從事用戶運營多年,一直都是在不斷摸索中成長。從畢業后進入到國內知名化妝品公司-電商事業部,再到到國內top3堅果零食企業,一直都想花時間把自己對用戶這一塊的摸索積累記錄下來,同時用自己的實踐即使可以給大家一點點幫助也覺得很有意義。
今天想先談談傳統企業和電商談的較多的RFM模型,在眾多的客戶細分模型中,RFM模型是被廣泛提到和使用的。
一、RFM模型概述
RFM模型是網點衡量當前用戶價值和客戶潛在價值的重要工具和手段。RFM是Rencency(最近一次消費),Frequency(消費頻率)、Monetary(消費金額),三個指標首字母組合,如圖所示:
R值:最近一次消費(Recency)
消費指的是客戶在店鋪消費最近一次和上一次的時間間隔,理論上R值越小的客戶是價值越高的客戶,即對店鋪的回購幾次最有可能產生回應。目前網購便利,顧客已經有了更多的購買選擇和更低的購買成本,去除地域的限制因素,客戶非常容易流失,因此CRM操盤手想要提高回購率和留存率,需要時刻警惕R值。
如下圖,某零食網店用戶最近一次消費R值分布圖(時間截至2016年12月31日):
1、客戶R值呈規律性的“波浪形”分布,時間越長,波浪越小;
2、最近一年內用戶占比50%(真的很巧);
數據分析:這個數據根據向行業內專業人員請教,已經是比較理想了的。說明每引入2個客戶,就有一位用戶在持續購買。說明店鋪復購做的比較好,R值在不斷的變為0。
F值:消費頻率(Frequency)
消費頻率是客戶在固定時間內的購買次數(一般是1年)。但是如果實操中實際店鋪由于受品類寬度的原因,比如賣3C產品,耐用品等即使是忠實粉絲用戶也很難在1年內購買多次。所以,一般店鋪在運營RFM模型時,會把F值的時間范圍去掉,替換成累計購買次數。
如下圖,某零食網店用戶購買頻次圖(如1個客戶在1天內購買多筆訂單,則自動合并為1筆訂單):
1、購買1次(新客戶)占比為65.5%,產生重復購買(老客戶)的占比為34.4%;
2、購買3次及以上(成熟客戶)的占比為17%,購買5次及以上(忠實客戶)的占比為6%。
數據分析:影響復購的核心因素是商品,因此復購不適合做跨類目比較。比如食品類目和美妝類目:食品是屬于“半標品”,產品的標品化程度越高,客戶背叛的難度就越小,越難形成忠實用戶;但是相對美妝,食品又屬于易耗品,消耗周期短,購買頻率高,相對容易產生重復購買,因此跨類目復購并不具有可比性。
M值:消費金額(Monetary)
M值是RFM模型中相對于R值和F值最難使用,但最具有價值的指標。大家熟知的“二八定律”(又名“帕雷托法則”)曾作出過這樣的解釋:公司80%的收入來自于20%的用戶。
這個數據我在自己所從事的公司總都得到過驗證!可能有些店鋪不會那么精確,一般也很會控制在30%客戶貢獻70%收入,或者40%貢獻60%收入。
理論上M值和F值是一樣的,都帶有時間范圍,指的是一段時間(通常是1年)內的消費金額,在工作中我認為對于一般店鋪的類目而言,產品的價格帶都是比較單一的,比如:同一品牌美妝類,價格浮動范圍基本在某個特定消費群的可接受范圍內,加上單一品類購買頻次不高,所以對于一般店鋪而言,M值對客戶細分的作用相對較弱。
所以我認為用店鋪的累計購買金額和平均客單價替代傳統的M值能更好的體現客戶消費金額的差異。
教大家一個特別簡單的累積金額劃分方法:將1/2的客單價作為累積消費金額的分段,比如客單價是300元,則按照150元進行累計消費金額分段,得出十個分段。
現以國內某知名化妝品店鋪舉例,店鋪平均客單為160元,因此以80元作為間隔將累積消費金額分段,從表中可以很明顯發現,累計消費160元以下用戶占比為65.5%(近2/3),貢獻的店鋪收入比例只占31.6%(近1/3),具體如下:
二、基于RFM模型的實踐應用
作為CRM操盤手,主要有兩種方法來分析RFM模型的結果:用基于RFM模型的劃分標準來進行客戶細分,用基于RFM模型的客戶評分來進行客戶細分。
1、基于RFM模型進行客戶細分
CRM實操時可以選擇RFM模型中的1-3個指標進行客戶細分,如下表所示。切記細分指標需要在自己可操控的合理范圍內,并非越多越好,一旦用戶細分群組過多,一來會給自己的營銷方案執行帶來較大的難度,而來可能會遺漏用戶群或者對同個用戶造成多次打擾。
最終選擇多少個指標有兩個參考標準:店鋪的客戶基數,店鋪的商品和客戶結構。
店鋪的客戶基數:在店鋪客戶一定的情況下選擇的維度越多,細分出來每一組的用戶越少。對于店鋪基數不大(5萬以下客戶數)的店鋪而言,選擇1-2個維度進行細分即可。對于客戶超過50萬的大賣家而言可以選擇2-3個指標。
店鋪的商品和客戶結構:如果在店鋪的商品層次比較單一,客單價差異幅度不大的情況下,購買頻次(F值)和消費金額(M值)高度相關的情況下,可以只選擇比較容易操作的購買頻次(F值)代替消費金額(M值)。對于剛剛開店還沒形成客戶粘性的店鋪,則可以放棄購買頻次(F值),直接用最后一次消費(R值)或者消費金額(M值)。
通過RFM模型評分后輸出目標用戶
除了直接用RFM模型對用戶進行分組之外,還有一種常見的方法是利用RFM模型的三個屬性對客戶進行打分,通過打分確定每個用戶的質量,最終篩選出自己的目標用戶。
RFM模型評分主要有三個部分:
1、確定RFM三個指標的分段和每個分段的分值;
2、計算每個客戶RFM三個指標的得分;
3、計算每個客戶的總得分,并且根據總得分篩選出優質的客戶
比如,實操的過程中一般每個指標分為3-5段,其中R值可以根據開店以來的時間和產品的回購周期來判定,F值根據現有店鋪的平均購買頻次,M值可參考上文客單價的分段指標。
舉個例子:
確認RFM的分段和對應分段的分值之后,就可以按照用戶情況對應進行打分。
這個時候可能有人會對此產生質疑,我如何驗證這個給予的分值就是合理的呢?確實我也暫時沒有辦法給予和科學研究的回復,如果需要驗證的話,每次對用戶數據進行導入之后,需要用算法模型進行回歸驗證。
但是這樣太復雜也太麻煩,如果有朋友感興趣的話可以進行驗證,能夠根據不同店鋪的情況,對于每個指標的賦值進行一個更加科學合理的定值。
以上僅為個人工作的總結,如有疑問歡迎交流。感謝~