基于RFM模型的精细化运营策略研究

【前言】基于RFM模型的精细化运营策略研究由文秘帮小编整理而成，但愿对你的学习工作带来帮助。一、RFM模型 客户终身价值反映了客户对企业的重要性，利润最大化是企业运营的目标，RFM模型广泛应用于客户细分，通过该模型识别出企业的目标价值客户。RFM模型首先由Hughes提出，RFM模型是客户消费数据中的三指标，分别是最近购买时间 （Recency）、购买频率（Frequen...

摘要：客户细分是降低企业运营成本，提高转化率的基础，RFM模型广泛应用于各大企业识别高价值客户。企业通过运用科学有效的客户分类模型，对客户细分，制定有针对性的运营策略或提供个性化服务是降低企业运行成本，提高用户转换率的有效利器。

关键词：客户细分；RFM；精细化运营

中图分类号：F270.7 文献识别码：A 文章编号：1001-828X（2017）001-0000-02

随着科技的不断进步，我国的电子商务、支付和物流这三大平台得到了很好的发展，像是淘宝、1号店、京东等都取得了很大的成功。Wyner指出企业80%的利润来自于20%的客户，而其余20%的利润，却花了公司80%的营销费用[1]。客户永远都是企业最重要的财产，对企业来说，不同的客户拥有不同的价值。1974年，Kotler首次提出了客户终生价值（Customer Lifetime Value， CLV）的概念，认为客户终生价值是客户在未来可能为企业带来的总收益[2]。Reichheld认为客户价值应该体现在客户能给企业带来净现金流总和上，认为客户复购率、新客转化率、老客户带新客户和减少企业成本是影响企业长期盈利的关键因素[3]。Kim从企业长期盈利的角度出发，认为企业应与客户保持紧密联系，尤其是企业的忠诚客户，那么对企业客户的细分和评价就显得尤为重要[4]。

企业通过对客户终身价值的认知，将客户进行分类，对不同等级的客户制定不同的运营策略，实现企业利润最大化。准确的对客户进行分类，是企业优化资源分配的基础，如何识别出高价值客户、将潜在低价值客户转变成高价值客户、吸引高质量新客等问题成为了企业关注的重点。

一、RFM模型

客户终身价值反映了客户对企业的重要性，利润最大化是企业运营的目标，RFM模型广泛应用于客户细分，通过该模型识别出企业的目标价值客户。RFM模型首先由Hughes提出，RFM模型是客户消费数据中的三指标，分别是最近购买时间 （Recency）、购买频率（Frequency）和购买金额（Monetary）[5] 。

最近购买时间，指的是客户在统计时间内，购买时间最新的数据。如果购买时间越靠后，也就是说该客户前不久刚有过购买行为，通常认为该客户在未来进行再次购买的可能性更大。

购买频率，指的是客户在统计时间内，购买企业产品或者服务的次数。如果购买的次数越大，也就是说该客户对企业忠诚度越高，愿意购买企业的产品或者服务，是企业的重要客户。

购买金额，指的是客户在统计时间内，购买企业产品或者服务支付的总额。如果购买金额越大，说明该客户对企业的消费贡献度越高，客户本身的价值也就越高。电商企业在进行用户行为分析的时候，常常使用平均数来替换总数进行分析，这样可以减少了与时间和购买次数之间的共线性。

RFM模型被广泛的应用于识别客户价值和分析客户再次购买可能性，由于其指标简单，数据容易获得，在学术界和商业界都得到一定的认可。基于rfm模型的指标，用于评估第个客户的价值函数可以表示成：

（1）

公式（1）中、和分别代表客户对应的[R，F，M]的得分，分e为[R，F，M]的权重。Hughes认为这三个指标对客户价值的评估是一样重要的，即[5] 。Stone通过研究客户信用卡消费数据，发现这三个指标的对客户价值的评估影响是有差别的，各指标的权重大小为[6]。Goodman应用RFM模型分析有效目标客户，指出将重点放在高价值客户上从而节省企业成本[7]。邓光耀运用FRM模型制定排名规则对客户进行划分[8]。曹国等人结合RFM和Logistic构建商业银行零售客户流失预警模型[9]。赵萌与齐佳音在RFM模型上引入评论行为，构建RFMP模型对客户进行细分[10]。张继艳基于RFM模型构建RFMS模型，针对电商企业划分客户价值，针对不同客户群合理分配企业资源[11]。王晓耘等人提出一种基于RFM和聚类分析的客户分类模型，并以此为商家提供更为科学的营销建议[12]。综上所述，RFM模型在在识别客户价值的问题上得到了一定的认可。

二、RFM模型实现精细化运营

什么是精细化运营？通过对市场情况、渠道、客户行为数据及客户的销售数据等的分析，找出企业的目标用户群，并给出针对性的运营方案，从而实现企业运营目标的行为，我们称之为精细化运营。从流量的角度来说，就是最大化流量价值，提高转化率；从客户角度来说，就是对目标客户群制定针对性的运营方案或者提供个性化的服务。客户细分需要明确以下几个问题：

1.谁是企业的高价值客户？

2.谁是企业需要保持联系的客户？

3.谁是企业重点发展的客户？

4.谁是企业需要挽留的客户？

Hughes的RFM模型会在每个维度上划分5个等级[5]，这样的划分结果可以得到125类客户群，针对125类客户群制定125个策略显然必要性不大，反而增加了针对性运营的成本。实际运用上可以在每个维度进行2个划分即可，依旧可以得到8类客户群，如图1所示。

1.高价值客户：最近消费时间近、消费频次和消费金额都很高，这类客户是企业的高价值VIP客户，为企业持续带来消费。

2.保持联系客户：最近消费时间较远，但消费频次和金额都很高，说明这个群体的客户有一段时间没有进行消费了，但依旧是企业的忠实客户，需要主动保持联系，进行针对，提高这类用户的忠诚度和满意度，使之继续进行高消费。

3.重点发展客户：最近消费时间较近、消费金额高，但频次不高，这类客户忠诚度不够，但很有潜力，需要重点发展，培养客户对企业的粘性，刺激消费。

4.重要挽留客户：最近消费时间较远、消费频次不高，但消费金额高的客户，这类客户很有可能是将要流失或者已经要流失的客户，应当进行挽留策略。

针对不同的客户群，进行有针对性的宣传活动、礼券派送等，从而让用户产生流动。持续的进行这个用户划分分析，还可以观测不同的活动对客户产生的影响，比如说对于高流量的客户，却没有产生购买行为，可以对其进行定向推送，观测客户是否会进行购买，成为双高客户。

通过使用RFM模型识别出企业的目标客户，其优点是理论基础扎实，数据容易获取，可以通过数据挖掘的方法得到企业客户的细分客户群，更加直观的分析不同客户群的特点。原始的模型同时也存在一定的不足，RFM模型中仅考虑了三个指标，忽略了不同企业的环境、业务特点等因素的影响，这会导致结果存在偏差。比如客户的购买金额很大，但是带给企业的利润却很低，这并不是企业的高质量客户；考虑到客户流失率，或者客户成为企业会员时间的长短，在一定程度上都会对客户价值产生影响，这些在RFM模型中都没有体现，无法对客户进行动态的分析。所以，在进行实际分析的时候，需要考虑企业自身的特点，把对企业客户价值影响较大的因素考虑进来，对RFM模型进行改进和修正，以降低客户分析的误差，得到更为科学、精确的分析结果。

三、结语

客户交易数据是企业非常重要的资源之一，通过企业已有的客户交易数据，结合不同角度分析客户价值，从而得到更加贴近实际的结果，指导运营制定方案。精确计算客户价值有利于企业对客户的认识和管理，降低企业的运营成本，识别出客户的当前价值和潜在价值，针对不同价值的客户制定相应的运营策略，才能实现企业长远的利润目标。

参考文献：

[1]Wyner CA. Customer profitability：linking behavior to economics[J].Maketing Research，1996，8（2），36-38

[2]Kotler. Marketing during periods of shortage[J]. Journal of marketing.1974， 38（3）：20-29

[3]Frederick F， Reichheld. Loyalty-based management[J]. Harvard Business Review，1993（2）：54-62.

[4]KIMSY，JUNGTS， SUHEH， etal. Customer segmentation and strategy development based on customer lifetime value：A case study[J]. Expert Systems with Applications， 2006，31（1）：101C107.

[5]Hughes.A.M. Strategic datebase marketing. chicago：probus publishing company.

[6]StoneB. Successful Direct Marketing Methods. NTC Business Books， 1995

[7]Y.B.Cho， Y.H.Cho，and S.H.Kim. Mining Changes in Customer Buying Behavior for Collaborative Recommendations[J]. Expert Systems with Applications， 2005 vol.28，no.2，p.359-369.

[8]邓光耀.RFM模型在销售数据分析中的应用[J].经济视角（中旬），2011，03：144-145.

[9]曹，许娟，沈利香.基于ERFM和二元logistic的商业银行零售客户流失模型研究[J].财会通讯，2012，33：147-149.

[10]赵萌.基于评论行为的客户终身价值模型改进[D]. 北京邮电大学，2015.

[11]张继艳.基于改进RFM模型的网络消费者价值识别研究[D].南华大学，2015.

[12]王晓耘，张树华，鲁天琦，姜瑜斐.基于RFM分析与聚类算法的网络团购用户分类研究[J].生产力研究，2016，07：115-120.

作者简介：林文娣（1992-），女，广东揭阳县人，首都经济贸易大学硕士，主要从事企业信息化研究。