晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

    我在前一篇「用SPSS來作RFM行銷分析(一)」中舉的例子是用交易資料，即每一筆是一次交易，故可能多筆是屬於同一客戶的。如果已經將同一客戶的多次加總綜合成一筆，則為用客戶資料。如下圖所示。

   以下我們仍用SPSS內附的另一範例來示範（rfm_customers.sav），這是一個客戶資料，筆數有39999筆，即有39999位客戶。

   資料檔截圖如下，第1欄是客戶ID，第2欄是消費總金額，第3欄是最近消費日期，第4欄是消費次數，第5欄是。第3欄已是最近消費日期，即為Recency；第4欄的消費次數，即為Frequency；當然，第2欄是消費總金額，也就是Monetary；。客戶資料不像交易資料，不需要彙總已經是R, F, M資料了。

   特別一提的是，資料檔第5欄是已計算好，從最近消費日至2006/12/31的間隔天數，操作時可以直接使用。但如果，你操作時輸入最近日期的話，那程式會計算到執行當天為止的間隔天數。

     操作方式與丟交易資料大同小異，在SPSS上選擇直效行銷，點選第一個RFM分析，接著選擇客戶資料，進入變數選擇畫面。分別選入交易日期(MostRecent)、交易數(NumberOfPurchases)、金額(TotalAmount)、客戶ID(ID)。這次因資料筆數較多(39999)，故Bin（分組）的數目增加為9組，希望找出更頂端的客戶。

    以上選擇確定後，除了跑出報表外，同時會在資料檔增加四欄，分別是新近值_分數、頻率值_分數、金融值_分數，分別代表Rencency、Frequency、Monetary編碼，最後的RFM_分數則為RFM Code。

    以ID=1客戶為例，RFM Code為235，代表該人最後一次消費日期離現在很久，購買次數排行中等，但購買金額是較高的。這樣一來我們可獲得5*5*5=125群的客戶區隔。長遠來講，每隔一段時間就從新編碼一次，在資料庫中保留客戶RFM Code的歷史資料，可以分析客戶變化及演變。

    接著，看報表。首先是RFM直方圖，愈往右邊，代表天數愈多、次數愈多、金額愈高。由於Rencency輸入的是天數間隔，故平均值為181天；平均次數9.83次，平均金額938元。

    其次是RFM熱圖，我們可以看出次數最多的客戶中(9分者)，新近程度只要2以上，平均消費金額都在1600元以上。可見消費次數是預測消費金額的重要指標。你可以看到中間有些空格，代表分組愈細時，某些組是沒有人的。

    最後，兩兩散布圖來看，RFM的相關程度。可看出次數與貨幣是最有正相關的，即客戶消費次數與總消費金額最有直接關係。

    所以已歸戶的客戶資料，仍然可以進行RFM分析，把客戶編碼完成。接下來我將介紹在直效行銷或資料庫行銷時，如何找出有利潤( profitable)的 RFM 區隔。