客户数据分析 1. RFM 模型

参考

作为一种对客户分类的方法，RFM分析模型起初主要用于直效营销(Direct Marketing)领域，目的是提高老客户交易的次数。

一个例子：

如果给新顾客送米，王永庆就细心记下这户人家米缸的容量，并且问明家里有多少人吃饭，几个大人、几个小孩，每人饭量如何，据此估计该户人家下次买米的大概时间，记在本子上。到时候，不等顾客上门，他就主动将相应数量的米送到客户家里。

重要概念： R F M重要概念：挽留，发展，保持，价值

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。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。该机械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 3 项指标来描述该客户的价值状况。

1. 简介

根据美国数据库营销研究所 Arthur Hughes 的研究，客户数据库中有 3 个神奇的要素，这 3 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)

2. 最近一次消费

2.1 定义

最近一次消费意指上一次购买的时间

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。

思考题：买车是一个高频的需求吗？适合 RFM 吗？

思考题：在淘宝里你看过的类似的商品会不断的出现，所谓的推荐算法是靠 RFM 模型吗？

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的购买行为，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 3 个月的顾客收到营销人员的沟通信息多于 3 至 6 个月的顾客。

2.2 描述

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，在数据库里就成为消费为两个月的客户。反之，同一天，消费为 3 个月前的客户作了其下一次的购买，他就成为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。

2.3 功能

消费的功能不仅在于提供的促销信息而已，营销人员的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，(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。

2.4 重要指标

消费报告是维系顾客的一个重要指标。

买过你的商品、服务或是曾经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。

3. 消费频率

3.1 定义

消费频率是顾客在限定的期间内所购买的次数。

思考题：如果增加系统或者平台中的复购、重复消费

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。

3.2 分类

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)，如：

• 购买一次的客户为新客户，
• 购买两次的客户为潜力客户，
• 购买三次的客户为老客户，
• 购买四次的客户为成熟客户，
• 购买五次及以上则为忠实客户。

其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象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。

3.3 数据分析

影响复购的核心因素是商品，因此复购不适合做跨类目比较。比如食品类目和美妆类目：食品是属于“半标品”，产品的标品化程度越高，客户背叛的难度就越小，越难形成忠实用户；但是相对美妆，食品又属于易耗品，消耗周期短，购买频率高，相对容易产生重复购买，因此跨类目复购并不具有可比性。

4. 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 。

理论上 M 值和 F 值是一样的，都带有时间范围，指的是一段时间（通常是 1 年）内的消费金额，在工作中我认为对于一般店铺的类目而言，产品的价格带都是比较单一的，比如：同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M 值对客户细分的作用相对较弱。

5. 案例 1 面试题，如何为公司指定发短信的策略

这个RFM模型在实操时有什么用呢？举个例子：

比如对圈用户群发短信转化只有不到1%时，你可以用RFM做个分析，只选取R值高的用户(最近2周到最近一个月内消费的用户），转化率可以由1%提升到10%。

这也意味着，以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信，得到100个订单，还是愿意花48元给800人发短信得到80个订单，相信大家一定会选后者。

而整体的RFM区分，则能够帮掌柜们针对不同的用户发不同的短信，短信的开头是用“好久不见”、还是用“恭喜你成为VIP”，就得看时重要保持客户还是重要价值用户了。只有能区分用户，才能走向精细化运营

6. 案例 2 基于RFM的电信客户市场细分方法

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。

7. 实际操作

通过RFM模型能得到什么信息

• 谁是最佳用户?
• 哪些用户即将流失?
• 谁有潜力成为有价值用户?
• 哪些用户可以留存?

假设有如下的样例数据：

需要将数据集加工成如下格式：

SELECT  
     customer_name,-- 客户名称 
     customer_avg_money,-- 当前客户的平均消费金额 
     customer_frequency, -- 当前客户的消费频次 
     total_frequency,-- 所有客户的总消费频次 
     total_avg_frequency, -- 所有客户平均消费频次 
     customer_recency_diff, -- 当前客户最近一次消费日期与当前日期差值 
     total_recency, -- 所有客户最近一次消费日期与当前日期差值的平均值 
     monetary,-- 消费金额向量化 
     frequency, -- 消费频次向量化 
     recency, -- 最近消费向量化 
     rfm, -- rfm 
     CASE 
        WHEN rfm = "111" THEN "重要价值客户" 
        WHEN rfm = "101" THEN "重要发展客户" 
        WHEN rfm = "011" THEN "重要保持客户" 
        WHEN rfm = "001" THEN "重要挽留客户" 
        WHEN rfm = "110" THEN "一般价值客户" 
        WHEN rfm = "100" THEN "一般发展客户" 
        WHEN rfm = "010" THEN "一般保持客户" 
        WHEN rfm = "000" THEN "一般挽留客户" 
    END AS rfm_text 
FROM 
  (SELECT  
       customer_name,-- 客户名称 
       customer_avg_money,-- 当前客户的平均消费金额 
       customer_frequency, -- 当前客户的消费频次 
       total_avg_money ,-- 所有客户的平均消费总额 
       total_frequency,-- 所有客户的总消费频次 
       total_frequency / count(*) over() AS total_avg_frequency, -- 所有客户平均消费频次 
       customer_recency_diff, -- 当前客户最近一次消费日期与当前日期差值 
       avg(customer_recency_diff) over() AS total_recency, -- 所有客户最近一次消费日期与当前日期差值的平均值 
       if(customer_avg_money > total_avg_money,1,0) AS monetary, -- 消费金额向量化 
       if(customer_frequency > total_frequency / count(*) over(),1,0) AS frequency, -- 消费频次向量化 
       if(customer_recency_diff > avg(customer_recency_diff) over(),0,1) AS recency, -- 最近消费向量化 
       concat(if(customer_recency_diff > avg(customer_recency_diff) over(),0,1),if(customer_frequency > total_frequency / count(*) over(),1,0),if(customer_avg_money > total_avg_money,1,0)) AS rfm 
   FROM 
     (SELECT  
           customer_name, -- 客户名称 
           max(customer_avg_money) AS customer_avg_money , -- 当前客户的平均消费金额 
           max(customer_frequency) AS customer_frequency, -- 当前客户的消费频次 
           max(total_avg_money) AS total_avg_money ,-- 所有客户的平均消费总额 
           max(total_frequency) AS total_frequency,-- 所有客户的总消费频次 
           datediff(CURRENT_DATE,max(customer_recency)) AS customer_recency_diff -- 当前客户最近一次消费日期与当前日期差值 
      FROM 
        (SELECT  
               customer_name, -- 客户名称 
               avg(money) over(partition BY customer_name) AS                customer_avg_money, -- 当前客户的平均消费金额 
               count(amount) over(partition BY customer_name) AS customer_frequency, -- 当前客户的消费频次 
               avg(money) over() AS total_avg_money,-- 所有客户的平均消费总额 
               count(amount) over() AS total_frequency, --所有客户的总消费频次 
               max(sale_date) over(partition BY customer_name) AS customer_recency -- 当前客户最近一次消费日期 
 
       FROM customer_sales) t1 
       GROUP BY customer_name)t2) t3 

8. 总结