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」。

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 。

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:

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。

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：

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」：

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：

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）：

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：

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

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）

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：

第三屆 — 速學Python語音轉字檔Workshop