HOME  >>  Single Blog

最詳細的RFM模型分析案例!讓用戶行為分析事半功倍!

資料分析數據分析模型

Published: October 20, 2022    |     null MIN READ

Share

blog-banner

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,對RFM模型進行分析是用戶行為分析中的重要部分。

Table Of Contents

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,對RFM模型進行分析是用戶行為分析中的重要部分。

如何讓數據分析來幫助業務增長,這是每個數據分析師都會考慮的問題,近幾年經常提到的精細化運營、資料驅動增長、增長駭客這樣的字眼,這背後的核心其實就是用戶行為分析。

而其中最經典的就是RFM模型,簡單好操作而且還十分實用,下面就詳細介紹一下什麼是RFM模型,以及如何分析RFM模型以及怎麼快速構建RFM模型製作商業模式圖進行數據分析

本次範例使用的是自助式BI工具FineBI,FineBI簡單易上手,只需拖拽操作即可進行數據分析。它具備直接取數分析的功能,無需等待IT排期,並內置強大的數據處理功能。還有豐富的可視化圖表和智能圖表推薦功能。快點擊下方按鈕,和軟妹一起動手搭建RFM模型吧!

一、RFM模型是什麼?有哪些RFM分析指標?

RFM模型是通過一個客戶的近期的消費行為、消費的總體頻率以及消費金額三項指標,來評估該客戶對於公司的價值狀況的一種商業模式模型。

RFM模型

R(Recency):是指客戶最近一次進行消費的時間,即客戶最後一次下單時間距今天有多長時間了,這個指標與用戶流失和複購直接相關。

F(Frenquency):是指客戶的消費頻率,通俗一點來說,就是客戶在固定的時間段內消費了幾次。這個指標反映了用戶的消費活躍度,消費頻率越高的客戶越有可能是品牌的忠實顧客。

M(Monetary):是指客戶的消費金額,其實就是客戶在固定的週期內在平臺上花了多少錢,直接反映了用戶對公司貢獻的價值。

二、如何使用RFM模型進行RFM分析

了解了RFM模型的維度,那RFM模型要怎樣來分析呢?

如何分析RFM模型

根據RFM指標的高低,可以區分出八種對公司具有不同價值屬性的客戶,每一類客戶都需要使用不同的行銷手段來運營,接下來為說明這八種客戶的特點以及對應的行銷策略。

1、重要價值客戶(R↑, F↑, M↑)

重要價值客戶的特點是複購率高、購買頻次高、花費金額大的客戶,是對企業來說價值最大的用戶。企業需要不斷維持和重要價值客戶之間的關係,通過豐富的行銷手段不斷提升重要價值客戶對品牌的黏著度和忠實度。

2、重要發展客戶(M↑, R↑, F↓)

重要發展客戶是指最近有過消費、消費金額較大但是購買頻次不多的客戶,是對企業來說不可缺少的客戶。對於這類客戶企業需要通過精細化運營持續孵化,提升其消費頻次,將其孵化成重要價值客戶。

3、重要保持客戶(F↑, M↑, R↓)

重要保持客戶是指購買頻次高、花費金額大,但是最近一段時間內並未產生消費的客戶。對於這一類型的客戶,建議企業可以以問卷、咨詢、禮品回饋的方式主動了解客戶近期的需求變動,從而制定對應的解決方案,避免這種類型的客戶流失。

4、重要挽留客戶(M↑, R↓, F↓)

重要挽留客戶是指消費金額較大,但是消費頻次低,且近期並未產生消費的客戶。這一種類型的客戶具有消費的能力,能夠給企業帶來價值。企業應該主動了解這一類型客戶的需求,了解客戶長時間未消費的原因,制定解決方案,避免這種類型的客戶流失。

5、一般價值客戶(R↑, F↑, M↓)

一般價值客戶指複購率高、購買頻次高,但是花費金額小的客戶,這一類客戶消費的潛力較小,但是非常活躍,品牌忠實度也較高。可以利用這部分客戶進行品牌推廣活動,擴大品牌的影響力和聲譽。

6、一般發展客戶(R↑, F↓, M↓)

一般發展用戶指近期消費過但是消費頻次和消費金額都比較低的客戶。這類客戶可能是第一次消費進行嘗試,還在品牌認知的階段。可以利用品牌行銷活動進行持續培養。

7、一般保持客戶(F↑, R↓, M↓)

一般保持客戶指消費頻率較高,但是消費金額較小,並且近期並未產生消費的客戶。這種類型的客戶具有一定品牌忠實度,但有可能最近有需求變更。企業可以利用品牌行銷活動進行喚醒。

8、一般挽留客戶(F↓, R↓, M↓)

一般挽留客戶指近期未曾消費,消費頻次和消費金額都較低的客戶。這種類型的客戶可能只是偶然產生了一次消費,對企業和品牌並不熟悉。企業可以通過EDM或者電話的方式再次觸達該類客戶,但不需要在這種類型的客戶上投入太多。

三、如何快速搭建RFM模型進行RFM分析

RFM模型可以對客戶的終生價值做一個合理的預估,基於一個理想的客戶特徵來衡量現實中客戶價值的高低,通過此類RFM分析,定位最有可能成為品牌忠誠客戶的群體,讓公司把主要精力放在最有價值的客戶身上

接下來我們就直接開始進行RFM模型分析的實操教程,使用FineBI搭建RFM模型不需要寫代碼,非常便捷!點擊下方按鈕,開始免費試用吧~

首先我們以某銷售资料為資料源,針對其用戶行為簡單分析一下,總結來說有以下幾個步驟:

1、RFM分析第一步:人群劃分

進行客戶行為分析的第一步是按照企業實際業務需求對您的客戶群進行分類,人群細分參考的屬性主要分為三大類:

  • 基礎屬性:如性別、年齡、地域
  • 興趣屬性:如媒體偏好、交易行為
  • 自定義屬性:基於行業的特徵定義的屬性,比如乳業需要知道這個人有沒有孩子

2、RFM分析第二步:明確指標

也就是通過Excel或者BI工具計算出每個客戶的RFM分析指標,這裏我們用的是FineBI,通過客戶名稱、消費時間、消費金額來處理出上次交易間隔R、交易頻率F、交易金額M三個原始字段。

但是要注意的是這三個指標不是死板不變的,要針對自己的行業特點靈活變通,比如在金融行業,最近一次購買時間可能並不適用,此時可以考慮採用金融產品持有時間來代替R,這樣更能體現用戶與金融企業建立聯繫時間的長短。

免費試用FineBI

3、RFM分析第三步:連接資料

FineBI支援很多不同型別的資料連接方式,可以通過Oracle等資料庫進行連接、SQL連接等等,這裏我直接導入的Excel表,能方便地處理非及時性數據。

但是如果我們有多個資料源的數據,需要分別選擇不同的指標整合到一起分析怎麼辦?

這裏FineBI有個非常人性化的優點,就是可以通過自助資料集的方式對數據指標進行整合,如下圖所示直接選擇新建自助資料集—選擇表格—添加字段即可,需要什麼指標就去哪張表裏去找,很方便。

使用FineBI進行資料連接

4、RFM分析第四步:資料清洗

在進行資料分析之前,我們首先要做的就是對資料進行初步加工,因為資料源中很多髒數據,會影響我們的分析結果,需要先將其篩選出去,比如一些空值、異常值、特殊文本顯示等等。

FineBI的資料加工中包含了很多處理功能,比如過濾、分組匯總、排序、合併、聚合等等,這些功能後面都會用到。我們先增加兩個過濾條件,將訂單金額小於等於零、且訂單時間為空的資料篩選出去。

使用FineBI進行資料清洗

之後,我們需要計算每個客戶的平均單次消費金額、消費次數、最後一次消費距今天數。

首先是要對資料進行分組彙總,直接按照圖中的方式在FineBI中藉助內置的公式設定即可,非常方便:

  • 最近一次消費時間(R):「DATE」的彙總方式選擇「最晚時間」,可得到每個使用者最近一次購買的時間;
  • 消費次數(F):由於有一條記錄代表該使用者購買了一次,所以隨意拖入一個「CUSTOMERNAME」求「記錄個數」即可。
  • 平均單次消費金額(M):「money」的彙總方式選擇「平均」,可求到每個使用者平均單次消費金額;

使用FineBI進行分組彙總

這樣一來,基本的資料清洗就完成了。

但是因為還要計算客戶最近一次購買有多遠,而表格中僅僅是下單時間,所以需要用函數計算一下下單時間與今天的天數,但FineBI不用那麼麻煩,可以直接計算時間差:

使用FineBI進行資料計算

5、RFM分析第五步:切分指標

因為我們要把用戶按照三個維度指標進行劃分,也就相當於將用戶放到下面這個正方體中:

RFM模型

因此我們要對指標進行切分,設定閾值,也就是為指標設定正負值,確保三個指標將用戶分為八個象限。通常比較常用的方法就是等頻和等寬進行切分,比如將用戶購買花費進行平均值計算。

新增欄,計算所有使用者的平均消費金額,如下圖所示:

使用FineBI計算所有使用者的平均消費金額

其他兩個指標也按照這個方式來操作,如此我們便計算出了所需要的平均值指標。

但是平均值只適合於均類數據,對於一些不規則數據,平均值會造成很大的誤差:

比如一家公司有三家客戶,訂單額分別為1萬、5千和1百,顯然重要客戶應該是前兩個。而三個客戶的訂單平均值為5033,如果按照平均值劃分數據,那麼只有第一個客戶符合重要客戶的標準,這顯然是不對的。

這時候我們就要用到FineBI的聚合功能,簡單說,聚合功能就是一堆數據按照內在特徵的不同進行劃分,不同類的數據之間的差別一般是很大的,這樣就能找到大數據量中的“中心點”,而非平均點。

在FineBI中可以直接使用聚合功能,聚合指標選擇“訂單金額“、”時間“、”次數“,聚合數選擇”3“,聚合方式選擇“歐氏距離”,這樣就可以得到最終的聚合結果了,最終可以計算出每個客戶的聚合R值、聚合F值和聚合M值,這就是我們要用到的參考值。

利用FineBI的聚合功能處理數據

大家可以根據資料的實際情況來判斷是使用平均值還是是通過聚合功能得到的參考值。在這裡我們取用平均值為大家進行演示。

有了平均值,下一步就是將時間、頻次與訂單額與平均值進行比較,這裏我們會用到FineBI中內置的邏輯函數IF,根據關鍵指標是否大於客戶總體平均值水平進行評價,其中在IF(xxx>客戶總體xxx平均值,1,0)中,小於總體平均的設為 0,大於總體平均的設為 1 ,使得 1 都是保持正向特徵,0 保持負向特徵。

新增欄,當使用者平均單次消費金額大於使用者總體平均值時,標記為 1 ,否則標記為 0 。如下圖所示:

使用FineBI內置的函數

其餘兩個維度也如法炮製,這樣指標細分工作基本上就完成了。

6、RFM分析第六步:用戶分類

将三个指标分别进行划分后,按照下图的方式进行组合,就可以得到八个象限,代表八类客户:

對RFM模型指標進行劃分

FineBI中新增欄「RFM」,使用 CONCATENATE( ) 函式將 RFM 向量化值連接起來,順序為:最近一次消費距今天數評價、消費次數評價、次均消費金額評價。如下圖所示:

在FineBI中新增RFM欄

新增欄,對「RFM」欄分組指派,如下圖所示:

對RFM欄進行分組指派

這樣用戶細分也就完成了:

  • 重要價值客戶:複購率高、購買頻次高、花費金額大的客戶,是價值最大的用戶。
  • 重要保持客戶:買的多、買的貴但是不常買的客戶,我們要重點保持;
  • 重要發展客戶:經常買、花費大但是購買頻次不多的客戶,我們要發展其多購買;
  • 重要挽留客戶:願意花錢但是不常買、購買頻次不多的客戶,我們要重點挽留;
  • 一般價值客戶:複購率高、購買頻次高,但是花費金額小的客戶,屬於一般價值;
  • 一般保持客戶:買的多但是不常買、花錢不多,屬於一般保持客戶;
  • 一般發展客戶:經常買,但是買不多、花錢也不多,屬於一般發展客戶;
  • 一般挽留客戶:不願花錢、不常買、購買頻次不高,最沒有價值的客戶;

使用FineBI完成用戶細分

7、RFM分析第七步:視覺化分析

利用FineBI對客戶進行細分,可以在FineBI中將其製作成視覺化資料分析儀表板,以便按照需求進行客戶分析。

儀表板的效果如圖:

使用FineBI製作的RFM客戶價值分析

使用上方的圖表戰情室進行分析:

  • 客戶類型中占比最多的是一般發展客戶(最近購買過,但頻率和金額都不大),應向該客戶推送公司主營業務,通過宣傳推廣讓產品資訊送達客戶手中。
  • 其次占比較多的是一般挽留客戶(很長時間未買,購買的頻率和金額較少),應該面向該部分人群推出促銷活動,拉動消費的積極性。

使用下方的氣泡圖進行分析:

  • 氣泡圖用M、F作為橫縱軸代表客戶消費的能力,值越大表示消費能力越高;R為負向名額,則代表消費流失情况,圖形越大表示最近消費距今時間越長,流失越嚴重。
  • 氣泡圖展示了各地區客戶消費能力與消費流失情况,分析可得成都和北京地區客戶消費金額較大,但客戶流失情况比較嚴重,需要重點關注。
  • 武漢、瀋陽地區客戶以小額消費為主,但消費次數多。

其實,RFM模型在用戶行為分析中的應用十分廣泛,因為時間原因這裏就只是做一個簡單的教程,FineBI中也有更多的相關數據和模型可供大家練習!點擊下方圖片即可免費試用全部功能的FineBI,現在就來試試吧!

9adfc5e6-2140-4175-83d9-2df9d8c6e59d.jpg

熱門文章推薦

post-img

2023-09-28 • 2 min read

數位化轉型:深入探究庫存管理與倉儲管理優化

庫存管理是與商品、服務和交易密切相關的關鍵領域,它在各種企業中發揮着至關重要的作用。透過科學而有效的倉儲管理,企業可以更好地處理供應鏈的各個環節,包括採購、供應商支付、發票處理以及賬款整合。特別是在零售業和製造業,庫存管理的重要性愈發凸顯。


post-img

2023-09-11 • 3 min read

深度決議商業模式:從商業模型到商業模式圖

商業模型是企業實現盈利和增長的戰略框架,描述了如何創造、提供和獲取價值。在大數據時代,商業模型的重要性日益突顯。建立商業模型並藉助資料分析優化商業模式,企業能更深入、準確地理解市場、客戶需求和競爭環境,制定智慧決策,提升競爭力和盈利。


post-img

2023-07-25 • 2 min read

深入BI報表:揭秘BI與報表的關鍵差異

在當今資料驅動的商業環境中,商業智慧(BI)分析工具扮演着至關重要的角色。BI報表透過深入分析大量資料,提供洞察力和視覺化呈現,為企業管理層和決策者提供了有力的支援。透過BI報表,企業能夠更加精準地瞭解業務績效、趨勢和機會,進而快速做出明智的決策,優化資源配置,發現新的業務機會,並在競爭激烈的市場中保持領先地位。


開啟全新的 BI 大數據分析之旅

立即試用,獲取100+行業場景數據分析範本

免費試用FineBI