RFM模型中的优惠券发放、捆绑销售以及短信营销

Data Analyst

客户价值模型建模步骤

客户价值模型包含RFM模型，RFM模型仅仅是电商领域的客户价值模型，构建RFM模型的基本流程为：

• 确定需求目标

这一步旨在完成指标选择并反复验证指标的合理性，指标的数量不一定非要是三个，也可以是多个指标。

• 指标量化

论证了指标的合理性后，还需明确工作环境中是否能够真实的获取到所选择的指标。

• 数据处理

对数据进行排秩处理，排秩的优点除了获取数据的原有信息外，还可以排除掉异常值对数据带来的影响。

• 数据离散化

利用数据离散化便于解释数据含义的优点，对数据进行离散化处理，这一步也是整个价值模型建模流程中最为关键的一个环节。

• 市场细分

将细分指标转化为星级评定。

R指标中周期怎样界定？

任何商品都带有自己独特的时间特性，即订购周期。例如牙膏的消耗周期为一个月、空调的消耗周期为五年、酱油的消耗周期为一个半月等等。因此，可以计算得出购买某种商品的所有用户购买的平均周期，从而得到该商品的平均订购周期。

相比于日用消耗品，家电类的大宗商品的平均订购周期要久的多，订购周期的长短会为RFM模型中时间间隔指标R的分组带来不同的影响。

线上购物与线下购物的体验不同

电商领域的RFM模型中，指标F除了代表购买频率，还代表一个特殊的含义，即客户的满意程度。

通常，线上购物与线下购物带给客户的满意程度完全不同，例如线上第一次购买铅笔，商家会附赠铅笔盒，甚至赠品的价格远超过铅笔的价格，这便是商家为发展客户再次购买，而采取的线上营销手段。如果客户对第一次的购物体验较为满意则会进行二次购物，如果后续该客户持续购物，那么则说明该客户已经转化成为该商家的忠诚顾客。相对的，线下的门店很少会有类似的买赠体验。

RFM模型为什么要排秩处理

构建RFM模型时，经常会遇到重复值的情况，SAS中，我会利用参数ties=low进行重复值替换，即用较低的数值去代替重复值，而不是用均值去代替。

排秩的目的除了剔除异常值外，还可以将取值之间的差距拉开，即将样本间共同的行为模式拉开，使得数据行为更加清晰。

如何执行客户细分

RFM模型分组完成后，想更好的执行客户细分，需了解不同细分客户的客群特征，通常情况下，指标R越小越好、指标F与指标M越大越好，一般我会将指标R进行处理，使得RFM三个指标均为越大越好：

• RFM三个指标均大

对商家来说，该部分客群为最受欢迎的优质客户，他们消费频繁、消费金额较大，可将这部分客户作为VIP客户进行重点维护，然而，优质客户的数量非常少，可能不足样本的1%。

• RFM三个指标任意一个小其余两个大

如果R小FM大，表示该部分客户曾经买的多、消费高，但是有段时间未来消费，即该部分客户曾经为核心客户，可以给予适当的优惠，让这部分客户再次活跃起来。例如京东，如果20天未下单，那么京东便会主动发放优惠券以刺激你的消费。

如果F小RM大，表示该部分客户买过“大件儿”商品、消费频繁且消费金额较大，其实，这部分客户是最为理想的客户，他们的消费行为更加稳定，出于对营销成本的考虑，这部分客户不再需要商家采取额外的营销措施。

如果M小RF大，表示该部分客户消费金额不多，但是经常来消费，即经常购买“小东西”的人，这部分客群数据指标虽好，却不能够指望他们能输出利润。通常，可以尝试提取出这部分客户所产生的全部订单中的最大金额去进行消费潜力评估，并为这部分客群提供大于2倍最大消费金额的商品进行营销。例如，这部分客户大部分在超市消费了50多元，那么可以为他们推荐50*2=100元左右的商品，可以尝试着适当优惠，例如推销的这个100元的商品只卖90元，这样，该部分客群会更加乐意接受推荐的商品。

• RFM三个指标任意一个大其余两个小

如果R大FM小，表示这部分客户虽然经常消费，但是每次买的少、也消费不了多少钱，这样的客户属于有待开发的群体，通常，可以尝试向他们推荐一倍消费金额的商品，或者对他们进行捆绑销售以提升销量，这样效果会好些。

如果F大RM小，表示这部分客户之前买的多、消费的金额也大，但是很久都没有光顾了，这样的客群很有可能会流失掉，需要设计营销策略进行挽留。

如果M大RF小，表示这部分客户虽然很久没来消费，但是他们曾经消费金额很大，这样的客群很有可能成为VIP客户，需要商家去进一步发展。

• RFM均小

表明该部分客户很久没有来消费、曾经买得很少、消费金额也不高。这部分客群很可能占据高达60%-80%的占比，虽然该类客群的指标表现较为中庸，但是却不能直接摒弃这部分客群，通常，可以尝试短信客户，通过分析响应人数再去有针对的着重发展意向客户。