RFM客户价值模型
利用RFM模型进行客户价值分析
利用RFM模型进行客户价值分析随着企业的发展，客户管理越来越成为企业重要的一个方面。
客户价值分析是一种常用的客户管理方法，利用RFM模型进行客户价值分析无疑是一种有效的方法。
RFM模型基于客户的最近一次购买时间、购买频率和购买金额等指标，将客户分为不同的层级，从而帮助企业了解客户的实际价值，制定有针对性的营销策略。
首先，我们来了解一下RFM模型的三个指标。
R（Recency）最近一次购买时间最近一次购买时间是指客户最近一次进行购买的时间，这个指标很好理解，因为任何客户购买活动的最近一次发生时间都可以作为依据，以此来衡量客户对企业的忠诚度和购买意愿。
F（Frequency）购买频率购买频率是指客户在一段时间内购买产品的次数，这个指标是衡量客户活跃度和忠诚度的重要标志。
F指标可以帮助企业找到具有较高忠诚度的客户，从而加强对这些客户的关系管理。
M（Monetary）购买金额购买金额指的是客户在购买产品时花费的金额，通过这个指标，企业可以了解每个客户的购买能力和支付意愿，并制定有针对性的价格政策。
接下来，我们来了解一下如何利用RFM模型进行客户价值分析。
1. 筛选RFM数据首先，企业需要收集所需的RFM数据。
对于大型企业来说，数据量可能很大，所以需要先筛选数据，去掉不必要的部分，然后对筛选后的数据进行分类整理。
可以将数据划分为购买时间、购买次数和购买金额三个部分，再分别按照大小进行排序，得到类别数值。
2. 划分客户类别根据R、F、M指标数值的高低，将客户划分为不同的类别。
这里的分类方式可以根据实际情况来制定，如TOP客户、一般客户、低价值客户、潜在客户等类型。
这些分类可以根据客户对企业的贡献程度和价值大小来设定。
在制定分类方案时，还需要考虑与所设定的企业营销目标的相关性。
最后，确定每个客户所属的类别。
3. 制定针对性的营销策略了解每个客户所属的类别后，企业就可以针对性地制定相应的营销策略。
比如，在对TOP客户进行关系管理时，要重点加强与这些客户的沟通交流，提供优质的服务，增强客户体验，以便使这些客户对企业有更高的忠诚度。
rfm模型运营方案
rfm模型运营方案一、概述RFM模型是一种广泛应用于客户关系管理（CRM）领域的数据分析模型，通过分析客户的消费行为和交易数据，对客户进行分层并制定个性化的营销策略。
RFM模型的核心思想是通过客户最近一次购买（Recency）、购买频率（Frequency）和购买金额（Monetary）三个维度来评估客户的价值，进而识别出重要的高价值客户并针对性地进行精准营销。
本文将通过对RFM模型的分析，提出一套完整的RFM模型运营方案，以指导企业在实际营销活动中的应用。
二、RFM模型的原理和应用1. Recency（最近一次购买）Recency是指客户最近一次购买产品或服务的时间，这一指标反映了客户的忠诚度和活跃度。
通常来说，最近购买时间越短的客户越有可能成为高价值客户。
因此，对Recency进行评估可以更好地了解客户的购买行为和消费习惯，进而进行针对性的营销活动。
2. Frequency（购买频率）Frequency是指客户在一段时间内购买产品或服务的次数，这一指标反映了客户的消费能力和忠诚度。
购买频率高的客户通常更具有忠诚度，因此对这一指标的分析可以帮助企业了解客户的消费水平及需求，从而提供更好的购物体验和服务。
3. Monetary（购买金额）Monetary是指客户在一段时间内购买产品或服务的总金额，这一指标反映了客户的消费水平和付费能力。
购买金额较大的客户通常也是高价值客户，因此对这一指标的分析可以帮助企业了解客户的消费能力和需求，以及制定更有效的销售策略。
通过对Recency、Frequency和Monetary这三个维度的分析，企业可以找到高价值客户，了解他们的消费行为和偏好，从而制定更精准的营销策略，提供更优质的产品和服务，实现更高的销售额和利润。
三、RFM模型的应用场景RFM模型可以应用于各种不同的场景，包括线上和线下零售行业、电子商务平台、金融服务、餐饮行业等。
对于不同的行业和企业来说，RFM模型具有不同的应用价值和实际意义，可以帮助企业更好地了解自己的客户群体和消费行为，从而制定更有效的营销策略，提升客户忠诚度和客户满意度，增加企业的销售额和利润。
RFM模型算法范文
RFM模型算法范文RFM模型是一种用于确定客户价值的经典营销分析方法，它基于客户最近一次购买（R：Recency）、购买频率（F：Frequency）、购买金额（M：Monetary Value）三个指标，通过对这三个指标进行综合分析，将客户划分为不同的类别，进而制定针对性的营销策略。
1. R（Recency）：表示客户最近一次购买的时间间隔。
一般来说，对于其中一特定业务领域而言，最近一次购买发生的时间越接近当前时间，则该客户对该业务的相关兴趣和需求可能越高。
因此，较短的时间间隔意味着较高的价值。
在RFM模型中，通常将时间间隔分成几个等级，如”1“代表最近，”5“代表最远。
2. F（Frequency）：表示客户购买次数。
通常来说，频繁购买的客户相对于少购买的客户，对于该业务的理解和产品满意度可能会更高，也更容易激发他们的消费欲望。
在RFM模型中，通常将购买次数具体分成几个等级。
3. M（Monetary Value）：表示客户购买金额。
通常来说，购买金额越高，则代表该客户对于该业务的价值越大。
在RFM模型中，通常将购买金额分成几个等级。
根据以上三个指标，可以使用RFM模型进行客户分析和分类。
首先，通过对历史数据进行分析，可以确定每个客户的R、F和M等级。
然后，根据RFM模型可以将客户划分为以下几类：1.重要价值客户（重要的R、F和M值）：这类客户最近购买时间较短（R值较低），购买频率较高（F值较高），购买金额较大（M值较高）。
对于这类客户，可以通过提供个性化的产品和服务来提高客户满意度，进而促使他们继续购买。
2.重点发展客户（重要的R和F值）：这类客户最近购买时间较短（R值较低），购买频率较高（F值较高），但购买金额较低（M值较低）。
对于这类客户，可以通过提高产品的附加值，例如推出优惠券、礼品等来增加他们的购买金额。
3.重点保持客户（重要的R和M值）：这类客户最近购买时间较短（R值较低），购买频率较低（F值较低），但购买金额较大（M值较高）。
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。
利用RFM模型进行市场客户价值分析
利用RFM模型进行市场客户价值分析RFM模型是一种用于市场客户价值分析的常用工具，它可以帮助企业了解客户的购买行为和价值，进而制定更加精准的营销策略。
本文将围绕RFM模型展开，分析其基本概念、应用方法以及价值。
RFM模型是由最近一次购买时间（Recency）、购买频率（Frequency）和购买金额（Monetary）三个指标构成的。
通过对这三个指标的综合分析，可以将客户划分为不同的类别，进而确定每个类别的特点和价值。
首先，我们来详细了解RFM模型的三个指标。
1. Recency（最近一次购买时间）：指客户最近一次购买产品或服务的时间间隔。
通常情况下，最近购买的客户更有可能继续购买，因此，这个指标可以反映客户的忠诚度和购买意愿。
2. Frequency（购买频率）：指客户在一段时间内购买产品或服务的次数。
购买频率高的客户可能对企业的产品或服务有更高的满意度，并愿意成为忠实的重复购买者。
3. Monetary（购买金额）：指客户在一定时间内购买产品或服务所花费的金额。
购买金额高的客户通常具有较高的消费能力和消费需求，对企业的营业额贡献较大。
在RFM模型中，我们将每个指标进行分组打分，并根据打分情况对客户进行综合评估。
常见的分组方法有等距分组、百分比分组和K-means聚类分组等。
通过分组打分和综合评估，我们可以将客户划分为以下几个类别：1.重要价值客户（最高得分）：这类客户最近购买时间短、购买频率高且购买金额较大。
他们是企业的忠实客户，对企业的贡献最大，因此需要加强维护和挖掘。
2.重复购买客户（次高得分）：这类客户最近购买时间较短，购买频率高，但购买金额较低。
虽然他们的购买力不如重要价值客户，但是他们的忠诚度高，有较大的潜力成为重要价值客户。
3.高消费客户（次低得分）：这类客户最近购买时间短，购买频率低但购买金额高。
他们的消费能力较强，对企业的贡献较大，但是他们的忠诚度和购买频率有待提高。
4.低价值客户（最低得分）：这类客户最近购买时间长、购买频率低且购买金额较低。
RFM客户价值模型
RFM客户价值模型[]RFM模型的内容依照美国数据库营销研究所Arthur Hughes的研究，中有三个神奇的要素，这三个要素组成了数据分析最好的：•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、上一次依照哪本邮购目录购买东西、何时买的车，或在你的超市买早饭最近的一次是何时。
理论上，上一次消费时刻越近的顾客应该是比较好的，对提供即时的或是效劳也最有可能会有反映。
营销人员假假想业绩有所成长，只能靠偷取的市场占有率，而假设是要紧密地注意的，那么最近的一次消费确实是营销人员第一个要利用的工具。
历史显示，假设是咱们能让消费者购买，他们就会持续购买。
这也确实是为何，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。
最近一次消费的进程是持续变更的。
在顾客距上一次购买时刻满一个月以后，在数据库里就成为最近一次消费为两个月的。
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信息算了，营销人员的最近一次消费报告能够监督事业的健全度。
优秀的营销人员会按期查看最近一次消费分析，以把握趋势。
月报告假设是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，那么表示该是个稳健成长的；反之，如上一次消费为一个月的客户愈来愈少，那么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、效劳或是光顾你商店的，是最有可能再向你购买东西的顾客。
再那么，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患多。
营销人员犹如意这种强有力的营销哲学——与顾客成立长期的关系而不仅是卖东西，会让顾客持续维持往来，并博得他们的忠诚度。
- 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)。
RFM客户价值模型[编辑]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)[编辑]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。
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。
[编辑]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。
[编辑]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。
[编辑]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。
[编辑]RFM模型案例分析[编辑]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[W F,W R,W M]=[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)应用AHP法确定RFM各个指标的权重,并将各个指标加权。
(2)将RFM各指标标准化。
(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 2 128 60.07 20.191频度0 13 5.98 1.861值度54.43 1499.17 704.7467 216.22068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进行。