如何在CRM系統中搭建RFM客戶價值分析模型?
如何管理客戶是門學問，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，活躍的仍舊那麼幾個，這時候你需要的是精細化運營。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里的「明星模型」。
RFM模型為什麼能成為客戶價值管理里的「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欄位，業務人員就可以在不需要信息部門或複雜軟體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。
快鯨稱，在眾多的客戶細分模型中，傳統企業和電商談的較多的是RFM模型。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。一般的分析型CRM著重在對於客戶貢獻度的分析，RFM則強調以客戶的行為來區分客戶。
這麼經典的模型，搭建RFM需要什麼?
3個資料庫的原始欄位記錄：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。
在應用RFM模型時，要有用戶最基礎的交易數據，至少包含用戶ID，交易金額，交易時間三個欄位。
RFM的含義：
§ R(Recency)最近一次消費時間：表示用戶最近一次消費距離現在的時間。消費時間越近的客戶價值越大。1年前消費過的用戶肯定沒有1周前消費過的用戶價值大。
目前網購便利，顧客已經有了更多的購買選擇和更低的購買成本，去除地域的限制因素，客戶非常容易流失，因此CRM操盤手想要提高回購率和留存率，需要時刻警惕R值。
§ F(Frequency)消費頻率：消費頻率是指用戶在統計周期內購買商品的次數，經常購買的用戶也就是熟客，價值肯定比偶爾來一次的客戶價值大。
但是如果實操中實際店鋪由於受品類寬度的原因，比如賣3C產品，耐用品等即使是忠實粉絲用戶也很難在1年內購買多次。所以，一般店鋪在運營RFM模型時，會把F值的時間範圍去掉，替換成累計購買次數。
§ M(Monetary)消費金額：消費金額是指用戶在統計周期內消費的總金額，體現了消費者為企業創利的多少，自然是消費越多的用戶價值越大。
M值是RFM模型中相對於R值和F值最難使用，但最具有價值的指標。對於一般店鋪而言，M值對客戶細分的作用相對較弱。用店鋪的累計購買金額和平均客單價替代傳統的M值能更好的體現客戶消費金額的差異。
基於這三個維度，將每個維度分為高低兩種情況，我們構建出了一個三維的坐標系。
通過圖表很直觀的發現，我們把客戶分為了2的三次方也就是8個群體。
如何搭建企業自己的RFM模型?
第一步，計算每個客戶的RFM指標。你可以通過CRM或者BI工具計算出來每個客戶的R，上次購買時間。F，購買次數。M，購買金額。
第二步，定義到R，F，M的度量範圍。
第三步，在RFM表格中添加我們細分的段號。如A客戶上次購買時間為53天前，購買頻次為3次，總金額為$230，所以A客戶的RFM為2，2，2。同理我們得出B客戶的RFM為3，3，2。C客戶的RFM為1，1，1。
接下來我可以根據不同的客戶價值屬性來進行針對性的營銷。
RFM還可以用來對客戶進行會員等級的劃分，根據客戶的購買頻次和購買金額來設定客戶的金、銀、銅的級別。
每當客戶交易一次的時候我們都會重新計算會員等級是否有變化，結合客戶的R(最近購買時間)後，可將會員按照活躍、風險和流失的客戶幾個維度來查看不同級別會員的情況。如發現高級別會員的流失比率比較大的時候，我們就要分析具體情況，採取措施來召回和挽留這些重要客戶。
關於搭建RFM模型的用戶分類
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。
R值最近一次消費時間表示用戶最近一次消費距離現在的時間，消費時間越近的客戶價值越大。以上方式計算出的R值越大說明當前用戶最近一次消費時間越遠用戶價值越小，而F值還有M值越大代表用戶價值越大，三組數據不在同一個描述維度，而且R值、F值、M值存在量級之間的差距，無法直觀的通過加減來衡量用戶價值。
這裡有兩種處理辦法分別是評分方式和演算法。
評分方式是根據三組數據各個值的特性，採用5分製為各個數據賦予一個評分值，R值的評分機制是R值越大，評分越小。具體評分的規則可以根據經驗設定分值的給予區間，或者將數據平均分配成為5組，對應5個分值。
演算法方式是根據數據特性將數據基於模型處理後量化用戶價值，分劃分高低維度、量化用戶價值兩步。
計算RFM總值的公式如下：RFM總值 = R值*(-1) F值 M值 100
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......
基於RFM模型的實踐應用
主要有兩種方法來分析RFM模型的結果：用基於RFM模型的劃分標準來進行客戶細分，用基於RFM模型的客戶評分來進行客戶細分。
1、基於RFM模型進行客戶細分
CRM實操時可以選擇RFM模型中的1-3個指標進行客戶細分，如下表所示。切記細分指標需要在自己可操控的合理範圍內，並非越多越好，一旦用戶細分群組過多，一來會給自己的營銷方案執行帶來較大的難度，而來可能會遺漏用戶群或者對同個用戶造成多次打擾。
最終選擇多少個指標有兩個參考標準：店鋪的客戶基數，店鋪的商品和客戶結構。
店鋪的客戶基數：在店鋪客戶一定的情況下選擇的維度越多，細分出來每一組的用戶越少。對於店鋪基數不大(5萬以下客戶數)的店鋪而言，選擇1-2個維度進行細分即可。對於客戶超過50萬的大賣家而言可以選擇2-3個指標。
店鋪的商品和客戶結構：如果在店鋪的商品層次比較單一，客單價差異幅度不大的情況下，購買頻次(F值)和消費金額(M值)高度相關的情況下，可以只選擇比較容易操作的購買頻次(F值)代替消費金額(M值)。對於剛剛開店還沒形成客戶粘性的店鋪，則可以放棄購買頻次(F值)，直接用最後一次消費(R值)或者消費金額(M值)。
2.通過RFM模型評分後輸出目標用戶
除了直接用RFM模型對用戶進行分組之外，還有一種常見的方法是利用RFM模型的三個屬性對客戶進行打分，通過打分確定每個用戶的質量，最終篩選出自己的目標用戶。
RFM模型評分主要有三個部分：
1、確定RFM三個指標的分段和每個分段的分值;
2、計算每個客戶RFM三個指標的得分;
3、計算每個客戶的總得分，並且根據總得分篩選出優質的客戶
比如，實操的過程中一般每個指標分為3-5段，其中R值可以根據開店以來的時間和產品的回購周期來判定，F值根據現有店鋪的平均購買頻次，M值可參考上文客單價的分段指標。
舉個例子：
確認RFM的分段和對應分段的分值之後，就可以按照用戶情況對應進行打分。
在CRM系統中僅有RFM模型還遠遠不夠，還要有延伸的標籤體系來互相補充。例如基本信息標籤、消費內容標籤、瀏覽行為標籤、營銷屬性標籤。
如何在CRM系統中搭建RFM客戶價值分析模型?這是一個人人都可以上手的模型，不管你是運營、銷售、財務、市場等等，RFM模型是一個很通用，又有一套科學理論的商業模型。總之，RFM最終的目的就是幫助業務提高運營效率和產出價值。
快鯨大數據智能會員管理系統，能夠進行智能移動化會員管理及會員大數據分析。定義會員屬性，靈活的會員標籤管理和畫像分析;自動記錄會員行為，為精準二次營銷提供依據;移動化APP管理會員，高效便捷。發券、收銀、儲值、節日、RFM等多種二次營銷應用，提升復購率。
推薦閱讀：
