摘要：客戶細(xì)分是降低企業(yè)運(yùn)營(yíng)成本，提高轉(zhuǎn)化率的基礎(chǔ)，RFM模型廣泛應(yīng)用于各大企業(yè)識(shí)別高價(jià)值客戶。企業(yè)通過(guò)運(yùn)用科學(xué)有效的客戶分類模型，對(duì)客戶細(xì)分，制定有針對(duì)性的運(yùn)營(yíng)策略或提供個(gè)性化服務(wù)是降低企業(yè)運(yùn)行成本，提高用戶轉(zhuǎn)換率的有效利器。

關(guān)鍵詞：客戶細(xì)分；RFM；精細(xì)化運(yùn)營(yíng)

中圖分類號(hào)：F270.7 文獻(xiàn)識(shí)別碼：A 文章編號(hào)：1001-828X（2017）001-0000-02

隨著科技的不斷進(jìn)步，我國(guó)的電子商務(wù)、支付和物流這三大平臺(tái)得到了很好的發(fā)展，像是淘寶、1號(hào)店、京東等都取得了很大的成功。Wyner指出企業(yè)80%的利潤(rùn)來(lái)自于20%的客戶，而其余20%的利潤(rùn)，卻花了公司80%的營(yíng)銷費(fèi)用[1]?？蛻粲肋h(yuǎn)都是企業(yè)最重要的財(cái)產(chǎn)，對(duì)企業(yè)來(lái)說(shuō)，不同的客戶擁有不同的價(jià)值。1974年，Kotler首次提出了客戶終生價(jià)值（Customer Lifetime Value， CLV）的概念，認(rèn)為客戶終生價(jià)值是客戶在未來(lái)可能為企業(yè)帶來(lái)的總收益[2]。Reichheld認(rèn)為客戶價(jià)值應(yīng)該體現(xiàn)在客戶能給企業(yè)帶來(lái)凈現(xiàn)金流總和上，認(rèn)為客戶復(fù)購(gòu)率、新客轉(zhuǎn)化率、老客戶帶新客戶和減少企業(yè)成本是影響企業(yè)長(zhǎng)期盈利的關(guān)鍵因素[3]。Kim從企業(yè)長(zhǎng)期盈利的角度出發(fā)，認(rèn)為企業(yè)應(yīng)與客戶保持緊密聯(lián)系，尤其是企業(yè)的忠誠(chéng)客戶，那么對(duì)企業(yè)客戶的細(xì)分和評(píng)價(jià)就顯得尤為重要[4]。

企業(yè)通過(guò)對(duì)客戶終身價(jià)值的認(rèn)知，將客戶進(jìn)行分類，對(duì)不同等級(jí)的客戶制定不同的運(yùn)營(yíng)策略，實(shí)現(xiàn)企業(yè)利潤(rùn)最大化。準(zhǔn)確的對(duì)客戶進(jìn)行分類，是企業(yè)優(yōu)化資源分配的基礎(chǔ)，如何識(shí)別出高價(jià)值客戶、將潛在低價(jià)值客戶轉(zhuǎn)變成高價(jià)值客戶、吸引高質(zhì)量新客等問(wèn)題成為了企業(yè)關(guān)注的重點(diǎn)。

一、RFM模型

客戶終身價(jià)值反映了客戶對(duì)企業(yè)的重要性，利潤(rùn)最大化是企業(yè)運(yùn)營(yíng)的目標(biāo)，RFM模型廣泛應(yīng)用于客戶細(xì)分，通過(guò)該模型識(shí)別出企業(yè)的目標(biāo)價(jià)值客戶。RFM模型首先由Hughes提出，RFM模型是客戶消費(fèi)數(shù)據(jù)中的三指標(biāo)，分別是最近購(gòu)買時(shí)間 （Recency）、購(gòu)買頻率（Frequency）和購(gòu)買金額（Monetary）[5] 。

最近購(gòu)買時(shí)間，指的是客戶在統(tǒng)計(jì)時(shí)間內(nèi)，購(gòu)買時(shí)間最新的數(shù)據(jù)。如果購(gòu)買時(shí)間越靠后，也就是說(shuō)該客戶前不久剛有過(guò)購(gòu)買行為，通常認(rèn)為該客戶在未來(lái)進(jìn)行再次購(gòu)買的可能性更大。

購(gòu)買頻率，指的是客戶在統(tǒng)計(jì)時(shí)間內(nèi)，購(gòu)買企業(yè)產(chǎn)品或者服務(wù)的次數(shù)。如果購(gòu)買的次數(shù)越大，也就是說(shuō)該客戶對(duì)企業(yè)忠誠(chéng)度越高，愿意購(gòu)買企業(yè)的產(chǎn)品或者服務(wù)，是企業(yè)的重要客戶。

購(gòu)買金額，指的是客戶在統(tǒng)計(jì)時(shí)間內(nèi)，購(gòu)買企業(yè)產(chǎn)品或者服務(wù)支付的總額。如果購(gòu)買金額越大，說(shuō)明該客戶對(duì)企業(yè)的消費(fèi)貢獻(xiàn)度越高，客戶本身的價(jià)值也就越高。電商企業(yè)在進(jìn)行用戶行為分析的時(shí)候，常常使用平均數(shù)來(lái)替換總數(shù)進(jìn)行分析，這樣可以減少了與時(shí)間和購(gòu)買次數(shù)之間的共線性。

RFM模型被廣泛的應(yīng)用于識(shí)別客戶價(jià)值和分析客戶再次購(gòu)買可能性，由于其指標(biāo)簡(jiǎn)單，數(shù)據(jù)容易獲得，在學(xué)術(shù)界和商業(yè)界都得到一定的認(rèn)可。基于RFM模型的指標(biāo)，用于評(píng)估第個(gè)客戶的價(jià)值函數(shù)可以表示成：

（1）

公式（1）中、和分別代表客戶對(duì)應(yīng)的[R，F(xiàn)，M]的得分，分別為[R，F(xiàn)，M]的權(quán)重。Hughes認(rèn)為這三個(gè)指標(biāo)對(duì)客戶價(jià)值的評(píng)估是一樣重要的，即[5] 。Stone通過(guò)研究客戶信用卡消費(fèi)數(shù)據(jù)，發(fā)現(xiàn)這三個(gè)指標(biāo)的對(duì)客戶價(jià)值的評(píng)估影響是有差別的，各指標(biāo)的權(quán)重大小為[6]。Goodman應(yīng)用RFM模型分析有效目標(biāo)客戶，指出將重點(diǎn)放在高價(jià)值客戶上從而節(jié)省企業(yè)成本[7]。鄧光耀運(yùn)用FRM模型制定排名規(guī)則對(duì)客戶進(jìn)行劃分[8]。曹國(guó)等人結(jié)合RFM和Logistic構(gòu)建商業(yè)銀行零售客戶流失預(yù)警模型[9]。趙萌與齊佳音在RFM模型上引入評(píng)論行為，構(gòu)建RFMP模型對(duì)客戶進(jìn)行細(xì)分[10]。張繼艷基于RFM模型構(gòu)建RFMS模型，針對(duì)電商企業(yè)劃分客戶價(jià)值，針對(duì)不同客戶群合理分配企業(yè)資源[11]。王曉耘等人提出一種基于RFM和聚類分析的客戶分類模型，并以此為商家提供更為科學(xué)的營(yíng)銷建議[12]。綜上所述，RFM模型在在識(shí)別客戶價(jià)值的問(wèn)題上得到了一定的認(rèn)可。

二、RFM模型實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)

什么是精細(xì)化運(yùn)營(yíng)？通過(guò)對(duì)市場(chǎng)情況、渠道、客戶行為數(shù)據(jù)及客戶的銷售數(shù)據(jù)等的分析，找出企業(yè)的目標(biāo)用戶群，并給出針對(duì)性的運(yùn)營(yíng)方案，從而實(shí)現(xiàn)企業(yè)運(yùn)營(yíng)目標(biāo)的行為，我們稱之為精細(xì)化運(yùn)營(yíng)。從流量的角度來(lái)說(shuō)，就是最大化流量?jī)r(jià)值，提高轉(zhuǎn)化率；從客戶角度來(lái)說(shuō)，就是對(duì)目標(biāo)客戶群制定針對(duì)性的運(yùn)營(yíng)方案或者提供個(gè)性化的服務(wù)?？蛻艏?xì)分需要明確以下幾個(gè)問(wèn)題：

1.誰(shuí)是企業(yè)的高價(jià)值客戶？

2.誰(shuí)是企業(yè)需要保持聯(lián)系的客戶？

3.誰(shuí)是企業(yè)重點(diǎn)發(fā)展的客戶？

4.誰(shuí)是企業(yè)需要挽留的客戶？

Hughes的RFM模型會(huì)在每個(gè)維度上劃分5個(gè)等級(jí)[5]，這樣的劃分結(jié)果可以得到125類客戶群，針對(duì)125類客戶群制定125個(gè)策略顯然必要性不大，反而增加了針對(duì)性運(yùn)營(yíng)的成本。實(shí)際運(yùn)用上可以在每個(gè)維度進(jìn)行2個(gè)劃分即可，依舊可以得到8類客戶群，如圖1所示。

1.高價(jià)值客戶：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，這類客戶是企業(yè)的高價(jià)值VIP客戶，為企業(yè)持續(xù)帶來(lái)消費(fèi)。

2.保持聯(lián)系客戶：最近消費(fèi)時(shí)間較遠(yuǎn)，但消費(fèi)頻次和金額都很高，說(shuō)明這個(gè)群體的客戶有一段時(shí)間沒(méi)有進(jìn)行消費(fèi)了，但依舊是企業(yè)的忠實(shí)客戶，需要主動(dòng)保持聯(lián)系，進(jìn)行針對(duì)性服務(wù)，提高這類用戶的忠誠(chéng)度和滿意度，使之繼續(xù)進(jìn)行高消費(fèi)。

3.重點(diǎn)發(fā)展客戶：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，這類客戶忠誠(chéng)度不夠，但很有潛力，需要重點(diǎn)發(fā)展，培養(yǎng)客戶對(duì)企業(yè)的粘性，刺激消費(fèi)。

4.重要挽留客戶：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)金額高的客戶，這類客戶很有可能是將要流失或者已經(jīng)要流失的客戶，應(yīng)當(dāng)進(jìn)行挽留策略。

針對(duì)不同的客戶群，進(jìn)行有針對(duì)性的宣傳活動(dòng)、禮券派送等，從而讓用戶產(chǎn)生流動(dòng)。持續(xù)的進(jìn)行這個(gè)用戶劃分分析，還可以觀測(cè)不同的活動(dòng)對(duì)客戶產(chǎn)生的影響，比如說(shuō)對(duì)于高流量的客戶，卻沒(méi)有產(chǎn)生購(gòu)買行為，可以對(duì)其進(jìn)行定向推送，觀測(cè)客戶是否會(huì)進(jìn)行購(gòu)買，成為雙高客戶。

通過(guò)使用RFM模型識(shí)別出企業(yè)的目標(biāo)客戶，其優(yōu)點(diǎn)是理論基礎(chǔ)扎實(shí)，數(shù)據(jù)容易獲取，可以通過(guò)數(shù)據(jù)挖掘的方法得到企業(yè)客戶的細(xì)分客戶群，更加直觀的分析不同客戶群的特點(diǎn)。原始的模型同時(shí)也存在一定的不足，RFM模型中僅考慮了三個(gè)指標(biāo)，忽略了不同企業(yè)的環(huán)境、業(yè)務(wù)特點(diǎn)等因素的影響，這會(huì)導(dǎo)致結(jié)果存在偏差。比如客戶的購(gòu)買金額很大，但是帶給企業(yè)的利潤(rùn)卻很低，這并不是企業(yè)的高質(zhì)量客戶；考慮到客戶流失率，或者客戶成為企業(yè)會(huì)員時(shí)間的長(zhǎng)短，在一定程度上都會(huì)對(duì)客戶價(jià)值產(chǎn)生影響，這些在RFM模型中都沒(méi)有體現(xiàn)，無(wú)法對(duì)客戶進(jìn)行動(dòng)態(tài)的分析。所以，在進(jìn)行實(shí)際分析的時(shí)候，需要考慮企業(yè)自身的特點(diǎn)，把對(duì)企業(yè)客戶價(jià)值影響較大的因素考慮進(jìn)來(lái)，對(duì)RFM模型進(jìn)行改進(jìn)和修正，以降低客戶分析的誤差，得到更為科學(xué)、精確的分析結(jié)果。

三、結(jié)語(yǔ)

客戶交易數(shù)據(jù)是企業(yè)非常重要的資源之一，通過(guò)企業(yè)已有的客戶交易數(shù)據(jù)，結(jié)合不同角度分析客戶價(jià)值，從而得到更加貼近實(shí)際的結(jié)果，指導(dǎo)運(yùn)營(yíng)制定方案。精確計(jì)算客戶價(jià)值有利于企業(yè)對(duì)客戶的認(rèn)識(shí)和管理，降低企業(yè)的運(yùn)營(yíng)成本，識(shí)別出客戶的當(dāng)前價(jià)值和潛在價(jià)值，針對(duì)不同價(jià)值的客戶制定相應(yīng)的運(yùn)營(yíng)策略，才能實(shí)現(xiàn)企業(yè)長(zhǎng)遠(yuǎn)的利潤(rùn)目標(biāo)。

參考文獻(xiàn)：

[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）：101–107.

[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]鄧光耀.RFM模型在銷售數(shù)據(jù)分析中的應(yīng)用[J].經(jīng)濟(jì)視角（中旬），2011，03：144-145.

[9]曹國(guó)，許娟，沈利香.基于ERFM和二元logistic的商業(yè)銀行零售客戶流失模型研究[J].財(cái)會(huì)通訊，2012，33：147-149.

[10]趙萌.基于評(píng)論行為的客戶終身價(jià)值模型改進(jìn)[D]. 北京郵電大學(xué)，2015.

[11]張繼艷.基于改進(jìn)RFM模型的網(wǎng)絡(luò)消費(fèi)者價(jià)值識(shí)別研究[D].南華大學(xué)，2015.

[12]王曉耘，張樹(shù)華，魯天琦，姜瑜斐.基于RFM分析與聚類算法的網(wǎng)絡(luò)團(tuán)購(gòu)用戶分類研究[J].生產(chǎn)力研究，2016，07：115-120.

作者簡(jiǎn)介：林文娣（1992-），女，廣東揭陽(yáng)縣人，首都經(jīng)濟(jì)貿(mào)易大學(xué)碩士，主要從事企業(yè)信息化研究。