概述
RFM模型是通过
- 近期购买(Recency)
- 频率(Frequency)
- 消费金额(Monetary)
三个维度,将用户划分为8类群体,用以评价、管理客户群体的数据分析模型。
通过RFM模型对客户群体进行分析、研究的方式、方法称为 RFM分析法 。
参数解读
近期购买(Recency)
客户首次消费与第二次消费之间的时间间隔。理论上R值越小,客户价值越高。可以2个月为单位时间长度进行划分。
频率(Frequency)
客户在单位时间内的购买次数,即复购率。
消费金额(Monetary)
单位时间内客户消费的金额。
小技巧:可以所有用户平均消费金额的1/2为间隔将累计消费金额进行分段,这样的好处是,明显,而且制作成图表后每个数列都具有一些数据,易观察。
RFM模型的架构
基于R、F、M、三个指标从重要、一般两个标准,有价值>可发展>可保持>需挽留四个梯度,可以将用户划分为8种类型,如下表格所示。
指标参数\用户类型 |
近期购买(Recency) |
频率(Frequency) |
消费金额(Monetary) |
重要价值客户 |
高 |
高 |
高 |
一般价值客户 |
高 |
高 |
低 |
重要发展客户 |
高 |
低 |
高 |
一般发展客户 |
高 |
低 |
低 |
重要保持客户 |
低 |
高 |
高 |
一般保持客户 |
低 |
高 |
低 |
重要挽留客户 |
低 |
低 |
高 |
一般挽留客户 |
低 |
低 |
低 |
如果我们以R\F\M分别为一个三维坐标的横、纵、深轴,将上述8种用户类型代表的范围在三维坐标轴中表示出来,我们即可得到一个由8个小立方体组成的立方体,每个小立方体都代表了一类用户,整体大的立方体就是完整的RFM模型。
RFM模型的作用
- 基于RFM模型进行客户细分
- 通过RFM模型评分后输出目标用户
1、基于RFM模型进行客户细分
- 选择RFM模型中的1-3个指标进行客户细分
– 指标有两个参考标准:店铺的客户基数,店铺的商品和客户结构
- 切记细分指标需要在自己可操控的合理范围内
–用户细分群组过多,将给营销方案执行带来较大的难度,而且可能会遗漏用户群或者对同个用户造成多次打扰
- 在客户一定的情况下选择的维度越多,细分出来每一组的用户越少
指标 |
客户分组 |
指标分段 |
运营策略 |
R值 |
活跃客户 |
60日未购买 |
营销信息全面触达 |
沉默客户 |
60~90日未购买 |
低频高折扣 |
|
睡眠客户 |
90~180日未购买 |
大型活动触达 |
|
流失客户 |
180日以上未购买 |
超大型活动触达 |
|
F值 |
新客户 |
初次购买 |
触达促销信息 |
老客户 |
复购1次(购买2次) |
推送品牌信息 |
|
成熟客户 |
复购2次(购买3次) |
推送新品/活动信息 |
|
忠实客户 |
复购3次以上(购买4次) |
触达会员/权益信息 |
|
M值 |
低贡献客户 |
<1/2pct |
折扣/促销 |
中贡献客户 |
1/2pct~pct |
折扣/促销 |
|
较高贡献客户 |
pct~2*pct |
品牌/权益 |
|
高贡献客户 |
>2*pct |
品牌/权益 |
- 客单价(per customer transaction)=销售额/成交客户数
2、通过RFM模型评分后输出目标用户
- 为R\F\M进行赋值,对客户进行打分,通过得分确定每个用户的质量,最终筛选出自己的目标用户
- 获得得分后,可进行其他参数的计算,以达到最终客户分类目标
- 通过赋值权重可以减少品类、品牌调性对于用户分类的影响
例:
指标 |
指标分段 |
得分 |
R值 |
60日未购买 |
4 |
60~90日未购买 |
3 |
|
90~180日未购买 |
2 |
|
180日以上未购买 |
1 |
|
F值 |
初次购买 |
8 |
复购1次(购买2次) |
6 |
|
复购2次(购买3次) |
4 |
|
复购3次以上(购买4次) |
2 |
|
M值 |
<1/2pct |
3 |
1/2pct~pct |
6 |
|
pct~2*pct |
9 |
|
>2*pct |
12 |
- 具体赋值可依据商品、品类、用户、品牌调性、发展阶段综合确定
如若转载,请注明出处:https://www.sumedu.com/faq/29502.html