RFM模型与顾客生命周期管理

一.RFM模型

我们先问问自己为何要进行客户细分？

与团队管理一样，团队成员人数只有个位数的时候，大家靠默契就能运作；当团队成员人数到达两位数时，需要规章制度对职场行为进行规制以确保稳定；当团队成员人数到达三位数时，需要企业文化与企业精神让员工在“灵”的层面理解公司愿景。

•每一家店铺在不同时期拥有的顾客基数不同，对应其店铺成长。在导入期，顾客人数较少，所以更加注重新客的引入，流量的转化；在成长期，店铺着重要关注流量的稳存与客单价的提升；在成熟期，店铺已经有了稳定消费的客户源，存量顾客基数较大，故此时店铺更加关注顾客的二次购买与品牌溢价。
•对于企业而言，钱VS市场的战争永远是输的。金钱资源的有限性决定了营销资源必须在事前进行合理的计算与有效的分配。那么，从人的角度进行划分，就是最方便的方法。


简短地用假大空的话说了说意义，下面我们详细阐述RFM模型：

•R：Recency最近一次消费。指的是上一次的消费时间和计算当天的间隔。计算公式是：当前日期-上次消费日期。（一般取付款时间，而非下单时间）
•F：Frequency消费频率。客户在固定时间内（一般以1年作为统计周期）的购买次数。客户购买频率的高低是客户品牌忠诚度和店铺忠诚度的体现。
•M：Monetary消费金额。指的是顾客在一段时间（通常是1年）内的消费金额。


表给中还给出了影响指标变化的因素与指标的应用场景。这个后文会继续详述。


1. 最近一次消费（Recency）



最近一次消费的计算方式是以计算当日减去顾客上一次在店铺的消费日期。计算时取付款时间更为准确。


我们可以很容易地理解到：R值越小，说明顾客下单间隔越小。如果R值为0，则可以说明该顾客天天在本店铺下单；如果R值很大，则可认为该顾客已经遗忘了本店铺，就算是买东西也想不到来本店铺买。


我们来举个栗子：文中的柱状图取了某店铺三年内的R值分布情况。从形状来看，呈现周期性且规律型的波浪型，且振幅随着时间的延长而变小。店铺对客户的营销有着稳定的季节性，从图表看，大概是统计周期的每年的第二个月，在这个月能吸引顾客下单，故R值在当月占比会特别高。


2. 消费频率（Frequency）

消费频率的高低是客户对品牌忠诚度（如：旗舰店）与店铺忠诚度的体现。


然而，决定消费频率高低的一个重大因素是品类宽度。如：对手机、电脑等3C类别商品，平均购买周期可能在1年左右；而对于纸巾、零食等流百类商品，平均购买周期可能只有1周甚至更短。因此，跨品类进行F值的比较是没有意义的。


对于大平台而言，其涉及的售卖品类会比较丰富；而对于一般小平台而言，一般只会涉足某一细分品类。平台毕竟有限，故对于一般网店而言，会将F值用顾客的“累计购买次数”替换。


我们来举个栗子：文中的柱状图统计了一段时间内顾客到店消费的次数分布。新客（购买一次）占比为65.6%，老客（购买超过一次）占比为34.4%。购买超过4次以后，流失达到稳定。故CRM运营童鞋要考虑如何对顾客进行营销，使其在店铺购买可达4次。


3. 消费金额（Monetary）

消费金额统计的是某一顾客在一段时间内的累计消费金额。数值越大，代表顾客对店铺的价值贡献和消费能力越高。
由于统计周期较长，不利于对于应时性的分析。故：对一般店铺而言，一般选择客户在店铺的累计购买次数与客单价替代原始的M值定义。


我们来举个栗子：文中的柱状图统计了一段时间内某个消费区间内的客户数与消费金额。累计消费1000元以下的客户占比为65%（近2/3），贡献的店铺收入比例占31.6%（近1/3）。在“二八法则”中，我们提到说20%的顾客贡献店铺80%的收入——其背后含义即说明，小部分忠诚顾客贡献了店铺主要的营收。图表就是对这一法则的现实证明。