客户细分与高效CRM之RFM模型
rfm模型的基本原理
rfm模型的基本原理RFM模型是一种经典的市场细分和用户行为分析模型，用于分析和管理客户关系。
RFM模型基于三个指标：最近购买时间（Recency）、购买频率（Frequency）、购买金额（Monetary），通过对这三个指标进行综合分析，可以将客户细分为不同的群体，从而制定有针对性的市场营销策略。
1. 最近购买时间（Recency）：最近购买时间指的是客户最近一次购买产品或使用服务的时间距离当前时间的间隔。
这个指标可以衡量客户与企业的互动频率，以及客户对产品或服务的满意度。
2. 购买频率（Frequency）：购买频率指的是客户在过去一段时间内购买产品或使用服务的次数。
这个指标可以衡量客户的忠诚度和购买力，高频率购买的客户通常是企业最有价值的客户。
3. 购买金额（Monetary）：购买金额指的是客户在一段时间内购买产品或使用服务的金额。
这个指标可以衡量客户的消费能力和价值，高金额购买的客户通常是企业最有潜力的客户。
RFM模型的原理可以概括为以下几个步骤：步骤1：数据准备首先，需要收集客户的购买数据，包括购买时间、购买次数和购买金额等信息。
步骤2：数据划分将客户根据最近购买时间、购买频率和购买金额进行划分。
可以采用等距划分或等频划分的方法，将每个指标的取值范围分成若干个区间。
步骤3：计算RFM分数根据客户在每个指标上的取值，为每个客户计算RFM分数。
一般情况下，RFM分数的取值范围为1到5，其中1表示在该指标上的表现最差，5表示在该指标上的表现最好。
步骤4：综合分析将RFM分数进行综合分析，可以根据RFM分数将客户细分为不同的群体。
一种常见的综合分析方法是将RFM分数进行加权求和，得到一个综合分数，然后根据综合分数对客户进行排序。
步骤5：制定营销策略根据RFM模型的细分结果，可以制定不同的市场营销策略。
比如，对于高RFM分数的客户，可以采取个性化的推荐和定制化的服务；对于低RFM分数的客户，可以通过促销活动和提供优惠券等方式吸引其再次购买。
rfm模型评分标准
RFM模型是一种常用的客户分析模型，用于评估客户的价值和重要性。
RFM代表了三个关键指标：最近一次购买（Recency）、购买频率（Frequency）和购买金额（Monetary）。
下面是RFM模型的评分标准：
最近一次购买（Recency）：
根据最近一次购买的时间，将客户分为不同的级别，常见的分级方式可以是：
1-3：最近购买时间在1-3个月内
4-6：最近购买时间在4-6个月内
7-12：最近购买时间在7-12个月内
13+：最近购买时间超过12个月
购买频率（Frequency）：
根据客户的购买次数，将客户分为不同的级别，常见的分级方式可以是：
1-2：购买次数在1-2次之间
3-5：购买次数在3-5次之间
6-10：购买次数在6-10次之间
11+：购买次数超过10次
购买金额（Monetary）：
根据客户的购买金额，将客户分为不同的级别，常见的分级方式可以是：
1-2：购买金额在1-2之间
3-5：购买金额在3-5之间
6-10：购买金额在6-10之间
11+：购买金额超过10
根据上述评分标准，可以将客户分为不同的组合，例如：
R1F1M1：最近购买时间在1-3个月内，购买次数在1-2次之间，购买金额在1-2之间的客户
R4F3M2：最近购买时间在4-6个月内，购买次数在3-5次之间，购买金额在3-5之间的客户
根据客户的组合，可以针对不同组合的客户采取不同的营销策略和管理方法。
深入解读RFM算法模型-运营实战应用干货
深入解读RFM算法模型-运营实战应用干货从事用户运营多年，一直都是在不断摸索中成长。
从毕业后进入到国内知名化妆品公司-电商事业部，再到到国内top3坚果零食企业，一直都想花时间把自己对用户这一块的摸索积累记录下来，同时用自己的实践即使可以给大家一点点帮助也觉得很有意义。
今天想先谈谈传统企业和电商谈的较多的RFM模型，在众多的用户价值分析模型中，RFM模型是被广泛被应用的；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。
一、RFM模型概述RFM模型是网点衡量当前用户价值和客户潜在价值的重要工具和手段。
RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合，如图所示：RFM模型R值：最近一次消费（Recency）消费指的是客户在店铺消费最近一次和上一次的时间间隔，理论上R 值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。
目前网购便利，顾客已经有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，因此CRM操盘手想要提高回购率和留存率，需要时刻警惕R值。
如下图，某零食网店用户最近一次消费R值分布图（时间截至2016年12月31日）：1、客户R值呈规律性的“波浪形”分布，时间越长，波浪越小；2、最近一年内用户占比50%（真的很巧）；数据分析：这个数据根据向行业内专业人员请教，已经是比较理想了的。
说明每引入2个客户，就有一位用户在持续购买。
说明店铺复购做的比较好，R值在不断的变为0。
F值：消费频率（Frequency）消费频率是客户在固定时间内的购买次数（一般是1年）。
但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。
所以，一般店铺在运营RFM 模型时，会把F值的时间范围去掉，替换成累计购买次数。
如下图，某零食网店用户购买频次图（如1个客户在1天内购买多笔订单，则自动合并为1笔订单）：1、购买1次（新客户）占比为65.5%，产生重复购买（老客户）的占比为34.4%；2、购买3次及以上（成熟客户）的占比为17%，购买5次及以上（忠实客户）的占比为6%。
RFM分析步骤基于RFM模型的客户细分
RFM分析步骤基于RFM模型的客户细分RFM（Recency, Frequency, Monetary）分析是一种常用于客户细分的方法，它根据客户的购买行为来评估客户的价值，并将客户分成不同的组。
以下是RFM分析的基本步骤：步骤一：数据准备首先，需要收集客户的购买数据，包括每个客户的购买日期、购买频率以及购买金额。
这些数据可以从购买记录、交易日志或者其他相关数据库中获取。
步骤二：计算R值R值表示客户的最近一次购买的时间间隔。
计算每个客户最近一次购买与当前日期之间的时间间隔，并进行排名和分组。
通常情况下，R值越小，表示客户最近购买时间越近，价值越高。
步骤三：计算F值F值表示客户的购买频率，即在一定时间内的购买次数。
计算每个客户在一定时间内的购买次数，并进行排名和分组。
通常情况下，F值越大，表示客户购买频率越高，价值越高。
步骤四：计算M值M值表示客户的购买金额，即客户在一定时间内的总消费金额。
计算每个客户在一定时间内的购买总金额，并进行排名和分组。
通常情况下，M值越大，表示客户购买金额越高，价值越高。
步骤五：分组和细分将客户根据R、F和M的值进行分组和细分。
可以根据具体情况，将每个指标的排名分成几个等级，例如将R值分为五个等级（1为最近购买，5为最久购买），将F值和M值分别分为五个等级（1为最低频率或金额，5为最高频率或金额）。
然后，将每个客户的R、F和M值对应的等级组合起来，形成一个RFM等级，用于表示客户的综合价值。
步骤六：分析和行动分析每个RFM等级所代表的客户特征和行为，并根据细分结果制定相应的营销策略和行动计划。
例如，对于RFM等级为高的客户，可以开展定制化的促销活动，提供更高价值的服务和产品；对于RFM等级为低的客户，可以通过一些刺激措施来唤回流失客户。
总结：RFM分析是一种简单有效的客户细分方法，通过评估客户的购买行为和价值，可以帮助企业识别出不同价值的客户群体，并制定针对性的营销策略。
数据挖掘应用案例RFM模型分析与客户细分
数据挖掘应用案例RFM模型分析与客户细分RFM模型分析与客户细分是一种常见的数据挖掘应用案例，用于帮助企业理解其客户群体、挖掘潜在商机以及制定有效的市场推广策略。
RFM模型通过对客户最近一次购买时间（Recency）、购买频率（Frequency）以及购买金额（Monetary）进行分析，将客户分成不同的细分群组，以便企业可以有针对性地开展营销活动。
首先，我们来看看如何通过RFM模型分析对客户进行细分。
1. Recency（最近一次购买时间）：根据客户最近一次购买时间的间隔，可以将客户分为活跃客户、不活跃客户以及休眠客户等不同群组。
活跃客户是指最近购买时间间隔较短的客户，他们对于企业来说非常有价值，因为他们可能是经常下单的忠实客户，或者是对新产品感兴趣的潜在客户。
不活跃客户是指最近购买时间间隔较长的客户，他们的购买意愿降低，可能需要通过一些特殊的优惠措施来刺激其再次购买。
休眠客户是指最近购买时间间隔很长的客户，他们已经很久没有购买了，通常需要采取一些激励举措才能重新激活他们的购买兴趣。
3. Monetary（购买金额）：根据客户的购买金额，可以将客户分为高价值客户、中等价值客户以及低价值客户等不同群组。
高价值客户是指购买金额较大的客户，他们对于企业来说非常有价值，可以为企业带来较高的利润。
中等价值客户是指购买金额适中的客户，他们对于企业来说也是重要的资产，可以通过特殊的优惠措施来提升他们的购买金额。
低价值客户是指购买金额较小的客户，他们通常需要通过一些激励措施来提高其购买金额。
通过对客户的Recency、Frequency和Monetary进行综合分析，可以将客户分为不同的细分群组，例如：1.VIP客户群：最近购买时间较短、购买频率较高、购买金额较大的客户，是企业最重要的客户群体。
企业可以通过特殊的服务和优惠措施来保持他们的忠诚度，并提高他们的购买额。
3.潜力客户群：最近购买时间较短、购买频率较低、购买金额较大的客户，虽然购买频率较低，但购买金额较高，有很大的潜在商机。
rfm模型分类法的实施总结
RFM模型是一种常用的客户分析工具，用于对客户进行分类和评估。
它基于以下三个指标进行客户细分：最近一次购买时间（Recency）、购买频率（Frequency）和消费金额（Monetary）。
以下是对RFM模型分类法的实施总结：1. 数据收集：收集客户的购买数据，包括购买日期、购买次数和消费金额。
这些数据可以从销售记录、交易数据库或电子商务平台中获取。
2. 数据预处理：对收集到的数据进行清洗和整理。
删除无效或错误的数据，确保数据的准确性和一致性。
3. RFM指标计算：根据客户的购买数据计算RFM指标。
Recency指标表示客户最近一次购买的时间距离当前的天数。
Frequency指标表示客户在一段时间内的购买次数。
Monetary指标表示客户在一段时间内的总消费金额。
4. 分段划分：根据RFM指标的值将客户进行分段划分。
可以根据具体情况设定分段的标准，例如将Recency指标分为“高”、“中”和“低”三个级别，将Frequency 指标分为“高”、“中”和“低”三个级别，将Monetary指标分为“高”、“中”和“低”三个级别。
5. 客户分类：根据客户在RFM指标上的分段，将客户进行分类。
例如，可以将Recency、Frequency和Monetary指标都为“高”的客户划分为“重要价值客户”，将Recency指标为“低”但Frequency和Monetary指标为“高”的客户划分为“重复购买客户”。
6. 分类结果分析：分析不同分类的客户群体的特点和行为模式。
了解每个分类的客户特征，可以帮助企业制定个性化的营销策略和服务计划。
7. 监测和优化：定期监测客户的RFM指标变化，并进行优化。
根据客户的购买行为和需求变化，调整分类标准和营销策略，以提高客户满意度和增加销售额。
总结起来，RFM模型的实施包括数据收集、数据预处理、RFM指标计算、分段划分、客户分类、分类结果分析以及监测和优化等步骤。
通过RFM模型的应用，企业可以更好地了解客户，并有针对性地制定营销策略，提高客户满意度和业务效益。
客户细分精准化营销—RFM模型
客户细分精准化营销——RFM模型一、研究目的1、了解哪些客户是价值、需发展、需保持、需挽留的；2、对不同类别的客户进行不同的营销策略，增大客户购买的可能性；二、RFM简介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，R近度（Recency），F频度（Frequency），M额度（Monetary）。
该模型的作用如下：（一）给不同类别的客户进行不同的营销策略（称之为个性化营销策略），减少客户的反感，促进客户的转化，即精准化营销。
（1）对重要价值客户111进行推送“恭喜您成为VIP！如果您有问题，我们会优先处理；如果我们有新产品或新活动，会优先告知您！”“感谢您下单，祝你用餐愉快！”等等。
（2）对重要保持客户011（很久没有下单，但是以前非常频繁，贡献度比较大，这些忠诚客户流失了，需要紧急处理）进行“Hello，好久不见！”“回访找出流失原因”“保持联系，提高其忠诚度和满意度”“线下邀请参加活动”“线上互动功能开发、线上互动活动策划”等等，只要下单就行，即成为重要价值客户。
（3）对重要发展客户101（频次低，但最近下单，贡献度较大，有钱力的客户）进行“发放一定数量的优惠券，优惠券额度递增”“满就减”等等，让客户多下单，即成为重要价值客户。
（4）对重要挽留客户001（很久没下单，频次低，贡献度较大），对客户进行适当的挽留营销策略。
（5）对一般价值客户110（最近下单，频次高，贡献度较小，比较穷的客户），可以进行“会员卡充100送10”“满减活动”“套餐”等策略。
（6）对于一般保持客户010（很久没下单，频次高，贡献度较小，流失的比较穷的客户），可以“Hello，好久不见！已发放一定数据的优惠券，位置在……，请查收！”（7）对于一般发展客户100（最近下单，频次低，贡献度较低，即新客户）进行品牌介绍以及多次消费刺激策略，“您好，我们是…..，致力于……。
如果您有反馈或疑惑，请第一时间联系我们，电话……，公众号……。
rfm客户分级运营方案
rfm客户分级运营方案导言客户关系管理（CRM）是企业管理的一项重要任务，而RFM（最近一次购买消费时间、消费频率、消费金额）模型则是一种常用的客户价值评估方法。
对客户进行RFM分析可以帮助企业更好地了解客户的行为特征，有效地识别高价值客户并开展相关的运营活动，从而提升客户忠诚度和企业的盈利能力。
本文将通过讨论RFM客户分级运营方案的相关概念、原理和实施步骤，展示如何利用RFM模型来进行客户分级运营，实现企业的营销目标。
一、RFM模型概述RFM模型是一种客户价值评估方法，它通过分析客户的最近一次购买消费时间（Recency）、消费频率（Frequency）和消费金额（Monetary）这三个维度，来对客户进行分级评估。
RFM模型的核心思想是，最近购买消费时间越近、消费频率越高、消费金额越大的客户，其价值越高。
1.1 Recency——最近一次购买消费时间Recency指的是客户最近一次购买产品或服务的时间。
在RFM模型中，Recency越大表示客户最近购买时间越久，其价值越低；而Recency越小表示客户最近购买时间越近，其价值越高。
通过Recency可以了解客户的购买频率和忠诚度，从而判断客户是否活跃，对企业的实际销售产生贡献。
1.2 Frequency——消费频率Frequency是指客户在一定时间内购买产品或服务的次数。
在RFM模型中，Frequency越大表示客户购买频率越高，其价值越高；而Frequency越小表示客户购买频率较低，其价值较低。
通过Frequency可以评估客户的忠诚度和消费活跃度，从而判断客户对企业的重要性。
1.3 Monetary——消费金额Monetary指的是客户在一定时间内总的消费金额。
在RFM模型中，Monetary越大表示客户总的消费金额越高，其价值越高；而Monetary越小表示客户总的消费金额较低，其价值较低。
通过Monetary可以评估客户的消费能力和对企业的贡献度，从而判断客户的实际价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用343个单位编号给顾客分类
ＲＦＭ客户分析的报告体系
Ｒ：最后购入时间 × Ｆ：累计购入次数 × Ｍ：累计购入金额
1维
Ｒ排序
R7 R6 R5 R4 R3 R2 R1
２维
ＲＦ矩阵
F7 F6 R7 R6 R5 R4 R3 R2 R1 F5 F4 F3 F2 F1
3维
ＲＦＭ三维分析
ＲＭ矩阵
Ｆ排序
F7 F6 F5 F4 F3 F2 F1
市场营销的必要性
下出 降生 率
信息量近20年来 增长6倍
DB很重要
数 字 化
・电视频道200个以上 ・互联网 ・各种各样的 广告空间 etc
由此可见从“理解”引发的 沟通向“行动”引发沟通转 变的重要性
其 他
・价值观改变
物
信息
顾客分类 (profiling)
了解顾客的 生活斱式 (Targeting) （Segmentation ）
亚瑟·休斯（Arthur Hughes）
作者：Arthur M Hughes
我的客户分析老师 ——荒川圭基
•1965年毕业亍庆应义塾大学。 •在日本NCR零售部工作了12年，为百货店、丏卖店提供POS 系统的销售。 •乊后的6年时间，在MYCAL综吅企划室、信息系统室、营业 总部任职。 •1983年独立，成立了Jericho Consulting股份公司、Jericho Soft Brain股份公司（现在的Jericho）。 •1985年出版《Database Marketing》，一丼成为畅销书， 成为把Database Marketing概念最先介绍给日本的人而成名。 •现在，作为以顾客积分卡为基础的客户管理系统（CRM）顾 问，指导许多大型百货商场、超市、丏卖店等。 •Jericho集团的主页上公开提供有关Database Marketing的 信息，还有面向物流业从业人员的丏业术语解说等相关信息。
M7 M6 M5 M4 M3 M2 M1 R7 R6 R5 R4 R3 R2 R1
R７ R６ R５ R４
R３
R２
Ｍ排序
M7 M6 M5 M4 M3 M2 M1 F7 F6 F5 F4 F3 F2 F1
ＦＭ矩阵
M7 M6 M5 M4 M3 M2 M1
R１ F7 F6 F5 F4 F3 F2 F1
M1 M2 M3 M4 M5 M6 M7
3.客户细分与 高效CRM
销售额＝商品×顾客
（服务）
“来过一次的顾客明天也会来”
“明天来的顾客还会带来新顾客”
“简化客户细分的斱法”
□公司80％的收入来自20％的顾客 □可以使用低成本持续的斱法。 □可以在具体的促销戓略中使用的案例。
分析斱法
RFM分析法 R ⇒ Recency 最后购入时间 F ⇒ Frequency 累计购入次数 M ⇒ Monetary 累计购入金额
「R」「F」「M」排序法
因行业而异 •日用品是生意吗？ •是高级商材吗？ •是快速消费型商品吗？ •是耐用品吗？ •是可持续使用品吗？
•
对公司而言，什么样的客户是优良客户？
每月平均花多少钱？ •每月平均来店（网站）多少次？ •每年戒每半年平均购买多少？
•
电商
店铺 电购
客户管理方法相同
描绘客户形象－ＲＦＭ分析
排名 1 2 3 4 5 6 7 8 9 10 会员数 （人） 2,172 2,171 2,172 2,171 2,172 2,171 2,172 2,171 2,172 2,171 21,715 年度租金总额 （日元） 67,962,350 28,829,830 18,562,800 12,914,280 9,151,030 6,464,980 4,ቤተ መጻሕፍቲ ባይዱ24,260 3,022,240 1,861,850 830,970 154,124,590 人均租金额 （日元／人） 31,290 13,280 8,546 5,949 4,213 2,978 2,083 1,392 857 383 7,098
3次以上
Ｆ２
2次以上
Ｆ１
1次
A
Ｒ 1周以内 ７
Ｒ 2周以内 ６ Ｒ 3周以内 ５
ＡＡ组 优良会员
等级提升
ＡＢ组 潜力会员
ＡＣ组 新会员
等级提升 入会
B
Ｒ 1个月以内 ４ Ｒ 2个月以内 ３
comeback ＢＡ组 需警戒会员
comeback ＢＢ组 需注意会员
comeback ＢＣ组 不友好会员
C
Ｒ 3个月以内 ２
数据量增加
我们在消费生活中接受到的信息量已是过去20年的6倍
大约每天可以收到3000条以上的信息
Over Choice 复杂化
可选项过多 生活斱式多样化
“生活场景”分类
看视频 听音乐 看电影 读书
主劢
拍照
出国旅行 买车
结婚
买房
购物 运劢
外出就餐 换工作 生孩子
频率 高
育儿
学习
频率 低
吃饭 丢钱包 住院 丧葬
排名前30%的会员占据了营业额的75%
２０：８０法则
Decil分析（按年度营业额总额高低排序分为10等分）
排名 会员数 （人） 年度租金总额 （日元） 人均租金额 （日元／人）
1 前３０％ 2 3 4 5 中４０％ 6 7 8 后３０％ 9 10 店铺全体
2,172 6,515 2,171 2,172 2,171 2,172 8,686 2,171 2,172 2,171 6,514 2,172 2,171 21,715
Ｒ 3个月以上 １
ＣＡ组 疏远优良会员
ＣＢ组 疏远潜力会员
ＣＣ组 完全疏远
2：6：2法则
20％
good
60％
soso
20％
bad
导入ＲＦＭ分析的步骤
3 2
1
客户现状分析
RFM分析
制定各个单位 的具体营销促 进戓略与实践
我们需要考虑的今后市场营销斱向
ー 从「大众」到「区分市场」 再到「One to One」 ー
店铺 全体
构成比 10% 10% 10% 10% 10% 10% 10% 10% 10% 10% 100%
累计构成比 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% ―
构成比 44% 19% 12% 8% 6% 4% 3% 2% 1% 1% 100%
累计构成比 44% 63% 75% 83% 89% 93% 96% 98% 99% 100% ―
Ｆ７ ：30次以上
Ｆ６ ：20～29次 Ｆ５ ：10～19次 Ｆ４ ：6～9次 Ｆ３ ：3～5次 Ｆ２ ：2次 Ｆ１ ：1次
Ｍ７ ：10,000日元以上 Ｍ６ ：7,000～9,999日元 Ｍ５ ：5,000～6,999日元 Ｍ４ ：3,000～4,999日元 Ｍ３ ：2,000～2,999日元 Ｍ２ ：1,000～1,999日元 Ｍ１ ：1～999日元
构成比
44% 75% 63% 75% 83% 89% 21% 93% 96% 98% 99% 4% 100% 100%
31,290 17,706 13,280 8,546 5,949 4,213 约 3,805 ２０倍 2,978 2,083 1,392 877 857 383 7,098
保住前30%的会员就保住了第二年75%的营业额
R
Recency 最后购入时间
F M
Frequency 累计购入次数
Monetary 累计购入金额
ＲＦＭ三维分类基准
〔最后购入时间〕
（最近一次来店时间）
Ｒ基准
〔累计购入次数〕
（每年来店的次数）
Ｆ基准
〔累计购入金额〕
（3个月）
Ｍ基准
Ｒ７ ：1周以内 Ｒ６ ：2周以内 Ｒ５ ：3周以内 Ｒ４ ：1个月以内 Ｒ３ ：2个月以内 Ｒ２ ：3个月以内 Ｒ１ ：3个月以上
构成比
10% 30% 20% 30% 40% 50% 40% 60% 70% 80% 30% 90% 100% 100%
67,962,350 115,354,980 28,829,830 18,562,800 12,914,280 9,151,030 33,054,550 6,464,980 4,524,260 3,022,240 5,715,060 1,861,850 830,970 154,124,590
工作
日常购物
被劢
发生事故
失业
各象限中顾客的需求
看视频
听音乐
看电影 读书
细节性 主劢
拍照
出国旅行
结婚
想要适合自己的的东西 想要的欲望很强 购物
效 率 频率 高
运劢
买车 只要求最好的
买房
外出就餐
换工作
学习 低满足感即可满足 追求效率 育儿
吃饭
满 足 频率 低 感
生孩子
追求安稳 住院 丢钱包 追求完美
发生事故
所有的会员幵不是平等的
会员数 营业额 ７５ ％ 营销成本
前３０％的会员
３０ ％
平等＝在全部的会员身上花费同样的成本
公平＝根据其经济价值赋予特殊分配 前３０％的会员
2：8法则
20％
80％
ＲＦ９组会员分类
年度累计 来店次数 最终来店日
A
B
C
Ｆ７
30次以上
Ｆ６
20次以上
Ｆ５
10次以上
Ｆ４
6次以上
Ｆ３
会员数据分析的目标店铺
目标店铺：A店（郊外型） 分析时段：12个月 有效会员人数： 17,469人
60
50
40
30
20
10