基于RFM的網(wǎng)店客戶(hù)價(jià)值細(xì)分研究

陸娜　劉曉文　李蘭

摘要：在網(wǎng)店競(jìng)爭(zhēng)越來(lái)越激烈的環(huán)境下，如何留住客戶(hù)提高客戶(hù)回頭率非常關(guān)鍵，網(wǎng)店可以選擇RFM（Regency、Frequency、Monetary）分析法對(duì)客戶(hù)價(jià)值進(jìn)行區(qū)分從而有針對(duì)性地對(duì)不同的客戶(hù)提供營(yíng)銷(xiāo)服務(wù)。RFM分析法的應(yīng)用首先通過(guò)SPSS Statistics 軟件包含的直銷(xiāo)模塊進(jìn)行RFM建模，得出客戶(hù)的RFM得分，然后再運(yùn)用獨(dú)立分箱或者嵌套分箱的方法進(jìn)行客戶(hù)價(jià)值的區(qū)分，從而網(wǎng)店可以對(duì)RFM得分不同的客戶(hù)設(shè)計(jì)不同的營(yíng)銷(xiāo)策略。

關(guān)鍵詞： 網(wǎng)店；RFM；客戶(hù)價(jià)值；客戶(hù)價(jià)值細(xì)分

中圖分類(lèi)號(hào)：F713.36 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）18-0275-02

Customer Value Segmentation of Online Store Based on RFM

LU Na1， LIU Xiao-wen1， LI Lan2

（1.School of Information Science and Technology， Hainan Normal University， Haikou 430000，China；2.Cha Ma Shi Jia， Wuhan 430000，China）

Abstract： In the environment of more and more fierce competition between online store， it is very important to retain customers and improve customer return rate. Online stores can choose RFM （Regency， Frequency， Monetary） analysis method to distinguish customer value， so as to provide marketing services for different customers. The application of RFM first makes RFM modeling through the direct selling module contained in the SPSS Statistics software， obtains the customer's RFM score， and then uses the separate box or nested sub box to distinguish the customer value， thus the online store can design the different marketing strategies for the customers with different RFM scores.

Key words： Online Store； RFM； Customer Value Segmentation； Customer Value Segmentation

1 引言

隨著開(kāi)展電子商務(wù)條件的不斷成熟，以及人們對(duì)于網(wǎng)絡(luò)購(gòu)物的接受程度的不斷提高，電子商務(wù)的發(fā)展前景非常樂(lè)觀。據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，截至2017年12月，我國(guó)網(wǎng)絡(luò)購(gòu)物用戶(hù)規(guī)模達(dá)到5.33億，較2016年增長(zhǎng)14.3%，占網(wǎng)民總體的69.1%。其中，網(wǎng)絡(luò)零售保持高速增長(zhǎng)，全年交易額達(dá)到71751億元，同比增長(zhǎng)32.2%。

網(wǎng)絡(luò)零售市場(chǎng)的日益發(fā)展擴(kuò)大以及和用戶(hù)對(duì)網(wǎng)購(gòu)要求的日益提高，B2C的發(fā)展在對(duì)C2C網(wǎng)絡(luò)零售網(wǎng)店的發(fā)展形成一定的沖擊。淘寶賣(mài)家之間的競(jìng)爭(zhēng)隨著電子商務(wù)的迅速發(fā)展變得越來(lái)越激烈。電子商務(wù)重營(yíng)銷(xiāo)不重維護(hù)的普遍現(xiàn)象導(dǎo)致網(wǎng)店的客戶(hù)價(jià)值長(zhǎng)期處于較低的水平，例如淘寶網(wǎng)的平均轉(zhuǎn)化率不足1%，客戶(hù)回頭率遠(yuǎn)遠(yuǎn)不及傳統(tǒng)企業(yè)。商家為了提高回頭率，夸大其詞地進(jìn)行廣告推廣，不但沒(méi)有提高回頭率，反而有損其形象。為了更好地維護(hù)現(xiàn)有的客戶(hù)，增加回頭率，商家需要找尋合適的方法來(lái)維系不同價(jià)值的客戶(hù)，從而提高利潤(rùn)。

網(wǎng)店要想更好地維護(hù)顧客，首先要識(shí)別不同顧客的價(jià)值，然后對(duì)其有針對(duì)性地進(jìn)行營(yíng)銷(xiāo)和服務(wù)，從而提升回頭率甚至提高顧客忠誠(chéng)。

2 客戶(hù)價(jià)值細(xì)分方法

從客戶(hù)關(guān)系管理方面來(lái)看，客戶(hù)價(jià)值細(xì)分的方法主要有ABC分類(lèi)法、CLV分析法以及RFM分析法三種。

2.1 ABC分類(lèi)法

ABC分類(lèi)法是基于二八法則的，根據(jù)客戶(hù)為企業(yè)創(chuàng)造的價(jià)值，將客戶(hù)分為高端客戶(hù)、大客戶(hù)、中等客戶(hù)、小客戶(hù)等不同類(lèi)別。把高端客戶(hù)、大客戶(hù)劃為A類(lèi)，他們的數(shù)量是客戶(hù)總數(shù)量的20%，貢獻(xiàn)的銷(xiāo)量占總銷(xiāo)量的70%～80%；銷(xiāo)量貢獻(xiàn)10%～20%的是B類(lèi)客戶(hù)，其余為C類(lèi)，B、C類(lèi)客戶(hù)客戶(hù)總量約80%。

利用ABC分類(lèi)法劃分完客戶(hù)以后，就可以有針對(duì)性地進(jìn)行客戶(hù)的管理和維護(hù)，資源、時(shí)間等重點(diǎn)將向A類(lèi)客戶(hù)傾斜、重點(diǎn)維護(hù)，而對(duì)B類(lèi)客戶(hù)進(jìn)行次要維護(hù)，C類(lèi)客戶(hù)只需要簡(jiǎn)單維護(hù)。

2.2 CLV分析法

CLV是指客戶(hù)生命周期價(jià)值（Customer Lifetime Value），指客戶(hù)在與企業(yè)的整個(gè)生命周期內(nèi)為企業(yè)創(chuàng)造的價(jià)值。廣義的CLV指的是企業(yè)在與某客戶(hù)保持買(mǎi)賣(mài)關(guān)系的全過(guò)程中從該客戶(hù)處所獲得的全部利潤(rùn)的現(xiàn)值。CLV包括當(dāng)前價(jià)值和未來(lái)價(jià)值，企業(yè)真正關(guān)注的是客戶(hù)未來(lái)利潤(rùn)，因此狹義的CLV僅指客戶(hù)未來(lái)價(jià)值。

CLV分析法通過(guò)將客戶(hù)的當(dāng)前價(jià)值和未來(lái)價(jià)值作為橫縱坐標(biāo)，可將客戶(hù)劃分為：貴賓型客戶(hù)、改進(jìn)型客戶(hù)、維持型客戶(hù)和放棄型客戶(hù)。劃分后的貴賓型客戶(hù)將被認(rèn)為是最有價(jià)值客戶(hù)的，成為業(yè)務(wù)的核心；改進(jìn)型客戶(hù)被稱(chēng)為最具成長(zhǎng)性客戶(hù)，可以著重培養(yǎng)；維持型客戶(hù)是普通客戶(hù)，一般維護(hù)即可；放棄型客戶(hù)被認(rèn)為是根本無(wú)法為企業(yè)帶來(lái)足以平衡相關(guān)服務(wù)費(fèi)用的負(fù)值客戶(hù)，應(yīng)該放棄。

2.3 RFM分析法

RFM是由美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)研究所的Arthur Hughes提出的基于網(wǎng)店客戶(hù)消費(fèi)行為數(shù)據(jù)的一種客戶(hù)細(xì)分方法，即將最近一次消費(fèi)（Regency），消費(fèi)頻率（Frequency）和消費(fèi)金額（Monetary）作為重要的指標(biāo)來(lái)分析和細(xì)分客戶(hù)。最近一次消費(fèi)（Regency）是指在客戶(hù)多次消費(fèi)中，距離上一次消費(fèi)的時(shí)間。理論上客戶(hù)距離上一次消費(fèi)的時(shí)間越近越好，營(yíng)銷(xiāo)者可以由此衡量出消費(fèi)者的忠誠(chéng)度。消費(fèi)頻率（Frequency）是指消費(fèi)者在某一段時(shí)間內(nèi)的購(gòu)買(mǎi)次數(shù)，根據(jù)此指標(biāo)，最常購(gòu)買(mǎi)的客戶(hù)，忠誠(chéng)度就最高。消費(fèi)金額（Monetary）是指在客戶(hù)在一定時(shí)間內(nèi)購(gòu)買(mǎi)產(chǎn)品的總金額。在一段時(shí)間內(nèi)客戶(hù)的購(gòu)買(mǎi)金額總和越高，表明該客戶(hù)為企業(yè)創(chuàng)造的價(jià)值就越大。

2.4 網(wǎng)店客戶(hù)價(jià)值細(xì)分方法選擇

在傳統(tǒng)的環(huán)境下，以上三種客戶(hù)價(jià)值細(xì)分方法都有著各自的適用條件和優(yōu)勢(shì)，ABC分類(lèi)法適合客戶(hù)有大小之分，CLV分析法如果能夠獲取足夠的資料來(lái)預(yù)測(cè)一個(gè)客戶(hù)的價(jià)值，也很有效，但是對(duì)客戶(hù)未來(lái)價(jià)值預(yù)測(cè)的數(shù)據(jù)是需要數(shù)據(jù)挖掘，并不是易事。相比之下，RFM在傳統(tǒng)零售業(yè)客戶(hù)價(jià)值細(xì)分中的運(yùn)用非常廣泛，在網(wǎng)絡(luò)零售商中，在有強(qiáng)大的IT系統(tǒng)做支撐的條件下，能夠獲取大量詳細(xì)、豐富的交易信息，運(yùn)用RFM分析法進(jìn)行客戶(hù)細(xì)分有著得天獨(dú)厚的優(yōu)勢(shì)，由此可見(jiàn)，RFM適用于網(wǎng)店客戶(hù)價(jià)值細(xì)分非常。

隨著網(wǎng)店數(shù)量的增多，消費(fèi)者的選擇越來(lái)越多，而對(duì)于網(wǎng)店而言，維護(hù)客戶(hù)的難度變大。如果一個(gè)網(wǎng)店能夠?qū)蛻?hù)的價(jià)值進(jìn)行區(qū)分 ，并且根據(jù)客戶(hù)價(jià)值的不同，有針對(duì)性地進(jìn)行維護(hù)及開(kāi)展相關(guān)營(yíng)銷(xiāo)活動(dòng)，將會(huì)大大提升網(wǎng)店的顧客忠誠(chéng)提高網(wǎng)店的競(jìng)爭(zhēng)力。

3 RFM在網(wǎng)店客戶(hù)價(jià)值細(xì)分中的應(yīng)用步驟

3.1 構(gòu)建RMF模型

運(yùn)用RFM進(jìn)行客戶(hù)價(jià)值細(xì)分，首先要建立RFM模型，其模型的建立可通過(guò)IBM SPSS Statistics 軟件進(jìn)行建立，軟件中的直銷(xiāo)模塊可以根據(jù)交易數(shù)據(jù)中買(mǎi)家客戶(hù)ID、買(mǎi)家下單時(shí)間、買(mǎi)家姓名、收貨地址、聯(lián)系電話、實(shí)收客戶(hù)總額等數(shù)據(jù)建立RFM模型，從而獲取每個(gè)客戶(hù)的最近一次消費(fèi)、消費(fèi)頻率和消費(fèi)金額這三個(gè)評(píng)價(jià)指標(biāo)并且計(jì)算出其得分，進(jìn)而獲得客戶(hù)嶄新得分、頻率得分、消費(fèi)金額得分以及客戶(hù)整體的RFM總分。

3.2 客戶(hù)價(jià)值區(qū)分等級(jí)

將收集的相關(guān)數(shù)據(jù)錄入模型，即可根據(jù)最近一次消費(fèi)、消費(fèi)頻率和消費(fèi)金額三個(gè)要素構(gòu)成的消費(fèi)者行為數(shù)據(jù)得分，以R、F、M這三個(gè)維度作為評(píng)價(jià)標(biāo)準(zhǔn)，將網(wǎng)店消費(fèi)者分為：重要價(jià)值顧客、重要發(fā)展顧客、重要挽留顧客、重要保持客戶(hù)、一般挽留顧客、一般價(jià)值顧客、一般保持顧客和一般發(fā)展顧客8種。

根據(jù)RFM得分情況可以將客戶(hù)層次等級(jí)分層情況表現(xiàn)為一個(gè)三維立體圖，其中↑表示的是得分較高，↓表示得分很低。例如R↑表示客戶(hù)最近一次消費(fèi)時(shí)間近，F(xiàn)↓表示客戶(hù)消費(fèi)頻率少。根據(jù)讓R、F、M分別為一個(gè)三位數(shù)字的百分位、十分位和個(gè)位表達(dá)，該三位數(shù)的三個(gè)位代表三個(gè)維度上的坐標(biāo)高低。

RFM總分=消費(fèi)金額得分+（10 * 消費(fèi)頻率得分）+（100 *最近一次消費(fèi)時(shí)間得分）

3.3 RFM模型分箱

在進(jìn)行RFM模型建立的時(shí)候軟件會(huì)將網(wǎng)店數(shù)據(jù)分為小類(lèi)別，這種處理是為了將客戶(hù)各項(xiàng)數(shù)據(jù)進(jìn)行區(qū)分叫做RFM模型分箱。分箱的目的在于數(shù)據(jù)規(guī)格化，從而實(shí)現(xiàn)不同量級(jí)之間數(shù)據(jù)的比較。在 RFM 分析中，分箱是已評(píng)級(jí)的類(lèi)別，簡(jiǎn)單地說(shuō)就是客戶(hù)得分等級(jí)。分箱數(shù)目不同，客戶(hù)區(qū)分的等級(jí)數(shù)目也不一樣。RFM得分的計(jì)算方法分為獨(dú)立分箱和嵌套分箱2種。

獨(dú)立分箱，即三個(gè)指標(biāo)相互獨(dú)立計(jì)算。采用獨(dú)立分箱時(shí)，消費(fèi)頻率等級(jí)、消費(fèi)金額等級(jí)、最近一次消費(fèi)時(shí)間等級(jí)3個(gè)之間相互獨(dú)立，互不影響。最近一次消費(fèi)時(shí)間，消費(fèi)金額和消費(fèi)頻率是分別獨(dú)立的計(jì)算等級(jí)。RFM中的R、F、M三個(gè)指標(biāo)的解釋都很明確；某個(gè)顧客的消費(fèi)金額得分2與另一個(gè)顧客的消費(fèi)金額得分2的意思相同。

嵌套分箱，即在考慮RFM總分時(shí)還需要進(jìn)行交叉嵌套。采用嵌套分箱進(jìn)行數(shù)據(jù)分析時(shí)，最近一次消費(fèi)時(shí)間等級(jí)、頻率等級(jí)和金額等級(jí)相互交叉、嵌套，在每個(gè)最近一次消費(fèi)時(shí)間等級(jí)中，消費(fèi)者會(huì)被分配到一個(gè)頻率等級(jí)，然后在每個(gè)消費(fèi)頻率等級(jí)中，消費(fèi)者又會(huì)被分配到一個(gè)消費(fèi)金額等級(jí)。這樣的方式算出的等級(jí)會(huì)使得分能夠更全面的評(píng)估消費(fèi)者，例如上次消費(fèi)時(shí)間等級(jí)得分為3的消費(fèi)頻率得分等級(jí)為3與擁有上次消費(fèi)時(shí)間等級(jí)得分為2的客戶(hù)的消費(fèi)頻率得分等級(jí)為3的意義是不同的，消費(fèi)頻率得分等級(jí)取決于客戶(hù)上一次消費(fèi)時(shí)間得分等級(jí)。

對(duì)于網(wǎng)店經(jīng)營(yíng)而言，經(jīng)常會(huì)出現(xiàn)一些大促，如雙11或者年底比較旺的情況，也會(huì)出現(xiàn)年4-5月份的淡季，使用獨(dú)立分箱計(jì)算RFM等級(jí)并不能真實(shí)反映客戶(hù)的價(jià)值。而通過(guò)嵌套分箱，時(shí)，進(jìn)行彼此嵌套更能反映客戶(hù)真實(shí)價(jià)值，因此建議網(wǎng)店在進(jìn)行客戶(hù)價(jià)值區(qū)分時(shí)使用嵌套分箱，從而使針對(duì)性的營(yíng)銷(xiāo)更有效。

4 結(jié)論

網(wǎng)店通過(guò)后臺(tái)數(shù)據(jù)庫(kù)獲取消費(fèi)者數(shù)據(jù)并借且SPSS statistic 軟件的直銷(xiāo)模塊進(jìn)行RFM建模，通過(guò)嵌套分箱方法計(jì)算客戶(hù)RFM等級(jí)，從而區(qū)分不同類(lèi)別的客戶(hù)價(jià)值，有針對(duì)性地制定營(yíng)銷(xiāo)方案拉動(dòng)消費(fèi)意向低、消費(fèi)額度高的會(huì)員多消費(fèi)，拉動(dòng)消費(fèi)額度低的會(huì)員提高消費(fèi)額度，從而為企業(yè)創(chuàng)造更大的價(jià)值。

對(duì)于為網(wǎng)店創(chuàng)造價(jià)值較低的一般挽留客戶(hù)、一般保持客戶(hù)和一般發(fā)展客戶(hù)，其活躍度低、可能流失，應(yīng)減少營(yíng)銷(xiāo)成本，可通過(guò)贈(zèng)送“電子優(yōu)惠券”或旺旺和郵件提醒等形式將其重新喚醒，刺激下次消費(fèi)。針對(duì)一般價(jià)值客戶(hù)，可設(shè)置套餐購(gòu)買(mǎi)、消費(fèi)滿(mǎn)多少送多少、辦理儲(chǔ)值卡或聯(lián)合捆綁銷(xiāo)售等模式拉大客單價(jià)，重要挽留客戶(hù)以及重要發(fā)展客戶(hù)，可以通過(guò)到店兌換禮品、參加免費(fèi)活動(dòng)、會(huì)員活動(dòng)日等方式增大到店頻率。重要保持客戶(hù)、按時(shí)間段提醒其是否需要進(jìn)行重購(gòu)，或適當(dāng)進(jìn)行產(chǎn)品電話回訪，提醒客戶(hù)網(wǎng)店的存在。三個(gè)指標(biāo)都高的重要價(jià)值顧客，是網(wǎng)店非常重要的資源，網(wǎng)店一定要保持與這部分客戶(hù)的良好互動(dòng)，經(jīng)常性地進(jìn)行提醒服務(wù)以及針對(duì)其設(shè)計(jì)一些促銷(xiāo)活動(dòng)，從而提高其忠誠(chéng)度。

本文僅僅是在前人研究的基礎(chǔ)上對(duì)于RFM在網(wǎng)店客戶(hù)價(jià)值區(qū)分的用法進(jìn)行了介紹，并未進(jìn)行實(shí)證研究，對(duì)于其實(shí)證研究的具體情況進(jìn)行分析更能說(shuō)明問(wèn)題，今后將根據(jù)所獲數(shù)據(jù)進(jìn)行此方法的驗(yàn)證，從而提出更加切實(shí)可行的建議。

參考文獻(xiàn)：

[1] 段書(shū)勇.基于客戶(hù)價(jià)值細(xì)分的推薦方式研究[D].吉林：吉林大學(xué)，2011.

[2] 魏建國(guó).RFM模型在商業(yè)銀行客戶(hù)行為分析中的應(yīng)用[J].中國(guó)金融電腦，2011（6）：40-43.

[3] 馬寶龍，李金林，李純青，王高.隨機(jī)RFM模型及其在零售顧客價(jià)值識(shí)別中的應(yīng)用 [J].管理科學(xué)與工程， 2011（01）：102-108.

[4] 酈瞻.網(wǎng)絡(luò)營(yíng)銷(xiāo)[M].北京.清華大學(xué)出版社，2013.

[5] 姜緣意.基于RFM的丫商城客戶(hù)細(xì)分及營(yíng)銷(xiāo)策略研究[D].遼寧：大連理工大學(xué)，2011.

[6] 徐翔斌，王佳強(qiáng)，涂歡，穆明.基于改進(jìn)RFM 模型的電子商務(wù)客戶(hù)細(xì)分[J].計(jì)算機(jī)應(yīng)用，2011.

[7] 劉朝華.基于客戶(hù)價(jià)值的客戶(hù)分類(lèi)模型研究[D].湖北：華中科技大學(xué)，2008.

[8] 安詳茜.基于RFM模型的C2C環(huán)境下顧客價(jià)值識(shí)別研究[D].四川：西南財(cái)經(jīng)大學(xué)，2012.

[9]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心.2018年中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[EB/OL]http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf .