RFM在传统的直效营销领域的应用
作为一种对客户分类的方法,RFM分析模型起初主要用于直效营销(Direct Marketing)领域,目的是提高老客户交易的次数。
广东一家办公设备及耗材零售企业,在省内建立了9家连锁配送中心,业务发展迅速,有过成交记录的老客户也多了起来,通过向客户用邮政信函发送商品目录、开展直效营销的成本越来越高。该公司希望找到一种更有效的方法,来区分客户,以便在“更恰当的时间、向恰当的客户传递恰当的商品信息”,从而刺激重复交易,同时也适当降低邮寄费用。
他们把客户购买日期到当天的天数算出来,得到R这个参数。然后可以依据参数R的大小对客户进行分组,例如可以把客户分成数量基本相等的5个等级,R5级表示购买时间最接近统计当日,R1级表示购买时间最远离统计当日;此外还可以依据停止交易的绝对天数、不考虑每级的客户数量是否近似而进行划分。
对于R5级的客户,该公司会立即再邮寄一份商品目录及奖励积分计划,对于R4级的客户则会在一周内再邮寄一份商品目录及奖励积分计划,对于R3级以下的客户则不采用这重追随购买的邮寄方式。 根据国外的统计结果,R5级客户对直效邮件的回函率是R4级的三倍,因为这些客户刚完成交易不久,所以会更注意同一公司的商品信息。如果及时跟进的邮件内容,采用“交叉销售”(Cross-Sell)或“追加销售”(Up-Sell)的策略,推荐与客户购买需求相关度高的商品,或者提供额外的重复购买奖励,效果更加显著。
通过大量的统计发现,紧随参数R之后、与重复购买有密切关系的是参数F。采用F购买次数作为参数,将客户分为F5~F1五组,采取不同的邮寄策略也是很有意义的。例如过去6个月购买超过5次以上的客户,今后将每月邮寄一次商品目录;而购买不足2次的客户,将只会每两个月邮寄一次。
相对而言,参数M与刺激重复购买的频率之间关系不那么紧密。统计发现,如果采用M货币价值这个参数对客户分类,平均交易金额高的客户的反馈率并不见得比平均交易金额低的客户来得多。但这个世界永远存在这样一些客户,他们对一些促销宣传小策略反应冷漠,但偶尔一次的大额采购往往给您带来意外的惊喜。 因此有必要让他们在需要采购的时候能想起您,这就需要利用参数M,同样我们也可以把客户分为M5~M1五组。
将客户分别按照R、F、M参数分组后,假设某个客户同时属于R5、F4、M3三个组,则可以得到该客户的RFM代码543。同理,我们可以推测,有一些客户刚刚成功交易、且交易频率高、总采购金额大,其RFM代码是555,还有一些客户的RFM代码是554、545……每一个RFM代码都对应着一小组客户,开展市场营销活动的时候可以从中挑选出若干组进行。
RFM非常适用于提供多种商品的企业,这些商品单价相对不高,或者相互间有互补性,具有多次重复购买的必要,这些企业可能提供如下商品:日用消费品、服装、小家电等;RFM也适用于这类企业,它们既提供高价值耐用商品、同时又提供配套的零部件或维修服务,如下:精密机床、成套生产设备、打印机等;RFM对于商品批发、原材料贸易、以及一些服务业(如旅行、保险、运输、快递、娱乐等)的企业也很适用。
1.如何通过外卖订单数据,分析用户的基本属性;
用户的订单上都有订餐地址,通过对于订餐地址的统计,我们可以查询到不同条件组合下的用户分布,甚至能知道喜欢某道菜的用户都在哪里。类似的用户数据挖掘,还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。
值得注意的是,数据平台间的差异还是蛮大的,除了跨平台分析也需要分平台对比,有利于针对不同平台做出不同的营销策略。
上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——
1.谁是我的重要价值客户,他们都有什么特点?
2.谁是我需要重点保持联系的客户,他们都有什么特点?
3.谁是我的重要发展客户,他们都有什么特点?
4.谁是我的重要挽留客户,他们都有什么特点?
想要解答这个问题,我们需要动用更高阶的分析模型,去挖掘有效信息。
2.如何通过RFM模型,为用户分群,实现精细化运营
RFM模型是一个被广泛使用的客户关系分析模型,主要以用户行为来区分客户,RFM分别是:
R = Recency 最近一次消费
F = Frequency 消费频率
M = Monetary 消费金额
需要详细了解以上三个指标定义的,可以去戳度娘,教科书式的RFM区分,会将维度再细分出5份,这样就能够细分出5x5x5=125类用户,再根据每类用户精准营销……
显然125类用户已超出普通人脑的计算范畴了,更别说针对125类用户量体定制营销策略。实际运用上,我们只需要把每个唯独做一次两分即可,这样在3个维度上我们依然得到了8组用户。
这样,之前提的四个问题,就能很容易被解读(编号次序RFM,1代表高,0代表低)
重要价值客户(111):最近消费时间近、消费频次和消费金额都很高,必须是VIP啊!
重要保持客户(011):最近消费时间较远,但消费频次和金额都很高,说明这是个一段时间没来的忠实客户,我们需要主动和他保持联系。
重要发展客户(101):最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,必须重点发展。
重要挽留客户(001):最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当基于挽留措施。
3.如何在BDP个人版上建立RFM模型,帮助用户分群
这时候可能会有朋友问了,天啦,你这个三维模型,我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化,我们将R域切一块出来(即在近30天有复购的用户中做分析),压扁了就会看到。
上方的表示或许还是太学术了,简单的说
第一步:先挑出来近1个月的复购用户。
第二步:近1个月内复购用户的平均实付金额做纵轴。
第三步:近1个月内复购用户的购买次做横轴,生成表格。
第四步,你需要自己在这个表格上划红线。
横着的红线,代表着你认为来吃饭的客人平均每餐该花多少钱,我这里设定的值是25元,叫外卖25都没付到,对我而言是低消费金额(低M)用户。
竖着的红线,代表着你认为复购多少次的客人,是你的高频用户。外卖点餐流动率很大,一个用户每个月能在一家店点三次以上的菜,对我而言即是高频。
这样,BDP个人版上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢?举个例子
比如对圈用户群发短信转化只有不到1%时,你可以用RFM做个分析,只选取R值高的用户(最近2周到最近一个月内消费的用户),转化率可以由1%提升到10%。
这也意味着,以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信,得到100个订单,还是愿意花48元给800人发短信得到80个订单,相信大家一定会选后者。
而整体的RFM区分,则能够帮掌柜们针对不同的用户发不同的短信,短信的开头是用“好久不见”、还是用“恭喜你成为VIP”,就得看时重要保持客户还是重要价值用户了。只有能区分用户,才能走向精细化运营。
(推荐答案!)怎样更好的使用RFM模型进行营销分层?
RFM模型较为动态地显示了一个客户的全部轮廓,这对终只犯音老个性化的沟通和服务提供了依据,同时,如果与该客户打交道的时间下品方务尼音位成处老足够长,也能够较为精确地判断该客户的长期价值(甚至是终身价值),通过改善三项指标的状况,从而为更多的营销决策提供支持。
在RFM模式中,R(Recency)表示客户购买的时间有多远,F(Frequency)表示客户在时间内购买的次数,称致无形M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献某滑环低余度的分析,RFM则强调以客户的行为来区分客户。
RFM非常适及航沉用于生产多种商品的企业,而且这些商品单价相对不高,如消费品、化妆品、小家电、录像带店、超盟市等;它也适合在重端必相系磁便反一个企业内只有少数耐久商品,但是该商品中有一部分属于消耗品,如复印机、打印机、汽车维修等消耗品;RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证袁东皇阻础考翻注券公司等也很适合。
RFM可以用来提高客户的交易次数。业界常用的占需米生解世小销看初节DM(直接邮寄),常常一次寄发成千上万封邮购清单,其实这是很浪费钱的。根据统计(以一般邮购日用品而言),如果将所有R(Recency)的客户分为五级,最好的第五级回函率是第四级的三倍,因为这些客户环旧露刚完成交易不久,所以会更注意同一公司的产品信息。如果用M(Monetary古物部钱)来把客户分为五级,最雨达既好与次好的平均回复率,几乎没有显著差异。
有些人会用客户绝对贡献金额来分析客户是否流失,但是绝对金额有时会曲解客户行为。因为每个商品价格可能不同,对不同产品的促销有不同的折扣,前顶二你武再号饭圆所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动,则更可以显现出相对行为。企业用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,就可以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。
RFM也不可以用过头,而造成高交易的客户不断收到信函。每一个企业应该设计一个客户接怀久缩效触频率规则,如购买三天或一周内应该发出一个感谢的电话或Email角提果约迅,并主动关心消费者是否有使用松养增补说准方面的问题,一个月工后发出使用是否满意的询问,而三个月后则提供交叉销售的建议,并开始注意客户的流失可能性,不断地创造主动接触客户的机会。这样一来,客户再购买的机会也会大幅提高。
企业在推行CRM时,就要根据RFM模型的原理,了解客户差异,并以此为主轴进行企业流程重建,才能创新业绩与利润。否则,将无法在新世纪的市场立足。