本篇文章曾投稿於行銷資料科學，很開心也有被刊登出來，為留紀念，也在自己的部落格留個紀錄，以免隨著年紀增加，頭腦記不住啦~~
哈佛商業評論曾經提及「留住一個客人，遠比帶進一個新客更划算！」
近年各大零售業無不極力透過顧客、集點制度吸引新客加入和舊客回流，種種的行銷活動正是推動「顧客經濟」的驅動力。因此，能否透過既有資料庫結合大數據工具精準、正確識別顧客價值區分客群顧客，產生強而有力預測顧客消費能力來衍生後續策略，則是回歸於企業對於顧客價值了解與掌握的程度。
為因應大數據潮流並更進一步有效區分市場區隔，強化個人化行銷引擎，過往在定義客群標籤僅著墨人口變項(性別、年齡特質等分析)，而對於客群含金量則大多是透過人為設定時間、購買次數來撈取特定客群進行策略規劃，如此方式反而忽略消費者的動態表現。
「時間」至為重要關鍵，消費者對於各項商品消費週期不盡相同，本文將討論各項以時間面向檢驗顧客價值(Customer Value)。透過「時間」面向賦予顧客價值，希冀透過數據分析，增加識別顧客的可能，提升未來行銷精準度，在對的時間快速回應顧客需求。
RFM 模型怎麼算？
於此初探RFM、顧客活躍性(CAI)指標，以及檢驗有效訂單數(F)整合CAI方法建構FCAI指標進行顧客價值分群(Customer Segmentation)，協助未來行銷策劃人員能夠正確、迅速應用數據，正確識別顧客價值，使每一分行銷成本花在刀口上。
1. RFM(Recency, Frequency, Monetary value, RFM)
RFM計算應用在行銷實務面上較廣為人知，藉此可以對於顧客購物現況有所了解。根據Hughes(1994)，認為RFM主要有三面向(時間、次數、金額)，而這3個構面是同等重要的，並透過5等分加以區分顧客並評分，最多可區隔出125個客群，然而也有其他學者在相關研究計算中將3個構面(時間、次數、金額)視為不同權重加以計算。
-Recently 最近購買日(數值越小,代表距離最後消費日越近)
-Frequency 特定時間內購買次數
-Monetary 特定時間內購買金額
顧客活躍度怎麼算？
2. CAI(Customer Active Index)
顧客活躍度(CAI)主要彌補RFM無法檢視顧客長時間與企業緊密的動態表現的缺點，將每筆購買期間權重視為相等問題，再依時間遠近給予權重。也就是計算加權平均購買期間，即越晚發生的購買期間給予較高的權重，經加權平均後的購買期間更能有效代表顧客活躍程度。
在此，我們假設顧客A、B、C於相同特定期間交易次數相同，在無加權計算購買平均天數是相同的。其中，舉B與C顧客為例，可發現B顧客之消費趨勢為前期購買期間頻繁，意味擁有周期較短的消費天數；而C顧客則是後期才擁有該現象。如先以直覺來看，可明顯看出C顧客近期的顧客價值較B顧客還要高。最後再來以CAI的計算公式來看，假設三位顧客皆平均3天購買一次，並且在各購買間隔天數給予加權權數，我們就可以得到三位顧客的CAI:
從上述CAI之簡單範例中，即可得知C顧客相較於B顧客來說，近期內更值得行銷資源的投入。
為更凸顯CAI可觀察出顧客往來趨勢變化、消費動能與其應用，本文模擬並隨機抽樣1000位顧客於近一年內共100,000筆交易資料，並以軟體R計算CAI指數。其中，我們檢視顧客編號20(CAI=31.98%)以及顧客編號217(CAI=-17.52%)，舉例來說，從下圖兩位每次累計總交易次數(cumulated number of transaction)與間隔天數(date interval)來看，顧客編號20號的顧客，其CAI指數較高，代表在這一年當中每次的交易間格天數越來越少，說明其顧客與企業的關係越來越緊密；而顧客編號217其CAI指數小於0，活躍度較低，隨著購買次數增加，其購買間隔天數卻有越來越多的趨勢。因此，透過CAI指數，可以看到在同樣的時間區間與類似的交易次數的兩位顧客透過交易時間的不同，展現出其與企業緊密與否的關係。
資料來源：本文模擬並隨機抽樣1千位顧客於近一年內共1萬筆交易資料。
打造FCAI模型
更進一步，也可以結合訂單數(或其他消費指標)打造FCAI模型，如下圖為隨機抽樣1,000位交易顧客於一年內CAI指數與交易件數之象限圖，X軸為CAI=0，說明交易顧客之活躍程度，Y軸則為交易顧客訂單中位數，代表顧客之貢獻，藉此兩面向加以區分4群不同屬性的顧客特質。例如圖中cluster1與cluster2即使訂單數表現皆亮眼，但cluster2的顧客活躍度小於0，其交易間隔天數有逐漸增長趨勢，而cluster1相較起來活躍度高，可以歸納為「忠誠型顧客」；cluster4其活躍度與訂單數表現為4群中最弱一群，也代表即將流失之客群，藉此行銷策畫人員應立即針對此客群進行相關檢討，以免流失客群。
資料來源：本文模擬並隨機抽樣1千位顧客於近一年內共1萬筆交易資料。
因此，本文透過初探「顧客交易時間」此因素，希冀能夠協助行銷人員更加一步了解顧客的動態消費行為，瞭解消費者黏著度與否，提供更多元的消費者洞察，在實務上於不同階段提供不同的個性化服務，透過顧客對話進行關係行銷！
另外，在《大數據玩行銷》一書中，也透過計算個人購買週期與回購關係建立NES模型，加以理解消費者購買狀態，並結合運用大數據預測「顧客下一次購買時間」延伸出NPT(Next Purchase Time)模型，進一步推估每一個顧客購買動機最高的時間點，即時、快速回應顧客需求真正落實在對的時間、對的人、對的方式(電子信、簡訊與折價券等)進行精準發放，針對不同群體給予最適行銷策略，減少不必要成本浪費，使得行銷運用更精準。
🙋更多有關職場、數據分析的海海人生，也很適合喜愛空間資料以及喜愛閱讀產業趨勢的你，也歡迎追蹤IG : 社會學半路出家資料科學
📍#職涯 相關也歡迎參考IG圖文 https://bit.ly/3kMihjC
