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。
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。
- 看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。
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。
- 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。
- 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。
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。
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。
留言列表
{{ article.title }}