HOME 首頁(yè)
SERVICE 服務(wù)產(chǎn)品
XINMEITI 新媒體代運(yùn)營(yíng)
CASE 服務(wù)案例
NEWS 熱點(diǎn)資訊
ABOUT 關(guān)于我們
CONTACT 聯(lián)系我們
創(chuàng)意嶺
讓品牌有溫度、有情感
專注品牌策劃15年

    RFM模型將用戶分為幾類

    發(fā)布時(shí)間:2023-04-18 16:50:08     稿源: 創(chuàng)意嶺    閱讀: 72        

    大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于RFM模型將用戶分為幾類的問(wèn)題,以下是小編對(duì)此問(wèn)題的歸納整理,讓我們一起來(lái)看看吧。

    開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

    只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

    官網(wǎng):https://ai.de1919.com。

    創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務(wù)客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043,或添加微信:1454722008

    本文目錄:

    RFM模型將用戶分為幾類

    一、數(shù)據(jù)分析方法3—RFM分析模型

            對(duì)于一個(gè)新上線產(chǎn)品的前期運(yùn)營(yíng),我們一般的做法都是做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂(lè)觀,真正獲取的用戶沒(méi)有幾個(gè),最終都便宜了羊毛黨。其實(shí)客戶在不同階段的需求是不一樣的,有的客戶圖便宜,有的客戶看新品,有的客戶重服務(wù)。所以我們想要運(yùn)營(yíng)好一個(gè)產(chǎn)品,就需要對(duì)客戶精細(xì)化運(yùn)營(yíng)。

         精細(xì)化運(yùn)營(yíng)最經(jīng)典的用戶分群工具就是RFM模型,RFM模型是衡量用戶價(jià)值和用戶創(chuàng)新能力的經(jīng)典工具,主要是由用戶最近一次購(gòu)買時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。

            RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段,RFM是Rencency(最近一次消費(fèi)),F(xiàn)requency(消費(fèi)頻率),Monetary(消費(fèi)金額)組合而成,此模型對(duì)于運(yùn)營(yíng)、銷售、財(cái)務(wù)、市場(chǎng)來(lái)說(shuō)都比較重要。

    R值(Recency): 最近一次消費(fèi)

            表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間,消費(fèi)時(shí)間越近的客戶價(jià)值越大,1年前消費(fèi)過(guò)的用戶肯定沒(méi)有1月前消費(fèi)過(guò)的用戶價(jià)值大,是衡量用戶價(jià)值的一個(gè)指標(biāo)。

            基于R值的大小,可以看出上表中的客戶2是最有價(jià)值的,客戶3是最沒(méi)有價(jià)值的,但是如果就此說(shuō)明客戶2是最有價(jià)值,而客戶3是沒(méi)有價(jià)值的是不成立的,對(duì)于客戶價(jià)值我們不能僅看R值,還需要考慮F值和M值。這里我們只舉出4個(gè)客戶為例,但在真實(shí)的客戶場(chǎng)景中,我們可以把客戶按照周、月、季、年等維度的占比詳細(xì)來(lái)觀察出R的趨勢(shì)變化。

    F值(Frequency): 消費(fèi)頻率

            消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購(gòu)買商品的次數(shù),經(jīng)常購(gòu)買的用戶也就是熟客,其價(jià)值比偶爾來(lái)一次的客戶價(jià)值大

            基于F值的大小,可以看出客戶4的價(jià)值最大,客戶1的價(jià)值最小,但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶對(duì)于產(chǎn)品的復(fù)購(gòu)的核心因素是類目。有的類目產(chǎn)品復(fù)購(gòu)率高(食品類)主要是食品屬于易耗品,消耗周期短,購(gòu)買的頻率高,相對(duì)容易產(chǎn)生重復(fù)性購(gòu)買。而有的類目產(chǎn)品復(fù)購(gòu)率低(家電類),消耗周期長(zhǎng),購(gòu)買頻次低。建議在對(duì)F值進(jìn)行統(tǒng)計(jì)時(shí)對(duì)于不同的類目要有相應(yīng)的統(tǒng)計(jì)周期。

    M值(Monetary): 消費(fèi)金額

    消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額,體現(xiàn)了消費(fèi)者對(duì)于企業(yè)的價(jià)值。

            基于M值的大小,可以看出客戶4的價(jià)值最高,客戶1的價(jià)值最低,M值同上面的R值、F值類似,單一的值并不能說(shuō)明客戶的好壞,三者結(jié)合才能更好地精細(xì)化用戶,對(duì)購(gòu)買產(chǎn)品的用戶合理的分隔,采用不同的機(jī)制去運(yùn)營(yíng)。

    RFM模型的主觀細(xì)分

            根據(jù)RFM模型值得大小對(duì)客戶進(jìn)行細(xì)分,如下表所示,將客戶分為了8部分去運(yùn)營(yíng),對(duì)于不同的細(xì)分人群采取不同的運(yùn)營(yíng)策略,在實(shí)際的應(yīng)用場(chǎng)景中,店鋪可以根據(jù)自己店鋪的實(shí)際情況來(lái)細(xì)分人群,購(gòu)買人群多的就分多個(gè)人群,購(gòu)買人群少的就少分幾個(gè)人群,具體的情況根據(jù)店鋪來(lái)定。

    RFM模型的量化細(xì)分

            上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分,而如果想要更細(xì)地對(duì)人群進(jìn)行劃分,就需要對(duì)RFM進(jìn)行量化處理,一般采用的方式有

    1、根據(jù)經(jīng)驗(yàn)定義權(quán)重

    RFM值=a*R值+b*F值+c*M值

    對(duì)于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來(lái)判斷

    2、歸一化處理

    將RFM的值進(jìn)行歸一化處理,公式為

    RFM值=R1值+F1值+M1值

    上面的R1,F1,M1都是歸一化處理過(guò)后的值

    3、AHP層次分析得出權(quán)重值

    RFM值=a1*R值+a2*F值+a3*M值

    a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

    具體參考鏈接

    最終按照得出值的大小進(jìn)行人群細(xì)分,得出不同的人群

    二、不會(huì)RFM模型分析?這篇應(yīng)用實(shí)例拿走不謝

    相信多數(shù)的數(shù)據(jù)分析人員與我一樣,剛開(kāi)始接觸數(shù)據(jù)分析工具時(shí),經(jīng)常不知該從何下手,分析數(shù)據(jù)也是胡亂分析一通,往往分析不到想要的結(jié)果。同樣的數(shù)據(jù)在專業(yè)數(shù)據(jù)分析師的手里是寶藏,怎么到了自己手中便成了一堆廢鐵,為什么呢?是我們分析的知識(shí)存儲(chǔ)不夠嗎?雖然有部分原因是可能是因?yàn)椴欢治瞿P驮?,但也許更多的原因是我們不懂該如何利用工具將各種模型法則運(yùn)用到分析決策當(dāng)中去。

    打個(gè)比方,在客戶管理方面,企業(yè)想分析哪些客戶更重要,時(shí)常會(huì)通過(guò)帕累托模型做分析;想判斷哪些客戶最有價(jià)值,時(shí)常會(huì)運(yùn)用到RFM分析模型等等一樣。明明分析模型相關(guān)的知識(shí)都了解,卻因?yàn)椴粫?huì)用工具實(shí)現(xiàn)分析,一切都只是徒勞。接下來(lái)我便簡(jiǎn)單為大家分享關(guān)于RFM模型在數(shù)林BI中的應(yīng)用,不會(huì)用工具也無(wú)需擔(dān)心,直接參考模板就對(duì)了!

    一、 關(guān)于RFM模型解釋

    RFM模型由三個(gè)維度R(Recency-近度)、F(Frequency-頻度)和M(Monetary-額度)組成。

    近度R: 表示客戶最近交易距離當(dāng)前天數(shù),本文可以簡(jiǎn)單理解為客戶的最近交易日期與數(shù)據(jù)采集日期的距離,R越大表示客戶許久未交易,反之,表示客戶不久前剛交易過(guò)。

    頻度F: 可簡(jiǎn)單理解為客戶在某段時(shí)間內(nèi)交易的頻次,F(xiàn)越大表示客戶在某段時(shí)間內(nèi)交易越頻繁,越小,表示客戶交易頻次越少。

    額度M :表示客戶在某段時(shí)間內(nèi)的消費(fèi)金額,本文可簡(jiǎn)單理解為客戶在某段時(shí)間內(nèi)的平均消費(fèi)金額。M越大表示客戶在某段時(shí)間內(nèi)成交的金額越大,反之越小。

    二、 利用 RFM模型 劃分銷售客戶群體

    通過(guò)RFM模型可將銷售客戶群體劃分為不同級(jí)別類型客戶,如下圖所示:

    三、 RFM模型的應(yīng)用

    如上圖所示,這是用數(shù)林BI工具從金蝶進(jìn)銷存系統(tǒng)中直接取數(shù),按照特定的要求做出的RFM模型的簡(jiǎn)單應(yīng)用,將企業(yè)的銷售客戶劃分出來(lái)。用戶可通過(guò)此模型可直觀了解到客戶處于哪個(gè)層級(jí)上,比如哪些客戶是重要價(jià)值客戶,哪些僅僅只是一般價(jià)值客戶等等,并針對(duì)劃分的類型采取不同的運(yùn)營(yíng)措施,例如,重要價(jià)值客戶是公司的優(yōu)質(zhì)客戶需要重點(diǎn)保持;而對(duì)于公司貢獻(xiàn)不大的一般挽留客戶,可詢問(wèn)原因,但不必太重點(diǎn)關(guān)注,保持一般互動(dòng)即可......通過(guò)不同的營(yíng)銷策略管理客戶,可在一定程度上為企業(yè)減少不必要的資源浪費(fèi)。

    當(dāng)然,企業(yè)可結(jié)合其他的圖表對(duì)銷售客戶進(jìn)行分析,如下圖所示:

    上圖是數(shù)林BI中建立的一個(gè)關(guān)于銷售客戶可視化的BI分析模型,用戶可以借此模板掌握公司不同類型客戶的情況,從而判斷銷售客戶的價(jià)值,并有針對(duì)的采取不同的運(yùn)營(yíng)舉措。

    同樣,用戶將RFM模型結(jié)合客戶黏性分析,從銷售額、單價(jià)、品類、筆數(shù)等角度分析哪些客戶流失了,從而及時(shí)找尋可能的流失原因,這對(duì)企業(yè)的發(fā)展有重大意義。

    三、rfm模型的三個(gè)指標(biāo)是什么?

    根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷研究所Arthur Hughes的研究,客戶數(shù)據(jù)庫(kù)中有3個(gè)神奇的要素,這3個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo):

    1、最近一次消費(fèi)

    最近一次消費(fèi)意指上一次購(gòu)買的時(shí)候——顧客上一次是幾時(shí)來(lái)店里、上一次根據(jù)哪本郵購(gòu)目錄購(gòu)買東西、什么時(shí)候買的車,或在你的超市買早餐最近的一次是什么時(shí)候。

    理論上,上一次消費(fèi)時(shí)間越近的顧客應(yīng)該是比較好的顧客,對(duì)提供即時(shí)的商品或是服務(wù)也最有可能會(huì)有反應(yīng)。營(yíng)銷人員若想業(yè)績(jī)有所成長(zhǎng),只能靠偷取競(jìng)爭(zhēng)對(duì)手的市場(chǎng)占有率,而如果要密切地注意消費(fèi)者的購(gòu)買行為,那么最近的一次消費(fèi)就是營(yíng)銷人員第一個(gè)要利用的工具。

    歷史顯示,如果能讓消費(fèi)者購(gòu)買,他們就會(huì)持續(xù)購(gòu)買。這也就是為什么,0至3個(gè)月的顧客收到營(yíng)銷人員的溝通信息多于3至6個(gè)月的顧客。

    2、消費(fèi)頻率

    消費(fèi)頻率是顧客在限定的期間內(nèi)所購(gòu)買的次數(shù)。我們可以說(shuō)最常購(gòu)買的顧客,也是滿意度最高的顧客。如果相信品牌及商店忠誠(chéng)度的話,最常購(gòu)買的消費(fèi)者,忠誠(chéng)度也就最高。增加顧客購(gòu)買的次數(shù)意味著從競(jìng)爭(zhēng)對(duì)手處偷取市場(chǎng)占有率,由別人的手中賺取營(yíng)業(yè)額。

    分類:

    根據(jù)這個(gè)指標(biāo),我們又把客戶分成五等分,這個(gè)五等分分析相當(dāng)于是一個(gè)“忠誠(chéng)度的階梯”(loyalty ladder),如購(gòu)買一次的客戶為新客戶,購(gòu)買兩次的客戶為潛力客戶,購(gòu)買三次的客戶為老客戶,購(gòu)買四次的客戶為成熟客戶,購(gòu)買五次及以上則為忠實(shí)客戶。

    其訣竅在于讓消費(fèi)者一直順著階梯往上爬,把銷售想象成是要將兩次購(gòu)買的顧客往上推成三次購(gòu)買的顧客,把一次購(gòu)買者變成兩次的。

    3、消費(fèi)金額

    消費(fèi)金額是所有數(shù)據(jù)庫(kù)報(bào)告的支柱,也可以驗(yàn)證“帕雷托法則”(Pareto’s Law)——公司80%的收入來(lái)自20%的顧客。

    它顯示出排名前10%的顧客所花費(fèi)的金額比下一個(gè)等級(jí)者多出至少2倍,占公司所有營(yíng)業(yè)額的40%以上。如看累計(jì)百分比的那一欄,我們會(huì)發(fā)現(xiàn)有40%的顧客貢獻(xiàn)公司總營(yíng)業(yè)額的80%;而有60%的客戶占營(yíng)業(yè)額的90%以上。

    最右的一欄顯示每一等分顧客的平均消費(fèi),表現(xiàn)最好的 10%的顧客平均花費(fèi)1195美元,而最差的10%僅有18美元 。

    RFM模型將用戶分為幾類

    應(yīng)用意義

    RFM模型較為動(dòng)態(tài)地顯示了一個(gè)客戶的全部輪廓,這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù),同時(shí),如果與該客戶打交道的時(shí)間足夠長(zhǎng),也能夠較為精確地判斷該客戶的長(zhǎng)期價(jià)值(甚至是終身價(jià)值),通過(guò)改善三項(xiàng)指標(biāo)的狀況,從而為更多的營(yíng)銷決策提供支持。

    在RFM模式中,R(Recency)表示客戶購(gòu)買的時(shí)間有多遠(yuǎn),F(xiàn)(Frequency)表示客戶在時(shí)間內(nèi)購(gòu)買的次數(shù),M (Monetary)表示客戶在時(shí)間內(nèi)購(gòu)買的金額。一般的分析型CRM著重在對(duì)于客戶貢獻(xiàn)度的分析,RFM則強(qiáng)調(diào)以客戶的行為來(lái)區(qū)分客戶。

    RFM非常適用于生產(chǎn)多種商品的企業(yè),而且這些商品單價(jià)相對(duì)不高,如消費(fèi)品、化妝品、小家電、錄像帶店、超市等;

    它也適合在一個(gè)企業(yè)內(nèi)只有少數(shù)耐久商品,但是該商品中有一部分屬于消耗品,如復(fù)印機(jī)、打印機(jī)、汽車維修等消耗品;RFM對(duì)于加油站、旅行保險(xiǎn)、運(yùn)輸、快遞、快餐店、KTV、行動(dòng)電話信用卡、證券公司等也很適合。

    RFM可以用來(lái)提高客戶的交易次數(shù)。業(yè)界常用的DM(直接郵寄),常常一次寄發(fā)成千上萬(wàn)封郵購(gòu)清單,其實(shí)這是很浪費(fèi)錢的。

    根據(jù)統(tǒng)計(jì)(以一般郵購(gòu)日用品而言),如果將所有R(Recency)的客戶分為五級(jí),最好的第五級(jí)回函率是第四級(jí)的三倍,因?yàn)檫@些客戶剛完成交易不久,所以會(huì)更注意同一公司的產(chǎn)品信息。如果用M(Monetary)來(lái)把客戶分為五級(jí),最好與次好的平均回復(fù)率,幾乎沒(méi)有顯著差異。

    四、用戶價(jià)值分層——基于RFM模型的研究分析

    • R(Recency):消費(fèi)間隔,最近一次距離上次消費(fèi)的時(shí)間間隔

    • F(Frequency):消費(fèi)頻次,一段時(shí)間(1個(gè)月/1年...)內(nèi)的消費(fèi)總次數(shù)

    • M(Monetary):消費(fèi)金額,一段時(shí)間(1個(gè)月/1年...)內(nèi)的消費(fèi)總金額

          RFM模型是用戶價(jià)值研究中的經(jīng)典模型,基于近度(Recency),頻度(Frequency)和額度(Monetory)這3個(gè)指標(biāo)對(duì)用戶進(jìn)行聚類,找出具有潛在價(jià)值的用戶, 從而輔助商業(yè)決策,提高營(yíng)銷效率。RFM作為一種數(shù)據(jù)驅(qū)動(dòng)的客戶細(xì)分技術(shù),可幫助營(yíng)銷人員做出更明智的戰(zhàn)略性決策,使?fàn)I銷人員能夠快速識(shí)別用戶并將其細(xì)分為同類群體,并針對(duì)性制定個(gè)性化的營(yíng)銷策略,提高用戶的參與度和留存率。

          RFM建模所需要的數(shù)據(jù)源是相對(duì)簡(jiǎn)單的,只用到了購(gòu)買記錄中的時(shí)間和金額這兩個(gè)字段。我們基于交易數(shù)據(jù)中用戶的最后一次的購(gòu)買時(shí)間,購(gòu)買的次數(shù)以和頻率,以及平均/總消費(fèi)額對(duì)每個(gè)用戶計(jì)算了三個(gè)維度的標(biāo)準(zhǔn)分。然后我們對(duì)于三個(gè)維度賦予了不同的權(quán)重,再基于加權(quán)后的分值應(yīng)用K-Means進(jìn)行聚類,根據(jù)每種人群三個(gè)維度與平均值之間的高低關(guān)系,確定哪些是需要保持用戶,哪些是需要挽留的用戶,哪些是需要發(fā)展的用戶等。在將這些客戶圈出之后,便可以對(duì)不同客戶群使用不同針對(duì)性地營(yíng)銷策略(引導(dǎo),喚醒等),提高復(fù)購(gòu)率與轉(zhuǎn)化率。值得注意的是,三個(gè)維度的權(quán)重制定并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn),比較通用的方法是用層次分析法(AHP),實(shí)際場(chǎng)景結(jié)合行業(yè)以及具體公司的特點(diǎn)進(jìn)行因地制宜、因人而異的優(yōu)化。

    RFM因素:

    • R值越高,顧客的有效期越近,對(duì)商家活動(dòng)的響應(yīng)越積極

    • F值越高,顧客的消費(fèi)頻次越高,對(duì)商家的忠誠(chéng)度就越高

    • M值越高,顧客的消費(fèi)能力越高,對(duì)商家貢獻(xiàn)度就越高

    • 想要提高復(fù)購(gòu)率和留存率,需要時(shí)刻警惕R值

    RFM分析:

    • 誰(shuí)是您最有價(jià)值的客戶?

    • 導(dǎo)致客戶流失率增多的是哪些客戶?

    • 誰(shuí)有潛力成為有價(jià)值的客戶?

    • 你的哪些客戶可以保留?

    • 您哪些客戶最有可能對(duì)參與度活動(dòng)做出響應(yīng)?

    • 誰(shuí)是你不需要關(guān)注的無(wú)價(jià)值客戶?

    • 針對(duì)哪些客戶制定哪種發(fā)展、保留、挽回策略?

          通過(guò)RFM模型,可以幫助營(yíng)銷人員實(shí)現(xiàn)客戶細(xì)分;衡量客戶價(jià)值和客戶利潤(rùn)創(chuàng)收能力;識(shí)別優(yōu)質(zhì)客戶;指定個(gè)性化的溝通和營(yíng)銷服務(wù);為更多的營(yíng)銷決策提供有力支持。

    數(shù)據(jù)導(dǎo)入:使用python的pandas.read_csv導(dǎo)入樣本數(shù)據(jù)。

    缺失值校驗(yàn):因數(shù)據(jù)為生產(chǎn)真實(shí)的交易數(shù)據(jù),質(zhì)量相對(duì)較高,缺失值較低。

    極值校驗(yàn):第一份樣本數(shù)據(jù)獲取的用戶訂單實(shí)付金額,其中會(huì)存在優(yōu)惠或補(bǔ)差支付,同時(shí)因就餐人數(shù)不一致,產(chǎn)生的的訂單消費(fèi)也會(huì)存在較大的差異,造成極致波動(dòng)、標(biāo)準(zhǔn)差值較大,因此需對(duì)金額進(jìn)行處理,以人均消費(fèi)額替代訂單支付金額,可去掉10元以下、萬(wàn)元以上的交易訂單。

    獲取RFM值:使用 groupby獲取RFM值

    獲取RFM評(píng)分值:數(shù)據(jù)離散,pandas.cut

    實(shí)驗(yàn)數(shù)據(jù)RFM分值占比

    說(shuō)明:F、M分布不均勻,極值差異大,經(jīng)數(shù)據(jù)探查知曉該商戶開(kāi)通了企業(yè)團(tuán)餐業(yè)務(wù),企業(yè)會(huì)給員工發(fā)放補(bǔ)貼,導(dǎo)致員工呈現(xiàn)較高的消費(fèi)頻次,該類用戶的消費(fèi)行為絕大程度依賴于企業(yè),在實(shí)際的RFM模型可踢出此類訂單,降低此類人群的分值,其次數(shù)據(jù)中的M值為客戶實(shí)付金額,該商戶支持預(yù)定、會(huì)餐、大小桌,同一單的消費(fèi)群體不同,或可使用人均消費(fèi)總額作為M值。

    RFM數(shù)據(jù)合并,建立R、F、M數(shù)據(jù)框:pandas+numpy

    計(jì)算RFM綜合分值:權(quán)重法

    權(quán)重值主要賦值方法可分為主觀賦權(quán)法、客觀賦權(quán)法,如下:

    主觀賦權(quán)法:主要由專家經(jīng)驗(yàn)得到權(quán)數(shù),然后對(duì)指標(biāo)進(jìn)行綜合評(píng)價(jià)。是一種結(jié)合性方法,易操作,存在一定主觀性。常用方法:層次分析法AHP、權(quán)值因子判斷表法、德?tīng)柗品ā⒛:治龇?、二?xiàng)系數(shù)法、環(huán)比評(píng)分法、最小平方法、序關(guān)系分析法等。

    客觀賦權(quán)法:依據(jù)歷史數(shù)據(jù)研究指標(biāo)之間的相關(guān)關(guān)系或指標(biāo)與評(píng)估結(jié)果的影響關(guān)系來(lái)綜合評(píng)價(jià)。這是定量研究,無(wú)須考慮決策者主觀意愿和業(yè)務(wù)經(jīng)驗(yàn),計(jì)算方法較為復(fù)雜。常用方法:主成分分析、因子分析、熵值法、變異系數(shù)法、均方差法、回歸分析法等。

    因樣本數(shù)據(jù)分布不均勻,故手動(dòng)賦權(quán)重值,去除部分極值。

    結(jié)論:以近90天的消費(fèi)活躍來(lái)看,用戶消費(fèi)頻次集中在1-6次,呈現(xiàn)出極佳的復(fù)購(gòu)率??梢葬槍?duì)消費(fèi)一次的人群進(jìn)行特征分析。比如針對(duì)人群的流動(dòng)性,若流動(dòng)人群占比較大,可進(jìn)一步推廣特色菜吸引客戶,若周邊人群占比較高,可基于復(fù)購(gòu)人群的特征進(jìn)行分析,同時(shí)平臺(tái)可提供該類人群近期消費(fèi)偏好,供商家參考,制定針對(duì)性方案。

          了解RFM定義后,將3個(gè)指標(biāo)作為坐標(biāo)系的XYZ坐標(biāo)軸,從空間上切割成8類,作為用戶的價(jià)值分層,如下圖:

    用戶價(jià)值分層說(shuō)明:

    上面我們已經(jīng)計(jì)算得到各個(gè)用戶的RFM分值,接下來(lái)要依據(jù)分值進(jìn)行分類。

    定義RFM 的分值等級(jí)

    使用pyecharts繪制玫瑰圖:

    結(jié)論:商家顧客表現(xiàn)出來(lái)的忠誠(chéng)度較高,但新客獲取能力較低。但是單純看分層占比,并沒(méi)有實(shí)際意義,可以基于價(jià)值分層與其他特征關(guān)聯(lián)分析進(jìn)行精準(zhǔn)投放。如下圖(網(wǎng)絡(luò)參考圖,本期實(shí)驗(yàn)并未涉及其他特征)所示:

          用戶畫(huà)像是基于用戶信息與行為衍生出來(lái)的特征屬性,用戶的準(zhǔn)入信息是用戶的主觀特征,是一種既定的事實(shí),通過(guò)對(duì)用戶行為的采集、研究,刻畫(huà)出單個(gè)用戶的特征。其意義在于基于某一事物對(duì)群里特征進(jìn)行分類,有效的體現(xiàn)事物的合適人群;同時(shí)針對(duì)群里特征的偏愛(ài)、習(xí)慣研究,可以刻畫(huà)出用戶的需求,實(shí)現(xiàn)精準(zhǔn)化營(yíng)銷。

          用戶畫(huà)像的基礎(chǔ)成分來(lái)源于用戶的準(zhǔn)入信息(會(huì)員注冊(cè)時(shí)的登記信息),更多的特征數(shù)據(jù)來(lái)源于用戶的各類行為,而RFM模型便是基于用戶消費(fèi)行為提煉出來(lái)的價(jià)值指標(biāo)。通過(guò)對(duì)各個(gè)價(jià)值分層的群體特征研究,可以有效提升獲客能力以及針對(duì)各類人群實(shí)現(xiàn)精準(zhǔn)化營(yíng)銷。

          市場(chǎng)和運(yùn)營(yíng)往往絞盡腦汁做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷,拓渠道,不斷開(kāi)發(fā)客戶、做回訪維系客戶感情,除了少數(shù)運(yùn)氣好的之外,但大多效果寥寥,這是為何?

          經(jīng)驗(yàn)豐富的營(yíng)銷人員都知道“了解客戶”和“客戶細(xì)分”的重要性。營(yíng)銷人員不僅要著眼于創(chuàng)造更多的訪問(wèn)量和點(diǎn)擊量以提高客戶獲取,還必須遵循從提高點(diǎn)擊率(CTR)轉(zhuǎn)變?yōu)樘岣弑A簦艺\(chéng)度并建立客戶關(guān)系的新范式。與其將整個(gè)客戶群作為一個(gè)整體進(jìn)行分析,不如將其劃分為同類群體,了解每個(gè)群體的特征,并使他們參與相關(guān)的活動(dòng),而不是僅根據(jù)客戶年齡或地理位置進(jìn)行客戶細(xì)分。而RFM分析是市場(chǎng)營(yíng)銷人員分析客戶行為的最流行、最簡(jiǎn)單、最有效的客戶細(xì)分方法之一。

    針對(duì)RFM分層用戶制定相應(yīng)的營(yíng)銷策略:

          • 重要價(jià)值客戶是您的最佳客戶,他們是那些最新購(gòu)買,最常購(gòu)買,并且花費(fèi)最多的消費(fèi)者。提供VIP服務(wù)和個(gè)性化服務(wù),獎(jiǎng)勵(lì)這些客戶,他們可以成為新產(chǎn)品的早期采用者,并有助于提升您的品牌。

          • 重要發(fā)展客戶:近期客戶,消費(fèi)金額高,但平均頻率不太高,忠誠(chéng)度不高。提供會(huì)員或忠誠(chéng)度計(jì)劃或推薦相關(guān)產(chǎn)品以實(shí)現(xiàn)向上銷售并幫助他們成為您的忠實(shí)擁護(hù)者和高價(jià)值客戶。

          • 重要保持客戶:經(jīng)常購(gòu)買、花費(fèi)巨大,但最近沒(méi)有購(gòu)買的客戶。向他們發(fā)送個(gè)性化的重新激活活動(dòng)以重新連接,并提供續(xù)訂和有用的產(chǎn)品以鼓勵(lì)再次購(gòu)買。

          • 重要挽回客戶:曾經(jīng)光顧,消費(fèi)金額大,購(gòu)買頻率低,但最近沒(méi)有光顧的顧客。設(shè)計(jì)召回策略,通過(guò)相關(guān)的促銷活動(dòng)或續(xù)訂帶回他們,并進(jìn)行調(diào)查以找出問(wèn)題所在,避免將其輸給競(jìng)爭(zhēng)對(duì)手。

          •一般價(jià)值客戶:最近購(gòu)買,消費(fèi)頻次高但消費(fèi)金額低的客戶,需要努力提高其客單價(jià),提供產(chǎn)品優(yōu)惠以吸引他們。

          • 一般發(fā)展客戶:最近購(gòu)買,但消費(fèi)金額和頻次都不高的客戶??商峁┟赓M(fèi)試用以提高客戶興趣,提高其對(duì)品牌的滿意度。

          • 一般保持客戶:很久未購(gòu)買,消費(fèi)頻次雖高但金額不高的客戶。可以提供積分制,各種優(yōu)惠和打折服務(wù),改變宣傳方向和策略與他們重新聯(lián)系,而采用公平對(duì)待方式是最佳。

          • 一般挽留客戶:RFM值都很低的客戶。針對(duì)這類客戶可以對(duì)其減少營(yíng)銷和服務(wù)預(yù)算或直接放棄。

          此外,目前的RFM分析中,一般給與M值更高的權(quán)重,如果一般挽留客戶與一般發(fā)展客戶占據(jù)多數(shù),說(shuō)明公司的用戶結(jié)構(gòu)不是很合理,需要盡快采取措施進(jìn)行優(yōu)化。

    以上就是關(guān)于RFM模型將用戶分為幾類相關(guān)問(wèn)題的回答。希望能幫到你,如有更多相關(guān)問(wèn)題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。


    推薦閱讀:

    阿里巴巴國(guó)際站專業(yè)術(shù)語(yǔ)(阿里巴巴國(guó)際站專業(yè)術(shù)語(yǔ)中RFQ)

    RFID手持終端十大排名(rfid手持終端十大排名最新)

    rfm模型分別代表

    上海滬佳家裝裝修怎么樣(上海滬佳家裝裝修怎么樣知乎)

    世界游戲平臺(tái)排行榜(世界游戲平臺(tái)排行榜前10名)