談到RFM分組,一般常見為五等分,將客戶分成5×5×5 = 125等級中,如下所示。

 

1.jpg

 

但是如何劃分是一個關鍵問題,必須按照不同的行業、商品和時段來仔細分析。尤其數據分布很難是均勻的,往往都是有偏向的情況,這是是難以劃分的。以下介紹實務在作RFM分析的一些技巧,先建立直方圖(Histogram)開始。

 

  • R(最近購買之日起)的分佈

如果你看一下直方圖,你可能會對橙色部分感到困惑。如果這剛好是年底或新年假期,那就合理了,因為很多人不會在假期中購買,即可考慮是一個合理的分級點,這一級別便是所謂聖誕購物季。

也有可能另一個現象,如大地震發生前後,因為在之前和之後其可能會改變消費者的購買行為,所以也是一個好的分級點。

當然,也可單純平分人數到每個級別,不過更好的考慮是如同前述以定性因素來區分為更有意義。

 

2.jpg

 

  • F(購買頻率)的分佈

根據實際企業資料,Frequency通常顯示「多數客戶僅購買了1-2次,多次購買的人很少」的指數型分佈。

 

3.jpg

 

這時X軸,應該採取指數區間,才比較容易理解與目測。如下圖,原直方圖是沒有意義的,透過設定指數區間,就會比較容易考慮劃分等級。

 

4.jpg

 

  • M(購買金額)的分佈

同樣的,Monetary也常是指數型分佈,即「多數客戶買的少,購買高金額的的人不多」。可如上述處理。

不過,如果數據呈現如下圖的峰值,便要思考一下。像郵購公司,可能某一個金額以上是免運費,以致很多人會一次買到某個金額,如果有出現這樣的情況,由於這也是一種購買行為,可以單獨列一級別。

 

5.jpg

 

  • 確認客戶的人數排名

特別注意的是,經由上述分級後,如果某一區隔人數極少,就有必要重新檢討分級的位置。例如先看各級人數是否懸殊。

 

6.jpg

 

接著,再透過RFM分數的合計,在一個維度上進行分析。如下表,歸納是否有些客戶的RFM分數可以合在一組,而不須分到125組。

理論上,RF高,M低的機會並不大,客戶的組別數量可以變得比較少。這時變得比較好判別那些客戶是優質的,那些客戶是不重要的。

 

7.jpg

8.jpg

 

以上的RFM精確分級作得好,有助於實際直效行銷的應用,得以獲得更有效的成果。而太過粗糙的分級,不僅效果不佳,甚至可能連應用都沒法。本系列的介紹將到此告一段落,有興趣於RFM分析的朋友,歡迎來信切磋,希望可以激盪出更棒的火花。

創作者介紹
創作者 晨晰部落格新站 的頭像
晨晰部落格新站

晨晰統計部落格新站(統計、SPSS、BIG DATA討論園地)

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()