如何利用RFM模型对客户进行精细化管理
新零售相较于传统零售来说，其中一个很重要的是人货场的重构，从以商品为核心转向以人为核心。所以现在的零售企业对消费者是越来越重视了，很多的企业都建立起了自己的会员体系，通过线上或者线下的渠道收集了大量的会员数据。但是如何有效的利用这些会员数据，如何通过这些会员数据识别出有价值的会员呢？
在众多的客户细分模型当中，RFM模型可以说是很多人第一个想到的模型，也是大部分运营人员都会接触到的一个模型。RFM模型主要是通过最近一次消费频率（Recency）、消费频率（Frequency）、消费金额（Monetary）这三个指标去衡量客户价值和客户创利能力。
最近一次消费频率（Recency）
代表着用户距离现在最近的一次消费时间，这个最近一次消费时间距离现在越近越好，越近对我们越有价值。也就是说R值越小，表示客户近期有交易发生，R值大了，客户可能已经沉睡或者已经流失了。其中可能有些优质客户，需要想办法唤醒。
消费频率（Frequency）
代表着用户在一段时间内的消费频次，这个消费频次自然是是越频繁越好了。也就是说F值越大表示用户的消费越频繁，反之则表示用户不够活跃。但是这个一段时间需要根据产品的属性去设定，比如3C数码产品，他们本身频次就不可能太高的，不可能设置几个月。而日用百货的购买频次就高了，不可能设置个几年。
消费金额（Monetary）
代表着用户在一段时间内的消费的金额（根据需求不同，可以算是每次的平均金额，也可以计算一定时间内消费的总金额），体现着消费者为企业的创利多少，消费越多的用户越有价值。也就是说M值越高，表示客户价值越高。这个值是比较重要的，大家都听过二八定律，20%的用户产生了80%的价值，这部分客户对公司的营收来说很重要。
基于这三个指标，我们对客户进行细分，以一家零售百货超市为例子说明一下吧：
|
R （最近一次消费频率） |
F （消费频率） |
M （消费金额） |
|||
|
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 |
大于60天 |
5 |
＞5次 |
5 |
大于900元 |
我们根据用户最近一次消费的时间，两个月内消费的频次，消费的总金额将客户细分成了5个等级。将0、1、2划分为低值，3、4、5划分为高值。
|
R |
F |
M |
客户类型 |
策略 |
|
低 |
低 |
低 |
一般挽留客户 |
可放弃 |
|
低 |
高 |
低 |
一般保持客户 |
流失召回 |
|
高 |
低 |
低 |
一般发展客户 |
挖掘需求 |
|
高 |
高 |
低 |
一般价值客户 |
刺激消费 |
|
低 |
低 |
高 |
重要挽留客户 |
重点召回 |
|
低 |
高 |
高 |
重要保持客户 |
用户回流 |
|
高 |
低 |
高 |
重要发展客户 |
提高频次 |
|
高 |
高 |
高 |
重要价值客户 |
保持 |
可以看出来，M值的重要性，当M指为高的时候，这个客户就是重要客户，当M值为低的时候，这个客户就是一般客户。我们根据客户的数据，将客户细分到相应的分组当中，针对不同的客户采用不同的策略进行营销。以个人近两个月的超市购物数据为例：
|
序号 |
日期 |
金额 |
|
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 |
消费频次7次，最近一次消费时间为3天前，消费总金额为449.2元，根据上述的RFM表格进行划分的话，应当是属于一般有价值客户。针对我这样的用户，应该通过活动拉高我的消费单价，通过促销、优惠券等方式，刺激消费。
而对于一般企业拥有大量的会员数据，我们可以通过excel表格简单的if函数应用来进行筛选，或者使用专业的CRM客户关系管理系统来处理。
|
用户 |
最近一次 消费时间 |
消费频次 |
消费金额 |
R值 |
F值 |
M值 |
用户类型 |
|
赵 |
1 |
5 |
348 |
低 |
高 |
低 |
一般保持用户 |
|
钱 |
3 |
4 |
416 |
低 |
高 |
低 |
一般保持用户 |
|
孙 |
2 |
2 |
842 |
低 |
低 |
高 |
重要挽留用户 |
|
李 |
4 |
5 |
526 |
高 |
高 |
高 |
重要价值用户 |
|
周 |
3 |
5 |
325 |
低 |
高 |
低 |
一般保持用户 |
|
吴 |
5 |
2 |
41 |
高 |
低 |
低 |
一般挽留用户 |
|
郑 |
2 |
6 |
156 |
低 |
高 |
低 |
一般保持用户 |
|
王 |
9 |
2 |
624 |
高 |
低 |
高 |
重要发展用户 |
|
冯 |
2 |
1 |
741 |
低 |
低 |
高 |
重要挽留用户 |
|
陈 |
5 |
3 |
267 |
高 |
低 |
低 |
一般挽留用户 |
针对不同的企业，我们可以针对不同的数值进行分析，例如在论坛网站的话，可以抓取用户的其他数据，R=最近的登录时间，F=一段时间内的登录次数，M=一段时间内的发帖互动数。而根据设定的阈值和设计的等级也应该随着变化。
当然了，所有的数据，最后还是得回归到运营上来，也可以加入更多维度的数据去分层。针对不同层次的用户的政策，应当根据具体的行业和企业的实际来制定，结合企业的资源去实施。