应用 RFM 模型客户分群提效客户体验管理.docx

《应用 RFM 模型客户分群提效客户体验管理.docx》由会员分享，可在线阅读，更多相关《应用 RFM 模型客户分群提效客户体验管理.docx（20页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、应用RFM模型客户分群，提效客户体 验管理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，比方，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

2、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。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、皮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。G2fx =$E$2-D2ABCDEFGH1用户编号消费次

3、数1相费总赖最近消费时间用户编号RF2 |1150081 J19.952021/10/16 9:362022/5/121150081|20811131150386169.732021/10/17 18:30115038206164115050315.792021/10/16 17:10115050|207351 115066 Hr 7 I112.33L?022/4/l 18:0811506640|761 115088 1127.92021/10/22 9:181150882021711519612147.582022/3/25 17:57115196|47|128115359848.77202

4、2/3/27 17:39115359|4589115483457.52022/3/25 17:57115483r 4741011556122002021/10/16 9:51115561208211| 115562 |5157.882021/10/16 18:07115562匚 20751211561114002021/10/16 14:39115611L 2071131156566 J152.62021/10/16 18:10115656L 20761411579316225.782022/3/26 19:09115793461615116811211.82021/10/19 10:2611

5、6811匚 20521611684920219.642022/3/31 16:4711684941201711688619.92021/10/16 17:49116886|2071 1181169067 I350.652021/10/18 14:54116906匚 205719116940668.492021/10/17 17:46116940H 20662011698711123.952022/3/27 17:52116987|45 n1121| 117068115.52022/3/25 17:5711706847 nr i2211710117.92021/10/16 17:14117101

6、207i23117110111123.172022/3/25 17:49117110|47ii|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（）-D2o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 :基于计分规那么进行RFM得分计算，笔者这里使用的是百分位规那么进行数值转 换。标准R分值F分值M分值80%分位数155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指标计算依序使用以下算式： =IFS(B2O21/5/B2PERCENTI

7、LE(B:B,0.4)/4/B2PERCENTILE(B:B,0.6),3,B2PERCENTILE(B:B,0.8),2zB2;=PERCENTILE(B:Bz0.8)zl) =IFS(C2 PERCENTILE(C:CQ.2),LC2 PERCENTILE(C:C,0.4)/2,C2 PERCENTILE(C:C,0.6)3C2PERCENTILE(C:C,0.8),4,C2;=PERCENTILE(C：C0.8),5) =IFS(D2 PERCENTILE(D:D,0.2)/l/D2 PERCENTILE(D:D/0.4),2,D2 PERCENTILE(D:D,0.6)3D2PERCE

8、NTILE(D:DQ.8),4,D2;=PERCENTILE(D:D,0.85)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 lllo这个代码值可用于后续客户类型匹配。F2X y/ fic =IFS(B2O21/5,B2PERCENTILE(B:B/0.4)/4,B2=2,WF=3,WM = 1O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。标准R价值类别F价值类别M价值类别平均值0（低价值）0（低价值）0 （低价值）2平均值1

9、（高价值）1（高价值）1 （高价值）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以下算式： =IF （ F2;=AVERAGE （ F:F ）,高，低”）;.=IF （ G2;=AVERAGE （ G:G ）,高，低）; =IF ( H2;=AVERAGE ( H:H ),高，低)o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11 :丁6RFGH 111RFMR2111低3135低4121低5534高6111低7254低8341高9222低10115低11124低12115低13134低14355高15111低16555高17111低1

10、8135低19132低20444高代号为低低低。步骤5:J F低低低低低高高低低低低低高低高低低低高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。R价值类别F价值类别M价值类别价值类别所属类别高（1分）高。分）高（1分）. * .CZJ C=3 CO r r=j r=j1重要价值客户高（1分）低（0分）高（1分）局低局2重要保持客户低（0分）高（1分）高（1分）低局局3重要开展客户低（0分）低（0分）高（1分）低低高4重要挽留客户高（1分）高。分）低（0分）局局低5 一般价值客户高（1分）低（0分）低（0分）高低低6 一般保持客户低（0分）高（1分）低（0分）低高低7 一般开展客户

11、低（0分）低（0分）低（0分）低低低8 一般挽留客户RFM客户分群对照使用以下算式：=VLOOKUP（I2&J2&K2,$N$2:$O$9,2,FALSE）依止匕类推。从以下图可以看出，价值类别代号低低低”对应的分群为8 一般挽留客户、 代号低低高对应的分群为4重要挽留客户。SUM ： X 5/孜 =VLOOKUP(I2&J2&K2,$N$2:$O$92FALSE)|KLMN1RFM一用户评级2 1:低 1 低 1 低 ！$O$9,2,FALSE) !O = C3 向向向1重要f3 低 7重要挽留客户高低高2重要彳4低8一般挽留客户低;图演 二3重要25高2重要保持客户低低高4重要才6低8一般

12、挽留客户5一般彳7低3重要开展客户高低低6一般彳8高5一般价值客户低高低7一般29低8一般挽留客户低低低8一般才10低4重要挽留客户111低4重要挽留客户12低4重要挽留客户13低4重要挽留客户14高1重要价值客户15低8一般挽留客户16高1重要价值客户17低8一般挽留客户18低4重要挽留客户19低8一般挽留客户20高1重要价值客户到这里，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。

13、=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。SUM : X 寸 fic =COUNTIF(A:AJ1重要价值客户ABCD1 .客户评级.客户类型数量一 占比2 |8一般挽留客户3 4重要挽留客户4 8一般挽留客户5 2重要保持客户6 8一般挽留客户7 3重要开展客户8 5一般价值客户9 8一般挽留客户10 4重要挽留客户11 4重要挽留客户12 4重要挽留客户13 4重要挽留客户1重要价值客户|值客户“)2重要保持客

14、户 3重要开展客户4重要挽留客户5一般价值客户6一般保持客户7一般开展客户8一般挽留客户29.87%9.55%1239711.52%9.08%282.62%19217.98%17 1.59%19017.79%1068100.00%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，要不这局部客户流失将会造成大麻烦。分布情况如以下图所示：某新零售电商RFM客户类型分布(2021/10-2022/04 )350300250200150100503190占比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。比方，针对I

15、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。所属类别特征行动策略1重要价值客户优质客户应提高满意度，增加留存2重要保持客户重要客户但购买频率低可通过活动提高购买频率3重要开展客户重要客户但最近不消费触达客户防止流失4重要挽留客户潜在价值客户了解客户需求想方法挽留5一般价值客户忠诚客户但消费金额低引导其消费6 一般保持客户新用户利用优惠吸引消费7 一般开展客户一般客户较少关注8 一般挽留客户流失客户较少关注八、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开展，需要依赖客户的长期、有价

16、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。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应，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。指标解释意义R (Recency)客户最近一次交易时间R越大

17、，表示客户越久未发生交易近度的间隔R越小，表示客户越近有发生交易F (Frequency)客户在最近一段时间内F越大，表示客户交易越频繁频度交易的次数F越小，表示客户不够活跃M (Monetary)客户在最近一段时间内 M越大，表示客户价值越高额度交易的金额M越小，表示客户价值越低 R ( Recency )近度一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 )频度一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 )额度一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

18、为衡量指标，消费越多的客户价值越大。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

19、需要控制好度， 不能无节制的对客户进行打搅，应该设计一个客户接触频率规那么，确保把打搅控 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。电购物商业务R(Recency)近度近一次登录F (Frequency) 频度登录频率M (Monetary) 额度在线时长通常客户分群有两种方式：一种是根据客户的基本信息，另_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。互联网社交业务比方，

20、电子邮件（EDM ）营销依据RFM模型,可以划分为FR =上次邮件打 开的时间、FF = 一段时间内，邮件翻开的次数、M = 一段时间内，根 据每个客户的获取本钱及利润等因素估计的价值。比方，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、 FF = 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 .依据行业规那么划分 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

21、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 .依据百分位规那么划分这种方式是将数据转换成15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15分。计分方式如下表所示：标准R分值F分值M分值80%分位数155 R指标是时间间隔越短越好，所以=平均值1（高价值）1（高价值）1 （高价值）M消费金额高(T)F消费频率低(i)M消费金额低(J)一般挽留客户(RJF JM J )一般保持客户(RJFTMJ )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

22、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、重要开展、重要维持、一般价值、一般挽留、一 般开展和一般保持。企业要减少重要挽留客户，活化重要保持客户，挖掘 重要开展客户，才能产生源源不绝的重要价值客户.要挽留客户(RJFJMT )要保持客户(RJFTMT )图片来自经理人月刊第187期| Guofu重绘 RTFtMt :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开展的源动力，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

23、，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。 R1FTMT :在过去业务开展过程中，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。 RtFIMt :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 要开展客户。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。 R1F1MT :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

24、交互，看看有哪些体验 不满意的地方，防止失去这群客户。还有对于一般保持客户、一般开展客户、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， 挖掘重要开展客户。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

25、格式。操作步骤如下图:开始今日，C 一插入 绘图 页面布局 公式 数据 审阅 视图二订单数据AcrobatIE条件格式 加套用表格格式 7单元格样式Q Office更新假设要保持使用最新平安更新、修且和改进，请选择“检查更新二编辑创Ad(A2 ： X 3 fx 24829626664086785758ABCDEFGH11订单号用户编号支付时同商品编码商品名称价格数实付金额224829626666785753 J 2000133692022/4/29 16:5209r4702943490468495501蒙牛唉酸味奇遇酸牛奶150g*511.9111.93r4894792237033753251

26、旺仔牛奶大铁125ml6164r君乐宝酸如90g8131135vziriTVi AfcllLHl目杏跑我袋装4.9914996r油麦菜约1000g11.98111987歌黄约1000g3.9813.9885254075468759313245造萝约1500g11.97111.979F精搜肉约1000g29.96129.9610F精品五花肉约1000g29.96129.9611F瘦肉饴约1000g27.96127.9612F腔撑约1000g31.961319613r油菜约1000g3.9813.98145598043907502057904绿黄瓜约1000g3.9813.9815菜头约1500g

27、4.7714.7716r4752360569637921696好人家水煮电片调料100g6.516.5172022/4/27 1600:53r小台芒约1000g15.981159818r国产红心火龙果约lOOOg25.8125319r4944892250210852902小瓜约1000g5.9815.9820r菠菜约1000g11.98111.9821西红柿约1500g11.97111.9722杏跑玄袋装4.9914.99232022/4/27 1600:59r麻黄约KXXR5.9815.9824r4650575539793712544库尔勒香梨约1000g113111B25530837570

28、4647874860花生柿子约1000g293129326r4992065035554415862耙耙相约1500g41.7141.727252032236410356901862022/4/24 1638285759832637915419483羊角脏约1500g29,7129.7285367864673276632677黄油桃约1000g25.81253292508934790094588548B1835692022/4/24 15:17:17r4944892250210852902小瓜约1000g5.98159830土豆约log6.7832034315729264750860773508

29、圆茄子约1000g7.182143632白惠头约1500g7.7717.7733554760a34109730fi70?百香果。个奘)717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:全选原数据一插入/数据透视表一新工作表。ABCDEFG用户编号计数项:订单号求和项:实付金额最大值项:支付时间115008-119.952021/10/16 9:361150386169.732021/10/17 18:30115050315.7920

30、21/10/16 17:101150667112.332022/4/1 18:08115088127.92021/10/22 9:1811519612147.582022/3/25 17:57115359_ 848.772022/3/27 17:39115483457.52022/3/25 17:5711556122002021/10/16 9:511155625157.88二 2021/10/16 18:0711561114002021/10/16 14:391156566152.62021/10/16 18:1011579316225.782022/3/26 19:09116811211.

31、82021/10/19 10:2611684920219.642022/3/31 16:4711688619.92021/10/16 17:491169067350.652021/10/18 14:54116940668.492021/10/17 17:4611698711123.952022/3/27 17:52117068115.5二 2022/3/25 17:5711710117.92021/10/16 17:1411711011123.172022/3/25 17:491172272 21197.732022/3/26 18:461173962173.92022/3/28 17:501174734101.62022/3/27 17:411174871497.72022/3/25 17:591175159179.472022/3/25 17:5611753419205.832022/3/25 17:57117567327.972021/10/16 18:16数据透视表字段QQ订单号Q用户编号Q支付时间在a qmV筛选器E行：用户编号