如何利用RFM模型對客戶進行精細化管理
新零售相較於傳統零售來說,其中一個很重要的是人貨場的重構,從以商品爲核心轉向以人爲核心。所以現在的零售企業對消費者是越來越重視了,很多的企業都建立起了自己的會員體系,通過線上或者線下的渠道收集了大量的會員數據。但是如何有效的利用這些會員數據,如何通過這些會員數據識別出有價值的會員呢?
在衆多的客戶細分模型當中,RFM模型可以說是很多人第一個想到的模型,也是大部分運營人員都會接觸到的一個模型。RFM模型主要是通過最近一次消費頻率(Recency)、消費頻率(Frequency)、消費金額(Monetary)這三個指標去衡量客戶價值和客戶創利能力。
最近一次消費頻率(Recency)
代表着用戶距離現在最近的一次消費時間,這個最近一次消費時間距離現在越近越好,越近對我們越有價值。也就是說R值越小,表示客戶近期有交易發生,R值大了,客戶可能已經沉睡或者已經流失了。其中可能有些優質客戶,需要想辦法喚醒。
消費頻率(Frequency)
代表着用戶在一段時間內的消費頻次,這個消費頻次自然是是越頻繁越好了。也就是說F值越大表示用戶的消費越頻繁,反之則表示用戶不夠活躍。但是這個一段時間需要根據產品的屬性去設定,比如3C數碼產品,他們本身頻次就不可能太高的,不可能設置幾個月。而日用百貨的購買頻次就高了,不可能設置個幾年。
消費金額(Monetary)
代表着用戶在一段時間內的消費的金額(根據需求不同,可以算是每次的平均金額,也可以計算一定時間內消費的總金額),體現着消費者爲企業的創利多少,消費越多的用戶越有價值。也就是說M值越高,表示客戶價值越高。這個值是比較重要的,大家都聽過二八定律,20%的用戶產生了80%的價值,這部分客戶對公司的營收來說很重要。
基於這三個指標,我們對客戶進行細分,以一家零售百貨超市爲例子說明一下吧:
R (最近一次消費頻率) |
F (消費頻率) |
M (消費金額) |
|||
0 |
<7天 |
0 |
1次 |
0 |
<100元 |
1 |
7天-15天 |
1 |
2次 |
1 |
100元-299元 |
2 |
15天-30天 |
2 |
3次 |
2 |
300元-499元 |
3 |
30天-45天 |
3 |
4次 |
3 |
500元-699元 |
4 |
45天-60天 |
4 |
5次 |
4 |
700元-900元 |
5 |
大於60天 |
5 |
>5次 |
5 |
大於900元 |
我們根據用戶最近一次消費的時間,兩個月內消費的頻次,消費的總金額將客戶細分成了5個等級。將0、1、2劃分爲低值,3、4、5劃分爲高值。
R |
F |
M |
客戶類型 |
策略 |
低 |
低 |
低 |
一般挽留客戶 |
可放棄 |
低 |
高 |
低 |
一般保持客戶 |
流失召回 |
高 |
低 |
低 |
一般發展客戶 |
挖掘需求 |
高 |
高 |
低 |
一般價值客戶 |
刺激消費 |
低 |
低 |
高 |
重要挽留客戶 |
重點召回 |
低 |
高 |
高 |
重要保持客戶 |
用戶迴流 |
高 |
低 |
高 |
重要發展客戶 |
提高頻次 |
高 |
高 |
高 |
重要價值客戶 |
保持 |
可以看出來,M值的重要性,當M指爲高的時候,這個客戶就是重要客戶,當M值爲低的時候,這個客戶就是一般客戶。我們根據客戶的數據,將客戶細分到相應的分組當中,針對不同的客戶採用不同的策略進行營銷。以個人近兩個月的超市購物數據爲例:
序號 |
日期 |
金額 |
1 |
6月16日 |
61.8元 |
2 |
6月8日 |
78.9元 |
3 |
5月25日 |
74.6元 |
4 |
5月18日 |
63元 |
5 |
5月11日 |
58.7元 |
6 |
4月27日 |
58.3元 |
7 |
4月16日 |
53.9元 |
消費頻次7次,最近一次消費時間爲3天前,消費總金額爲449.2元,根據上述的RFM表格進行劃分的話,應當是屬於一般有價值客戶。針對我這樣的用戶,應該通過活動拉高我的消費單價,通過促銷、優惠券等方式,刺激消費。
而對於一般企業擁有大量的會員數據,我們可以通過excel表格簡單的if函數應用來進行篩選,或者使用專業的CRM客戶關係管理系統來處理。
用戶 |
最近一次 消費時間 |
消費頻次 |
消費金額 |
R值 |
F值 |
M值 |
用戶類型 |
趙 |
1 |
5 |
348 |
低 |
高 |
低 |
一般保持用戶 |
錢 |
3 |
4 |
416 |
低 |
高 |
低 |
一般保持用戶 |
孫 |
2 |
2 |
842 |
低 |
低 |
高 |
重要挽留用戶 |
李 |
4 |
5 |
526 |
高 |
高 |
高 |
重要價值用戶 |
周 |
3 |
5 |
325 |
低 |
高 |
低 |
一般保持用戶 |
吳 |
5 |
2 |
41 |
高 |
低 |
低 |
一般挽留用戶 |
鄭 |
2 |
6 |
156 |
低 |
高 |
低 |
一般保持用戶 |
王 |
9 |
2 |
624 |
高 |
低 |
高 |
重要發展用戶 |
馮 |
2 |
1 |
741 |
低 |
低 |
高 |
重要挽留用戶 |
陳 |
5 |
3 |
267 |
高 |
低 |
低 |
一般挽留用戶 |
針對不同的企業,我們可以針對不同的數值進行分析,例如在論壇網站的話,可以抓取用戶的其他數據,R=最近的登錄時間,F=一段時間內的登錄次數,M=一段時間內的發帖互動數。而根據設定的閾值和設計的等級也應該隨着變化。
當然了,所有的數據,最後還是得迴歸到運營上來,也可以加入更多維度的數據去分層。針對不同層次的用戶的政策,應當根據具體的行業和企業的實際來制定,結合企業的資源去實施。