客戶至上，我們都希望服務好客戶，促進銷售轉化，最好能對產品和品牌產生黏性，長期購買。
於是乎市場絞盡腦汁做活動、上線新產品、結合熱點做營銷，大燥大熱。銷售不斷電話、拜訪、維繫客戶感情。但CRM裡躺著的10W個客戶，鳥你的依舊只有10%。
為什麼？因為不同的客戶消費需求不一樣：低消費群體對價格敏感，老客戶對新品感到興奮，有些客戶只圖基本需求。大包大攬的營銷，無感的依舊無感，活躍的仍就幾個。
至此，大家可能多多少少可以體會到需要“精細化運營”了。在面向客戶制定運營策略、營銷策略時，我們應當針對不同的客戶推行不同的策略，實現精準化運營，以期獲取最大的轉化率。精準化運營的前提是客戶關係管理，而客戶關係管理的核心是客戶分類。
RFM模型是客戶價值管理裡的“明星模型”。通過客戶分類，對客戶群體進行細分，區別出低價值客戶、高價值客戶，對不同的客戶群體開展不同的個性化服務，將有限的資源合理地分配給不同價值的客戶，實現效益最大化。
再者，本著“市場預算透出產出比最高”的原則，其實我們不需要向所有客戶群體進行邀請，根據二八定律，我們只需要對20%的目標優質客戶銷售，就能獲取80%的收益。
很自然地，這就需要我們去了解我們優質的客戶有哪些。但是如何判別優質客戶呢，評價的數據指標是什麼，大小又如何衡量？
通過本文，你能夠理解和學會RFM模型的基礎知識，並且手把手教你用BI工具搭建RFM分析模型。
內容大綱
1、RFM客戶價值模型的強大之處
- RFM模型為什麼能成為客戶價值管理裡的“明星模型”？
- RFM模型能夠解決哪些業務問題？
- RFM模型應用的典型案例
- RFM模型能夠應用在以下行業領域和細分場景
- 搭建RFM需要哪些基礎數據？
2、利用FineBI搭建RFM模型
- 原始數據
- RFM分箱
- 用戶分類
3、RFM模型可視化DashBoard及應用
4、RFM模型的擴展
一、RFM客戶價值模型的強大之處
在深度認識前，先來直觀認識下這個場景能夠為你帶來什麼？
RFM模型為什麼能成為客戶價值管理裡的“明星模型”？
- 它很客觀 - 利用客觀的數字尺度，對客戶進行簡明而翔實的高水平描述。
- 它很簡單 - 只需要客戶的消費時間和消費金額兩個字段，業務人員就可以在不需要信息部門或複雜軟件的情況下就能有效使用它。
- 它很直觀 - 這種分割方法的輸出很容易理解和解釋。
RFM模型能夠輕鬆地解答你業務上的這些問題
- 誰是我最好的客戶？
- 哪些客戶正處於流失的邊緣？
- 誰有可能轉化為更有利可圖的客戶？
- 誰是你不需要關注的無價值客戶？
- 你必須保留哪些客戶？
- 誰是你的忠實客戶？
- 哪些客戶最有可能對當前的營銷動作做出回應？
RFM模型教給你的那些典型業務決策
客戶價值有幾種常用的分類規則，6種、8種和11種， 下面講述最為常見的8類分類法及對應的典型業務決策。話不多說，直接上乾貨。收藏保一年系列，表格列得十分清楚。加粗的是更值得我們關注的客戶群體，不過不同的企業重點關心的客戶群可能不同，所以對應的業務決策也不是絕對的。
RFM模型能夠應用在以下行業領域和細分場景
互聯網、零售、電商、通信、 銀行、旅遊、餐飲、 交通運輸、保險、證券、 基金、醫藥、採購/供應商評估......
這麼經典的模型，搭建RFM需要什麼？
3個數據庫的原始字段記錄：客戶名稱（或者客戶ID/客戶電話/客戶郵箱）、消費時間、消費金額。
進而整理出4個字段：
- 客戶名稱
- 近度（Recency，最近一次消費到當前的時間間隔）
- 頻度（Frequency，最近一段時間內的消費次數）
- 額度（Monetory，最近一段時間內的消費金額總額/均額）。
二、利用FineBI搭建RFM模型
RFM搭建的原理很簡單，用Excel就能搭建。但是用Excel需要寫很多函數和代碼，過程相對複雜。近幾年，不少數據分析師已經開始用BI可視化工具來搭建這樣的分析模型。
在這裡推薦一個BI工具——FineBI。FineBI是一個能快速洽搭建各種業務模型的自助式分析平臺，企業級商業分析工具，常用於各種業務的數據分析。圖表美觀、上手簡單，搭建模型也不需要很專業的數據挖掘技能。可以幫助業務人員用系統化的方法來規劃、執行、測量和優化一個完整的、高度個性化的客戶需求管理計劃。
下面用FineBI為工具，手把手教給大家搭建RFM模型的過程。
原始數據
如圖，通過客戶名稱、消費時間、消費金額來處理出上次交易間隔R、交易頻率F、交易金額M三個原始字段。
RFM分箱
給記錄增加R、F、M三個字段，給這三個分級字段設定打分規則，然後分別算出三個字段值的過程，就叫分箱。
首先是打分級別，即可以把數據分成幾層，通常為5的倍數級別，可以根據自己客戶體量來調整；其次是具體打分規則，有兩種：
- 簡單的固定範圍
如果有人在過去24小時內購買過，則將其分配5，在過去3天內，對其進行評分4，如果他們在本月內購買，則分配3，過去6個月內分配2，其他人為1。範圍的閾值取決於業務的性質，由你自己定義頻率和貨幣值的範圍，更多的適用於對個人的客戶。但是對於RFM分數的固定週期/範圍計算存在挑戰，因為隨著業務的增長，分數範圍可能需要經常進行調整。
- 按層次分級（AHQ分級）
如果數據飽滿並且數據質量不錯的話，更推薦這種分級方法，即把所有記錄按照從小到大排序，然後按照大小的位置來給分。因為範圍是從數據本身中挑選出來的，它們均勻分配客戶並且沒有跨越等級。
這裡以簡單的固定範圍為例，來演示下用FineBI給R、F、M值分箱的過程，基本只要鼠標點擊就能完成。
用戶分類
各個記錄有了對應的R、F、M的值後，接下來需要對各記錄的R、F、M值具體判斷處在所有記錄中的水平高低。
1.計算參考值
要判斷水平高低肯定要有一個判斷標準，可以是R、F、M的平均值/中位數/以標準差校正後的值。這裡以平均值為例，同樣地，在FineBI也只要拖拉就可以計算出平均值。
2. 和參考值比較
和計算出的參考值進行比較，判斷每個客戶的得分是高於平均分還是不高於（低於等於）平均分，對應賦值為1和0表示。
3.根據和參考值比較結果進行用戶分類
最終根據上述比較就會得到8個分類的結果（R2種結果*F2種結果*M2種結果=8），即按照下列分類規則對用戶進行分類。
以”重要價值客戶“為例，是R、F、M都大於均值的客戶，其它同理。
最終大功告成，得到下面RFM客戶細分模型結果。
三、RFM模型可視化DashBoard及應用
進一步應用RFM模型對客戶進行細分的結果，可以開發出許多可視化數據分析模板。來通過一張相當經典的DashBoard來簡要分析下RFM模型的具體應用。
1.矩形樹圖-客戶價值分類：是整個RFM模型的核心，直觀顯示了8個客戶群的人數及佔比，可以聯動到其它組件來查看具體某客戶群下的情況。
2.試管型儀表盤-客戶類型人數：顯示各客戶類型的具體人數
3.餅圖-交易金額組成：由於我們最關心的是各客戶群的價值貢獻，所以研究不同人群的交易金額佔比，可以得到哪個人群的貢獻值較大，對於我們的價值更大。
4.點圖-MF-R分佈：橫座標為F交易頻率，縱座標為M交易金額，點大小為R上次交易間隔。通過MF分佈來直觀看到客戶的消費能力分佈，進而通過R的大小來鎖定哪些客戶更為忠誠。
5.點圖-RF-M分佈：橫座標為F交易頻率，縱座標為R上次交易間隔，點大小為M交易金額。通過RF分佈來直觀看到客戶的消費異動情況，進而通過M的大小來判斷哪些客戶更有必要挽回。
6.點圖-MR-F分佈：橫座標為M交易金額，縱座標為R上次交易間隔，點大小為F交易頻率。通過MR分佈來直觀看到客戶的消費潛能情況，進而通過F的大小來挖掘更有價值的客戶。
7.分組表-交易明細：顯示各客戶類型下的客戶交易明細。
這個DashBoard可以快速鎖定我們關心的客戶群體，確定他們的具體特徵及名單。最後只要根據這個分析的結果來採取針對性的業務決策。
具體常用的業務決策可以參見上述“RFM模型教給你的那些典型業務決策”。
四、RFM模型的擴展
RFM模型是對客戶細分的直接而強大的方法。但是，RFM模型只考慮三個具體因素（儘管重要的因素）也就意味著該方法可能會排除同等或更重要的其他變量（例如購買的產品，之前的活動響應，人口統計信息）。
同時，RFM營銷本質上是一種歷史方法：它研究過去的客戶行為，這些行為可能會或可能不會準確地表明未來的活動，偏好和反應。更先進的客戶細分技術基於數據預測分析技術，這些技術在預測未來客戶行為時往往更為準確。
RFM是量化客戶行為的簡單框架。許多人已經擴展了RFM模型進行了變體：
- RFD（近度，頻度，持續時間） - 此處所用時間是花費的時間。在分析觀眾/讀者/衝浪導向產品的消費者行為時特別有用。
- RFE（近度，頻度，參與度） - 參與度可以是基於頁面上的時間，每次訪問的頁面，跳出率，社交媒體參與度等綜合價值，對於在線業務尤其有用。
寫在最後
RFM客戶價值模型是一種有著幾十年發展和應用的業務分析模型，實際上的R、F、M在進行計算時，還要進行歸一化和標準化的處理。這些都是傳統典型的RFM模型，儘管現在依舊在被廣泛地使用，不過在發展到最新的RFM模型中，分箱和客戶分類的過程都可以由工具自動完成，FineBI 5.0的數據挖掘功能也很好地支持了客戶聚類分類的功能，接洽RFM模型的自動搭建，這些技術在對客戶細分特徵時更為準確。
參考資料：RFM Analysis For Successful Customer Segmentation , Anish Nair
閱讀更多 帆軟 的文章
