反之,同一天,最近一次消费为3个月前的客户作了其下一次的购买,他就成为最近一次消费为一天前的顾客,也就有可能在很短的期间内就收到新的折价信息。

  最近一次消费的功能不仅在于提供的促销信息而已,营销人员的最近一次消费报告可以监督事业的健全度。优秀的营销人员会定期查看最近一次消费分析,以掌握趋势。月报告如果显示上一次购买很近的客户,(最近一次消费为1个月)人数如增加,则表示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,则是该公司迈向不健全之路的征兆。

  最近一次消费报告是维系顾客的一个重要指标。最近才买你的商品、服务或是光顾你商店的消费者,是最有可能再向你购买东西的顾客。再则,要吸引一个几个月前才上门的顾客购买,比吸引一个一年多以前来过的顾客要容易得多。营销人员如接受这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,会让顾客持续保持往来,并赢得他们的忠诚度。

消费频率

  消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客,也是满意度最高的顾客。如果相信品牌及商店忠诚度的话,最常购买的消费者,忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率,由别人的手中赚取营业额

  根据这个指标,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往上爬,把销售想像成是要将两次购买的顾客往上推成三次购买的顾客,把一次购买者变成两次的。

消费金额

  消费金额是所有数据库报告的支柱,也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。它显示出排名前10%的顾客所花费的金额比下一个等级者多出至少2倍,占公司所有营业额的40%以上。如看累计百分比的那一栏,我们会发现有40%的顾客贡献公司总营业额的80%;而有60%的客户占营业额的90%以上。最右的一栏显示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%仅有18美元

  如果你的预算不多,而且只能提供服务信息给2000或 3000个顾客,你会将信息邮寄给贡献40%收入的顾客,还是那些不到1%的顾客?数据库营销有时候就是这么简单。这样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,对其进行数据分析,然后制定我们的营销策略。

  最近一次消费、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,这充分的表现了这三个指标对营销活动的指导意义。而其中,最近一次消费是最有力的预测指标。

RFM模型的应用意义

  在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的。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近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。

  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提供了依据,同时,如果与该客户打交道的时间足够长,也能够较为精确地判断该客户的长期价值(甚至是终身价值),通过改善三项指标的状况,从而为更多的营销决策提供支持。

  在RFM模式中,R(Recency)表示客户最近一次购买的时间有多远,F(Frequency)表示客户在最近一段时间内购买的次数,M (Monetary)表示客户在最近一段时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。

  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、旅行保险、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可以用来提高客户的交易次数。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。根据统计(以一般邮购日用品而言),如果将所有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,因为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。如果用M(Monetary)来把客户分为五级,最好与次好的平均回复率,几乎没有显著差异。

  有些人会用客户绝对贡献金额来分析客户是否流失,但是绝对金额有时会曲解客户行为。因为每个商品价格可能不同,对不同产品的促销有不同的折扣,所以采用相对的分级(例如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行为。企业用R、F的变化,可以推测客户消费的异动状况,根据客户流失的可能性,列出客户,再从M(消费金额)的角度来分析,就可以把重点放在贡献度高且流失机会也高的客户上,重点拜访或联系,以最有效的方式挽回更多的商机。

  RFM也不可以用过头,而造成高交易的客户不断收到信函。每一个企业应该设计一个客户接触频率规则,如购买三天或一周内应该发出一个感谢的电话或Email,并主动关心消费者是否有使用方面的问题,一个月后发出使用是否满意的询问,而三个月后则提供交叉销售的建议,并开始注意客户的流失可能性,不断地创造主动接触客户的机会。这样一来,客户再购买的机会也会大幅提高。

  企业在推行CRM时,就要根据RFM模型的原理,了解客户差异,并以此为主轴进行企业流程重建,才能创新业绩与利润。否则,将无法在新世纪的市场立足。

RFM模型案例分析

案例一:基于RFM的电信客户市场细分方法[1]

  对于电信企业而言,不同的客户具有不同的内在价值,企业的首要问题就是采取有效方法对客户进行分类,发现客户内在价值的变化规律与分布特征,并以此制定客户的差别化服务政策,通过政策的实施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进行分类,之后分析每一类客户的行为特征和价值,并且对不同的顾客类别采取不同的策略。

   一、电信行业RFM模型。

  客户分类方法主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[2]。RFM模型经常使用的三个指标是近度(Recency)、频度(Fre2quency)、值度(Monentary)[3]。以RFM模型为基础,通过客户的RFM行为特征衡量分析客户忠诚度与客户内在价值.按照传统的RFM模型,以客户最后一次购买到当前的时间间隔为近度,则对于每天都在使用电信业务的客户,其近度为零,不同的客户区分度很小;如果客户在一定时期内使用电信业务的次数数量非常大,则客户的频度也将是一个很大的数量.因此按照传统的RFM模型对电信企业客户进行分析是没有意义的。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

模型R(近度)F(频度)M(值度)
传统的RFM模型客户最近一次客户一定时期客户一定时期
购买距离分析内购买该企业内购买该企业
点的时间产品的次数产品的总金额
电信业RFM模型客户最后一次客户一定时期客户一定时期
交费距离分析内交费的次数内的交费总额
点的时间


  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,基于以下几点考虑:

  (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问题。

  (2)客户交费次数相对较少,可以减少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.因此,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各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。而Stone,Bob通过对信用卡实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重[4]

  认为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,因此需要采用科学的方法进行分析.对此,以层次分析法为支撑,结合专家咨询方式来解决指标权重的确定问题。

  研究邀请了被研究的某电信企业的两位地区经理、两位市场营销人员和一位长期客户应用文献[5]的标度含义对RFM各指标权重进行比较分析。在分别得到五位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

RFM
R10.710.46
F1.4110.85
M2.181.181

   上表所示的两两比较矩阵的一致性比例C。

  R < 0.1,表明该判断矩阵的一致性可以接受。由上表得出RFM各指标相对权重为[WR,WF,WM]=[0.221,0.341,0.439]。其中M的权重最大,即专家们认为客户交费金额的高低是影响顾客价值高低的最主要因素。

   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[6],,以加权RFM为指标,将具有相近的顾客终身价值的客户进行分类,基本思路如下:

  (1)将RFM各指标标准化。

  (2)应用AHP法确定RFM各个指标的权重,并将各个指标加权。

  (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进行聚类,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)平均值和小于平均值,通过对比得到每类客户RFM的变动情况。

  (6)根据每个客户类别的RFM的变动情况分析该客户类别的性质,如该客户类别是倾向于忠诚的还是倾向于背离的,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,分析各类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名客户的记录进行分析,数据的描述性统计见下表

   数据描述

指标最小值最大值平均值标准差
近度212860.0720.191
频度0135.981.861
值度54.431499.17704.7467216.22068

  由于RFM数据的量纲各不相同,数据的取值也存在很大的差异.为了消除分布差异较大和量纲不同的影响,在对各个指标进行加权之前,需要考虑对数据进行标准化处理.由于F,M指标对顾客价值存在正相关的影响,因此其标准化调整通过x^\prime=(x-x^s)/(x^l-x^s)进行。其中,x^\prime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对顾客价值存在负相关关系,因此其标准化调整公式为x^\prime=(x^l-x)/(x^l-x^s)

  使用K-均值聚类法时,需要预先判断其聚类的类别数。在模型中客户分类通过每个顾客类别RFM平均值与总RFM平均值相比较来决定的,而单个指标的比较只能有两种情况:大于(等于)或小于平均值,因此可能有2\times2\times2=8种类别。

  标准化和确定聚类类别数后,进行聚类分析,得到8类客户.将8类客户的RFM平均值与总RFM均值比较.如果单个客户类别的均值大于总均值,则给该指标一个向上的箭头:“\uparrow”标记,反之则用“\downarrow”,如下表所示

Image:聚类分析后产生的 8个客户类别.jpg

  通过RFM分析将企业的客户群体划分成重要保持客户、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,而且反映了客户在行为上的特性和变化倾向。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,这种分类只是确定了客户的等级,却没有各类客户之间的一个量化的价值比较,因而对各类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同分为重要保持客户,将客户簇5和簇8同分为一般客户,这样难以对对这两组客户簇进行细分.此外,客户分类后,并不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,结合各类顾客的RFM指标,根据每一类客户的顾客终身价值得分来进行排序.标准化后的各个指标平均值如表5的C^j_R,C^j_F,C^j_M,其中j=1 \ldots m表示聚类后的类别。C^j_R,C^j_F,C^j_M第j类客户的R,F,M各个指标标准化后的平均值,C^j_I是第j类客户的RFM各项指标加权后的总得分,运算公式为。

  C^j_I=W_RC^j_R+W_FC^j_F+W_MC^j_M

  其中,WRWFWM分别为由AHP分析得来的R、F、M指标的权重最后,根据总得分的大小来对各类客户来进行排序(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,对于企业来说更为重要.表5显示,客户簇3总得分最高,因此簇3的客户是企业最有价值的客户,而簇6客户总得分最后,因此可以认为簇6客户的价值最低.此外,对于处于同等级的客户簇1和簇3,簇5和蹴8进行了细分.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.此外,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

客户C^j_RC^j_FC^j_MC^j_ICLV
类别(近度)频度值度(元)总得分排序
10.60380.51240.57270.55962
20.68040.34450.44130.46184
30.50290.70560.49550.56931
40.58150.55340.27670.43875
50.33600.51870.40790.43026
60.42610.33560.27280.32848
70.36250.48210.65740.53313
80.43590.31170.51740.42987

   注: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)

  在进行客户分类后再对客户的类别进行顾客终身价值排序,使得企业能够量化各类客户的价值的差别,弥补了的客户分类方法的不足。这有助于企业制定更为可行的客户政策。由于受到成本的制约,电信企业不可能采取无差别的个性化服务,企业只能将资源集中在少数几类对企业重要的客户上.按照总得分的排列情况,企业应该优先将资源投放到总得分较高的客户身上。

  

参考文献

  1. 林盛,肖旭.基于RFM的电信客户市场细分方法[J].哈尔滨工业大学学报,2006,(05)
  2. 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[J].系统工程理论与实践,2004(3):7-14
  3. Stone,Bob.Successful Direct Marketing Methods[M].Linco lnwood:NTC Bussiness Books,1994
  4. 连惟谦.应用资料分析技术进行顾客流失与顾客价值之研究[D].台湾:中原大学.2004
  5. 吴育华,杜纲.管理科学基础[M].天津:天津大学出版社.2001.222-228
  6. 张文彤,董伟.SPSS统计分析高级教程[M].北京:高等教育出版社,2004.247-248
本条目对我有帮助172

分享到:
  如果您认为本条目还有待完善,需要补充新内容或修改错误内容,请编辑条目

评论(共13条)

提示:评论内容为网友针对条目"RFM模型"展开的讨论,与本站观点立场无关。
Huoli (Talk | 贡献) 在 2009年11月16日 16:00 发表

基于RFM的电信客户市场细分方法加了这个案例

回复评论
Hnoju (Talk | 贡献) 在 2009年11月16日 17:38 发表

Huoli (Talk | 贡献) 在 2009年11月16日 16:00 发表

基于RFM的电信客户市场细分方法加了这个案例

感谢Huoli 的精彩贡献

回复评论
220.231.7.* 在 2010年7月14日 11:14 发表

消费频率是frequency吧,咋好多地方都写错了

回复评论
Dan (Talk | 贡献) 在 2010年7月14日 14:26 发表

220.231.7.* 在 2010年7月14日 11:14 发表

消费频率是frequency吧,咋好多地方都写错了

谢谢指正,发现一处现已修改,其他错误,望能参与修改或者指明~

MBA智库百科是可以自由参与编辑和修改的百科,只要通过网页右上角创建新帐号,创建用户名后即可参与,期待你的参与~~

回复评论
61.183.149.* 在 2012年2月10日 16:52 发表

标准化的公式有点问题吧?

回复评论
Hehelin (Talk | 贡献) 在 2012年2月10日 17:59 发表

61.183.149.* 在 2012年2月10日 16:52 发表

标准化的公式有点问题吧?

谢谢指正,已对原文进行修改,其他错误,望能参与修改或者指明~

MBA智库百科是可以自由参与的百科,如有发现错误和不足,您也可以参与修改编辑,只要通过网页右上角创建新帐号,创建用户名后即可参与,期待您的加入!~

回复评论
Haoyingshuang (Talk | 贡献) 在 2013年12月25日 10:19 发表

“频度最高,近度次之,值度最低的权重” 电商行业的权重 如何去定位呢?

回复评论
116.26.118.* 在 2014年12月17日 17:33 发表

R高于平均值,F和M低于平均值的客户,为何是无价值客户?

回复评论
Lancerlot (Talk | 贡献) 在 2015年5月5日 13:43 发表

請問,RFM的權重如何從評價矩陣中求得?

回复评论
36.226.216.* 在 2015年7月6日 13:14 发表

Hehelin (Talk | 贡献) 在 2012年2月10日 17:59 发表

谢谢指正,已对原文进行修改,其他错误,望能参与修改或者指明~

MBA智库百科是可以自由参与的百科,如有发现错误和不足,您也可以参与修改编辑,只要通过网页右上角创建新帐号,创建用户名后即可参与,期待您的加入!~

標準化公式裡頭的分母怎麼會是最小值減最大值,照文中的公式,標準化後會得到負值

回复评论
1.202.23.* 在 2015年12月17日 16:12 发表

首先感谢分析,收益良多。 另外指正个小错误,聚类分析后产生的8个类别中,第1类和第3类重复了,缺少一类“进度”下;“频度”上;“值度”上的客户类别。

回复评论
14.152.69.* 在 2016年12月23日 01:35 发表

Huoli (Talk | 贡献) 在 2009年11月16日 16:00 发表

基于RFM的电信客户市场细分方法加了这个案例

电信行业的用户条数太大了,每日都有几百万的用户,随机抽取1000多个好像并不科学啊,RFM模型不是要统计高质量客户吗?随机抽取怎么评分呢?应用在电信行业怎么实际操作呢?

回复评论
Twozi (Talk | 贡献) 在 2016年12月23日 01:39 发表

电信行业的用户条数太大了,每日都有几百万的用户,随机抽取1000多个好像并不科学啊,RFM模型不是要统计高质量客户吗?随机抽取怎么评分呢?应用在电信行业怎么实际操作呢?

回复评论

发表评论请文明上网,理性发言并遵守有关规定。

以上内容根据网友推荐自动排序生成