常貴客?新客? 讓RFM模型簡簡單單解釋一切!(附實現程式碼)
在行銷資料科學裡,有項工具可協助公司找出 R「新客」(近期有消費的人)、 F 「常客」(常常來消費的人)、與 M「貴客」(消費金額大的人),這項工具稱為「RFM模型」。
RFM模型是由喬治·卡利南(George Cullinan)於1961年所提出,他發現資料庫分析中,有三項重要的指標:最近一次消費(Recency)、消費頻率(Frequency)、與消費金額(Monetary),這三項指標的英文字母的分別為R、F、M,所以就稱為「RFM模型」。
接下來,我們將介紹RFM模型的簡單概念:
- 最近一次消費(Recency):
指消費者至今再次購買與上次購買產品的時間差,舉例來說,將「購買日期分為五等分」,每一等分為資料庫的20%:
- 最近消費的前20%,編碼為5
- 20%~40%編碼為4,以此類推
- 到80%~100%編碼為1。
也就是編碼等級越高的消費者,重複購買比率較高。
2. 消費頻率(Frequency):
指消費者在一定期間內購買該產品的次數。舉例來說:
- 次數最多的前20%,編碼為5
- 20%~40%編碼為4,以此類推
- 80%~100%編碼為1。
編碼等級越高的消費者,其消費頻率越高,忠誠度與顧客價值也越高。
3. 消費金額(Monetary):
指消費者在一定期間內購買該產品的總金額。
- 金額最大的前20%,編碼為5
- 20%~40%編碼為4,以此類推
- 80%~100%編碼為1。
編碼等級越高的消費者,其消費金額越高,顧客價值也越高。
利用以上的編碼方式,我們可以將顧客,依(R,F,M)的分數,共分成125群,亦即從最低的(1,1,1)(3分)到最高的(5,5,5)(15分)。
RFM模型能協助企業區分顧客,並預測每種顧客類型的消費者行為。當企業對顧客進行分群後,再進一步從公司的顧客資料庫中,分析各群顧客背後的消費者行為,進而發展預測模式。讓公司的顧客關係管理(CRM)系統在應用上,能夠提升到策略性的層級。
RFM模型實戰去!
接下來的範例,我們將會使用R語言展示如何使用RFM模型在「最近一次消費(Recency)」及「消費頻率(Frequency)」的分析應用,會使用R與F的主要原因,是因為「最近一次消費(R)」的期間,關乎消費者的存留狀況,以及「消費頻率(F)」影響顧客的顧客生命週期。所以我們會依照R與F將顧客分類成不同客群,並觀察其與產品、銷售之間的關係,以達到下列目的:
1.了解目前銷售狀況。
2.有效的運用行銷預算,在對的產品上花對的錢。
3.對不同的客群給予不同的優惠。
4.增加顧客生命週期,培養每一位顧客成為忠實/常貴客 。
我們即將使用某一匿名賣場的資料,並挑選出其中三件商品,切入R及F的模型分析。讀者可以想一下,當我們賣場內部資料有:
- 交易代號(orderId)
- 顧客編號(clientId)
- 產品(product)
- 性別(gender)
- 最後交易日期(orderdate)
那我們就要開始問自己幾個問題:應該從資料中擷取何種價值? 到底應該如何透過這些資料,讓手上的資源分配更有利? 我的顧客針對不同產品有偏好? 不同的顧客到底應該多銷售哪種產品?
那...既然這些問題都可以透過R及F的模式來做簡單的分析,到底R及F本身的性質是什麼?
其實,說穿了,就是我們在基礎敘述性統計中時常看到的「交叉分析」
什麼? 交叉分析就可以解決並增加營收? 是的!
資料:
首先讓我們來看看本次賣場的資料型態。本次資料共4402筆資料,可在我們提供的檔案連結下載數據。
部份原始資料的具體模樣:
R與F模型分析:
從F與R圖上,很明顯可以發現,最近1天內消費與最近3天內消費的消費者,在購買量上,擁有極大的差距,但是最近76天內消費跟88天內消費的消費者在購買量上,並沒有差距。這就是為何我們要畫出這兩張長條圖來決定交叉分析時「不同邊界」的原因。
所以我們就可以開始定義每個群體的邊界,而尋找邊界的方式可以利用上述F與R的分佈圖或結合業務方面的知識分析來定義不同的級距。
本次我們的邊界根據r與f的圖來判斷每一間隔的級距定義之:
- 頻率分布邊界:1, 2, 3, 4, 5, >5
- 近因分布邊界:0–7, 8–15, 16–22, 23–30, 31–55, >55
於是我們就可以立即製作出R與F的「交叉分析」:
上述釋例如果能利用圖形化的方式呈現,可更有效提升判斷力:
圖片X軸為距離最近一次消費天數(R),而Y軸為購買頻率(F),表格內方塊的數字則表示顧客人數,人數越多方塊內的顏色堆疊越多,並且顏色將顧客區隔分成四大類:
- 綠色區塊:常貴客;在短時間內頻頻來光顧,他們是最重要的顧客,它們在短時間內已經來訪許多次了,也是忠實老顧客,是公司主要的客源。
- 紫色區塊:新顧客;來訪的頻率不是特別高,也許是第一次來或者只是一次性消費的客人,但其中還是有潛力成為常貴客,所以行銷方向要以「產品導向」導入他們進入常貴客群為主。
- 紅色區塊:先前客;他們對於一般的公司來說,是長時間內,營收最大的來源,公司必須要持續吸引他們,讓他們能於「更短時間內」再至來訪,重新產生購買,否則有可能會漸漸流失。
- 藍色區塊:一次性消費客人;若此區塊比例偏多,代表來過的客人都不會來第二次。
相信讀者閱讀至此,已經有了顧客區分的概念,接下來便可以針對不同的客群使用不同的行銷手段、價格、優惠,以達到最終目的!那分隔區塊內能不能再依照不同人口變數或產品區分呢?
當然可以! 接下來就讓我們「交叉再交叉」,進行子區段分析(Sub-segments analysis):
我們先將性別(gender)來做區隔,紅色區塊是女性,藍色區塊是男性,如果我們僅看最重要的常貴客分群,由R與M分析圖(性別分類)可以看出一很有趣的現象,購買頻率在0–7天內平均大於5次為男性居多,但剛好等於5次的則是女性居多。
這時候讀者一定會問一個問題:「So what? 那接下來我該怎做? 能更吸引這群人來購買?」這時候我們就要再從性別切出更細更產品類別:
再來我們將性別分類及商品分類最重要的「常貴客」4區塊特別擷取下來比較:
這時候要推薦何種商品便一目了然~! 讀者可以想想,如果你是行銷資料科學家或專業經理人,有了這些資料,應該如何分配這一家店的資源?
首先,我們先從性別分類圖來看:
0–7天內大於5次購買頻率的多為男生,女生次之
- 男生喜好購買的優先順序為「瓶裝水、高麗菜」的組合及「瓶裝水、高麗菜、牛奶麵包」的組合。
- 女生則優先順序為「瓶裝水、牛奶麵包」的組合及「瓶裝水、高麗菜、牛奶麵包」。
0–7天內等於5次購買頻率的多為女生,男生次之
- 男生喜好購買的優先順序為「瓶裝水、高麗菜」的組合及「瓶裝水、高麗菜、牛奶麵包」的組合。
- 女生則優先順序為「瓶裝水、牛奶麵包」的組合、「瓶裝水、高麗菜、牛奶麵包」且單獨的「瓶裝水」產品。
8–15天內大於5次購買頻率的多為女生,男生次之
- 男生喜好購買的優先順序為「瓶裝水、牛奶麵包」的組合。這群男生僅喜好一種組合,如果要讓這群男生逐漸轉變為0–7天消費,商家可以考慮在有利潤的情形下,對「瓶裝水、高麗菜」及「瓶裝水、高麗菜、牛奶麵包」的組合進行行銷活動,讓這群男生逐漸變成0–7天消費5次以上,賺取更多營收。
- 女生則優先順序為「瓶裝水、牛奶麵包」的組合、「瓶裝水、高麗菜、牛奶麵包」。
恩…還是沒感覺嗎? 讓我們用「8–15天內大於5次購買頻率的男性顧客」算給您看,假設這群男生有200人,平均11.5天消費7.5次,而「瓶裝水、牛奶麵包」的組合利潤為100,平均每天可以達到
一天200人平均消費=(7.5/11.5)*200人=130.4348
每天利潤=100* 130.4348= 13043.48元
如果對「瓶裝水、高麗菜」及「瓶裝水、高麗菜、牛奶麵包」的組合進行行銷活動,舉例來說,「打折促銷」。
瓶裝水、高麗菜=250元原利潤經過7折轉換=145
瓶裝水、高麗菜、牛奶麵包=210元原利潤79折轉換=105
200人因收到該折扣而到0-7天的轉換率 = 200人 * 20% = 40人
這200人因為此行銷活動,為公司帶來的每天總利潤
8–15天內大於5次購買頻率:(7.5次/11.5天)*160人*100= 10,43540人轉到「0–7天內大於5次購買平率」:(7.5次/5天)*15人*145+ (7.5次/5天)*25人*105=7,200
所以40人轉換,每天就賺 10,435 +7,200=17,635,比起原本的13,044,每天還要多賺4,591。如果經濟、品牌等因素狀況不變
一個月就多賺137,730,這是將近14萬元阿!
一年就差了168萬阿!
由此可見R與F分析技術可以有效率地將數據結合,並可在子段進行無限的變化,就有很大的機會可以賺取更多的營收,只要有顧客相關的資料,例如:職業、住址、甚至興趣習慣等…,再配合上業務方面知識分析,便可製作出有指標性的視覺化資料,並且調整銷售策略。
這就是R與F模型的厲害之處! 至於消費金額(Monetary)的部分將於往後的文章中進行說明。
敬請期待!時間序列與顧客終生價值分析
這時候讀者可能又有幾個問題:
- 有這麼多顧客區隔邊界,更細部來說,這些區塊都值得我注意嗎? 難道一次客真的要放棄嗎?可以使用消費金額(Monetary)及成本評估顧客終生價值嗎?那該如何評估?
- 我會對各種不同區塊的顧客進行行銷活動,這些行銷活動該如何評估? 成效該怎樣計算?
- 如何整合時間序列分析?難道時間序列沒有其他用途嗎?
- 如果我搭配預測模型來預測顧客未來的價值,該如何圖像化?
有關於這些問題,我們都會再往後的文章,來使用強大的RFM模型的變形,細細解讀給為讀者。
往後的文章都會持續在行銷資料科學粉絲專頁上發表喔!
再請大家多多follow我們的粉絲專頁:行銷資料科學
Enjoy Marketing Data Science!
共同作者:
鍾皓軒(臺灣行銷研究有限公司 共同創辦人)
羅凱揚(台科大兼任助理教授)
楊超霆(臺灣行銷研究有限公司 資料科學研發工程師)