常貴客?新客? 讓RFM模型簡簡單單解釋一切!(附實現程式碼)

行銷資料科學
Apr 12, 2018 · 11 min read

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」。

Image for post
Image for post
Credit:張庭瑄

接下來,我們將介紹RFM模型的簡單概念:

  1. 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 。

Image for post
Image for post
商場上最大的幸福莫過於得一模型, 平易近人,貨財廣殖, 源遠流長,那RFM模型就是商家/商場/企業內部資料上,於營收的「最大幸福了」!

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:

  1. 交易代號(orderId)
  2. 顧客編號(clientId)
  3. 產品(product)
  4. 性別(gender)
  5. 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:

Image for post
Image for post
原始資料的模樣,product部份礙於賣場揭露之限制,所以僅取產品大分類。
Image for post
Image for post
將原始資料轉換成R與F模型可分析的形式

R與F模型分析:

Image for post
Image for post
Image for post
Image for post

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:

  1. 頻率分布邊界:1, 2, 3, 4, 5, >5
  2. 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」:

Image for post
Image for post
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:

Image for post
Image for post

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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):

Image for post
Image for post
R與F分析圖(性別分類)

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:

Image for post
Image for post

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:

Image for post
Image for post
Image for post
Image for post
Image for post
Image for post

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

  1. 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。
  2. 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

  1. 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。
  2. 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

  1. 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。
  2. 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= 10,435

40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:

  1. 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?
  2. 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?
  3. 如何整合時間序列分析?難道時間序列沒有其他用途嗎?
  4. 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)

Image for post
Image for post
歡迎加入我們的Line@獲取即時訊息!https://line.me/R/ti/p/%40cde8265r

您可能有興趣:

Marketingdatascience

行銷資料科學 — 數據驅動精準行銷。基礎概念、趨勢、方法和實戰。

行銷資料科學

Written by

Marketing data science. 台灣第一個行銷資料科學(MDS)知識部落,本粉絲專頁在探討行銷資料科學之基礎概念、趨勢、新工具和實作,讓粉絲們瞭解資料科學的行銷運用,並開啟厚植數據分析能力之契機。粉絲專頁:https://www.facebook.com/MarketingDataScienceTMR

Marketingdatascience

行銷資料科學 — 數據驅動精準行銷。基礎概念、趨勢、方法和實戰。

行銷資料科學

Written by

Marketing data science. 台灣第一個行銷資料科學(MDS)知識部落,本粉絲專頁在探討行銷資料科學之基礎概念、趨勢、新工具和實作,讓粉絲們瞭解資料科學的行銷運用,並開啟厚植數據分析能力之契機。粉絲專頁:https://www.facebook.com/MarketingDataScienceTMR

Marketingdatascience

行銷資料科學 — 數據驅動精準行銷。基礎概念、趨勢、方法和實戰。

Medium is an open platform where 170 million readers come to find insightful and dynamic thinking. Here, expert and undiscovered voices alike dive into the heart of any topic and bring new ideas to the surface. Learn more

Follow the writers, publications, and topics that matter to you, and you’ll see them on your homepage and in your inbox. Explore

If you have a story to tell, knowledge to share, or a perspective to offer — welcome home. It’s easy and free to post your thinking on any topic. Write on Medium

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store