编辑导语:RFM模型对于用户研究来说十分重要,可以高效衡量客户价值等,本篇文章作者分享了应用 RFM 模型客户分群,提效客户体验管理的相关内容,从客户分群的意义到RFM模型的类型及应用都一一介绍,一起来学习一下吧。
在进行客户体验管理之前,通过对客户本身全面、准确的了解,藉由客户分群的刻画,针对不同客群提供与之高度相关的个性化体验,能够让企业更加聚焦目标客户,有助于推动更强的客户转化。
一、客户分群的意义
目前,客户分群常用于市场营销部门,对于体验部门而言虽然分工不同,但目标却是一致的。都是希望找寻到各个客群的相似性,比如,行为模式、喜好等等。针对不同客群指定不同的策略,为客户提供“恰当的体验”。
麦肯锡在研究报告指出,客户分群对于提升业务收入有正向作用。
这里有一个案例,一家跨国发卡机构面临业务增长困难、消费者流失率高、早期接触点客户忠诚度下降等挑战。
面对挑战,机构首先根据客户行为,进行客户分群,全面调整客户体验培训流程。
在分群后的研究中发现最大价值的最优操作顺序,以此设计出不同客群个性化的客户旅程与互动策略。
效果验证以 50 多个试点为依据,让每个客户细分养成预期的行为。通过几个礼拜的数据反馈,与对照组相比,交易量提升了 6% 。
二、客户分群 RFM模型
那么,该如何进行有效的客户分群呢?
RFM 模型是客户分群及衡量客户价值的重要模型之一。最早提出者乔治‧卡利南(George Cullinan)指出,在客户资料库中有 3 项重要指标。
- R(Recency)近度 → 客户最近一次交易时间的间隔,交易时间越近的客户价值越大。
- F(Frequency)频度 → 客户在最近一段时间内交易的次数,经常购买的客户也就是熟客,价值比偶尔来一次的客户价值大。
- M(Monetary)额度 → 客户在最近一段时间内交易的金额,通常以客户单次的平均消费金额作为衡量指标,消费越多的客户价值越大。
通常客户分群有两种方式:一种是根据客户的基本信息,另一种是根据客户的行为数据。
而 RFM 模型利用的就是客户的行为数据。
三、选择正确的评价指标
对于电商购物业务较为常用上述指标进行评价,但对于不同行业、不同的业务目标,进行客户分群的维度会有所差异。
比如,电子邮件(EDM)营销依据 RFM 模型,可以划分为「R = 上次邮件打开的时间」、「F = 一段时间内,邮件打开的次数」、「M = 一段时间内,根据每个客户的获取成本及利润等因素估计的价值」。
比如,互联网社交业务依据 RFM 模型,可以划分为「R = 最近一次登录时间」、「F = 一段时间内,登录频率」、「M = 一段时间内,在线时长」。
选择正确的指标,才能得到有效的结果。
四、RFM 的评分方式
RFM 客群划分以电商购物业务为例,常见的划分方式有以下 2 种。
1. 依据行业规则划分
- R 指标可以依据间隔天数分段,如:大于 90 天未购买属于低价值,反之为高价值。
- F 指标可以依购买次数分段,如:购买小于 2 次属于低价值,反之为高价值。
- M 指标可以依客单价分段,如:平均客单价以下属于低价值,反之为高价值。
2. 依据百分位规则划分
这种方式是将数据转换成 1~5 分计分方式,转化后分值越高代表价值越高,一般可以按 20%/40%/60%/80% 分位数将数据计为 1~5 分。
计分方式如下表所示:
- R 指标是时间间隔越短越好,所以 <20% 分位数分值为 5 分。时间间隔指的是上次消费是 5/1,今天是 5/3,则相隔 2 天。
- F 指标是频次越高越好,所以 ;80% 分位数分值为 5 分。
- M 指标是金额越高越好,所以 ;80% 分位数分值为 5 分。
想要进行客户划分,还需要把分值进行转换。
将 1~5 分值,按分别对应的平均值进行划分,划分为 0 和 1,数字 0 代表低价值群体,数字 1 代表高价值群体。
计分方式如下表所示:
五、RFM 的 8种客户类型
RFM 模型通过将 3 项行为数据指标分别作为坐标轴的 x,y,z 轴,可以将客户划分为 8 种类型客户,进一步指导客户体验管理的下一步工作。
分别是:重要价值、重要挽留、重要发展、重要维持、一般价值、一般挽留、一般发展和一般保持。
图片来自《经理人月刊 第 187 期》 | Guofu重绘
- R↑F↑M↑:对于一家企业来说,获得更多的「重要价值客户」是维系企业健康发展的源动力,客户体验管理应优先关注「重要价值客户」的需求点。可以制定客户忠诚度计划,为他们提供相应的福利。可以发送问卷,关注重视他们的声音,加强与他们与企业的关系。
- 如果企业在客户群体分布中,大多为价值很低的「一般保持客户」,那么企业业务会随时有经营危机。
- R↓F↑M↑:在过去业务发展过程中,作出过重要贡献的客户群,是消费频率和金额都很高的客户为「重要保持客户」,但是最近一次消费时间距离现在已经很久,企业需要重新花时间了解他们目前的需求,以及为什么近期不再消费。
- R↑F↓M↑:最近刚刚接触公司并进行高额消费的客户群,但是消费频率不高为「重要发展客户」。企业可以严格审视服务流程的每一个体验环节,为他们输出良好的品牌形象,加深客户对品牌的印象。
- R↓F↓M↑:最近一次消费时间较远、消费频率不高,但消费金额高的客户为「重要挽留客户」。
他们对企业缺乏了解或信任,企业要主动与这类客群进行交互,看看有哪些体验不满意的地方,避免失去这群客户。
还有对于「一般保持客户」、「一般发展客户」、「一般价值客户」、「一般挽留客户」客群来说,企业在业务上无法为所有的客群都提供高质量的体验,有“舍”才有“得”。
企业应该专注在核心客群的体验打造,减少重要挽留客户,活化重要保持客户,挖掘重要发展客户。
六、RFM 新零售案例实操
RFM 客户分群会使用某新零售电商平台(2021/10–2022/04)订单真实数据。演示数据集已经过数据脱敏,本数据集仅可用于学习。
在观察此数据表时,发现「订单号、用户编号、支付时间」存在”空值“,这些都是分析中需要使用的栏位,需要对进行数据填充。另外,为便于计算,支付时间需转为匹配的日期格式。
操作步骤如图所示:
数据集一共有 8 个栏位,其中使用 RFM 模型只需用到:订单号、用户编号、支付时间、实付金额 4 个栏位。
注意:你们自有原数据前处理,需要检查缺失值、剔除订单中含已取消/退款订单数据。
下面进入 RFM 计算演示。
步骤 1:
全选原数据 → 插入/数据透视表 → 新工作表。
在数据透视表字段中,将[用户编号]拉入行,将[订单号]、[实付金额]、[支付时间]拉入值。通过设定[订单号]计算方式为”计数项“、[实付金额]]计算方式为”求和项“、[支付时间]]计算方式为”最大值项“,得到以用户编号进行区分的计算值。
步骤 2:
将计算后的数据复制到新工作表,想要得到可用的 RFM 数据,还需要做一些加工。
对表头稍加调整后,由于 R 指标需要的值是上次消费距离现在的时间,目前的是最后一次消费时间,需要进行再次计算。
笔者想知道最近消费时间距离 2022/5/12 间隔天数,使用 =$E$2-D2 计算。
如果你是想知道距离今天为止间隔多少天,可以使用函数 =TODAY()-D2。
在这个步骤,可以得到用于 RFM 模型客户分群目标数值。
步骤 3:
基于计分规则进行 RFM 得分计算,笔者这里使用的是百分位规则进行数值转换。
计分计算需要使用到 Excel 的多条件判断 IFS 函数,百分位使用 PERCENTILE 函数,RFM 指标计算依序使用下列算式:
- =IFS(B2<O21,5,B2<PERCENTILE(B:B,0.4),4,B2<PERCENTILE(B:B,0.6),3,B2<PERCENTILE(B:B,0.8),2,B2;=PERCENTILE(B:B,0.8),1)
- =IFS(C2<PERCENTILE(C:C,0.2),1,C2<PERCENTILE(C:C,0.4),2,C2<PERCENTILE(C:C,0.6),3,C2<PERCENTILE(C:C,0.8),4,C2;=PERCENTILE(C:C,0.8),5)
- =IFS(D2<PERCENTILE(D:D,0.2),1,D2<PERCENTILE(D:D,0.4),2,D2<PERCENTILE(D:D,0.6),3,D2<PERCENTILE(D:D,0.8),4,D2;=PERCENTILE(D:D,0.8),5)
通过计分计算,可以知道客户对应的代码值,如 115008 RFM 对应的代码值为 111。这个代码值可用于后续客户类型匹配。
有资料研究表明:对 RFM 模型各变量的指标权重问题,Hughes Arthur 认为 RFM 在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。笔者在本次演示计算不涉及 RFM 加权计算。
另外,Stone&;Bob 通过对信用卡案例的实证分析,提出了更能适应产业特性的计算方式。认为各个指标的权重并不相同,在研究中发现应该给予频度最高,近度次之,额度最低的系数加权有助于客户分群的准确性。
RFM 权重: WR>=2,WF=3,WM=1。
如果需要采用 RFM 加权计算,需要与专家和体验管理人员共同进行商定,因为权重的系数会直接影响客户分群的表现。
步骤 4:
依据 RFM 得分进行指标价值类别划分,笔者本次划分以平均值作为基准值。
价值类别划分需要使用到 Excel 的 IF 函数,RFM 价值类别划分依序使用下列算式:
- =IF(F2;=AVERAGE(F:F),“高”,”低”);
- =IF(G2;=AVERAGE(G:G),“高”,”低”);
- =IF(H2;=AVERAGE(H:H),“高”,”低”)。
通过价值类别划分,可以知道客户对应的值,如 115008 RFM 对应的价值类别代号为“低低低”。
步骤 5:
最后通过比对”客户分群评级表“,对 RFM 价值类别进行最终分群。
RFM 客户分群对照使用下列算式:
=VLOOKUP(I2&J2&K2,$N$2:$O$9,2,FALSE) 依此类推。
从下图可以看出,价值类别代号”低低低“对应的分群为「8 一般挽留客户」、代号”低低高“对应的分群为「4 重要挽留客户」。
到这里,客户分群的工作算基本完成了。但是基于客户分群,找到当前企业的客户结构分布状况以及该如何应对,才是我们需要关注的重点。
七、RFM 分析和评价
笔者对该零售电商公司当前的客户结构分布进行计数和百分比计算,了解客户的分布情况。
使用 COUNTIF 函数进行匹配,算式如下。
=COUNTIF(A:A,“1重要价值客户”)依此类推。
从分布情况可以看出,该零售公司「重要价值的客户群」占比近30%,基本算中等水平,仍需要进一步通过体验优化,通过“供给创造需求”深挖高净值客户的不同需求,可以提高该比例。
另外,「一般保持客户」群体占比高达 18% ,需要采取紧急行动,这类型客户目前还没有流失,需要好好把握,要不这部分客户流失将会造成大麻烦。
分布情况如下图所示:
体验管理对于不同的客户群体,可以参照下表的客户基本特征和行动策略进行体验优化工作。
比如,针对「一般保持客户」就可以参行动策略,利用一些优惠吸引客户再次消费。
八、写在最后
RFM 模型的核心概念是要在正确的指标和合适的评分方式下,应对不同阶段的体验管理目标,动态调整客户体验管理计划。
企业要想健康可持续的发展,需要依赖客户的长期、有价的支持。
对于客户体验管理来说,客户分群是我们开展工作的第一步,只有对客户的相关属性进行归类,体验管理和提升工作才能有矢放地。
还有,建立健康的客户结构,做好客户分群划分,体验部门需要时刻洞察客户迁移的动态变化背后的原因。
在面对重要的客户流失时,客户体验的着力点,应在有限的资源的情况下,提出最适的计划,积聚最大能量针对关键客群提供最“恰当”的体验。
观察 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,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。
在平稳期,应从中、低净值客户群体切入,将他们培养成忠诚客户,优化客户结构,分散风险,扩大企业护城河。
要知道力往一处使是非常重要的,企业在激烈的商业环境中,成败往往就在一念之间。
这里有一个需要特别注意的点,凡事需要触达客户的交互,都需要控制好“度”,不能无节制的对客户进行打扰,应该设计一个客户接触频率规则,确保把打扰控制在一个合理的阈值。
那么,如果你们公司还没开始进行客户分群,现在开始动手吧!相信会对你的客户体验管理工作有很大的助益。
#专栏作家#
龙国富,公众号:龙国富,人人都是产品经理专栏作家,人因工程硕士。致力于终身学习和自我提升,分享用户研究、客户体验、服务科学等领域资讯,观点和个人见解。
本文原创发布于人人都是产品经理,未经授权,禁止转载。
题图来自Unsplash,基于CC0协议。
专栏作家
龙国富,公众号:龙国富,人人都是产品经理专栏作家,CxHub主理人。致力于终身学习和自我提升,分享用户研究、客户体验、服务科学等领域资讯,观点和个人见解。
本文原创发布于人人都是产品经理,未经授权,禁止转载。
题图来自Unsplash,基于CC0协议。
该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。