摘要：客戶細分是降低企業(yè)運營成本，提高轉(zhuǎn)化率的基礎，RFM模型廣泛應用于各大企業(yè)識別高價值客戶。企業(yè)通過運用科學有效的客戶分類模型，對客戶細分，制定有針對性的運營策略或提供個性化服務是降低企業(yè)運行成本，提高用戶轉(zhuǎn)換率的有效利器。

關鍵詞：客戶細分；RFM；精細化運營

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

隨著科技的不斷進步，我國的電子商務、支付和物流這三大平臺得到了很好的發(fā)展，像是淘寶、1號店、京東等都取得了很大的成功。Wyner指出企業(yè)80%的利潤來自于20%的客戶，而其余20%的利潤，卻花了公司80%的營銷費用[1]?？蛻粲肋h都是企業(yè)最重要的財產(chǎn)，對企業(yè)來說，不同的客戶擁有不同的價值。1974年，Kotler首次提出了客戶終生價值（Customer Lifetime Value， CLV）的概念，認為客戶終生價值是客戶在未來可能為企業(yè)帶來的總收益[2]。Reichheld認為客戶價值應該體現(xiàn)在客戶能給企業(yè)帶來凈現(xiàn)金流總和上，認為客戶復購率、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)長期盈利的關鍵因素[3]。Kim從企業(yè)長期盈利的角度出發(fā)，認為企業(yè)應與客戶保持緊密聯(lián)系，尤其是企業(yè)的忠誠客戶，那么對企業(yè)客戶的細分和評價就顯得尤為重要[4]。

企業(yè)通過對客戶終身價值的認知，將客戶進行分類，對不同等級的客戶制定不同的運營策略，實現(xiàn)企業(yè)利潤最大化。準確的對客戶進行分類，是企業(yè)優(yōu)化資源分配的基礎，如何識別出高價值客戶、將潛在低價值客戶轉(zhuǎn)變成高價值客戶、吸引高質(zhì)量新客等問題成為了企業(yè)關注的重點。

一、RFM模型

客戶終身價值反映了客戶對企業(yè)的重要性，利潤最大化是企業(yè)運營的目標，RFM模型廣泛應用于客戶細分，通過該模型識別出企業(yè)的目標價值客戶。RFM模型首先由Hughes提出，RFM模型是客戶消費數(shù)據(jù)中的三指標，分別是最近購買時間 （Recency）、購買頻率（Frequency）和購買金額（Monetary）[5] 。

最近購買時間，指的是客戶在統(tǒng)計時間內(nèi)，購買時間最新的數(shù)據(jù)。如果購買時間越靠后，也就是說該客戶前不久剛有過購買行為，通常認為該客戶在未來進行再次購買的可能性更大。

購買頻率，指的是客戶在統(tǒng)計時間內(nèi)，購買企業(yè)產(chǎn)品或者服務的次數(shù)。如果購買的次數(shù)越大，也就是說該客戶對企業(yè)忠誠度越高，愿意購買企業(yè)的產(chǎn)品或者服務，是企業(yè)的重要客戶。

購買金額，指的是客戶在統(tǒng)計時間內(nèi)，購買企業(yè)產(chǎn)品或者服務支付的總額。如果購買金額越大，說明該客戶對企業(yè)的消費貢獻度越高，客戶本身的價值也就越高。電商企業(yè)在進行用戶行為分析的時候，常常使用平均數(shù)來替換總數(shù)進行分析，這樣可以減少了與時間和購買次數(shù)之間的共線性。

RFM模型被廣泛的應用于識別客戶價值和分析客戶再次購買可能性，由于其指標簡單，數(shù)據(jù)容易獲得，在學術(shù)界和商業(yè)界都得到一定的認可?；赗FM模型的指標，用于評估第個客戶的價值函數(shù)可以表示成：

（1）

公式（1）中、和分別代表客戶對應的[R，F(xiàn)，M]的得分，分別為[R，F(xiàn)，M]的權(quán)重。Hughes認為這三個指標對客戶價值的評估是一樣重要的，即[5] 。Stone通過研究客戶信用卡消費數(shù)據(jù)，發(fā)現(xiàn)這三個指標的對客戶價值的評估影響是有差別的，各指標的權(quán)重大小為[6]。Goodman應用RFM模型分析有效目標客戶，指出將重點放在高價值客戶上從而節(jié)省企業(yè)成本[7]。鄧光耀運用FRM模型制定排名規(guī)則對客戶進行劃分[8]。曹國等人結(jié)合RFM和Logistic構(gòu)建商業(yè)銀行零售客戶流失預警模型[9]。趙萌與齊佳音在RFM模型上引入評論行為，構(gòu)建RFMP模型對客戶進行細分[10]。張繼艷基于RFM模型構(gòu)建RFMS模型，針對電商企業(yè)劃分客戶價值，針對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的營銷建議[12]。綜上所述，RFM模型在在識別客戶價值的問題上得到了一定的認可。

二、RFM模型實現(xiàn)精細化運營

什么是精細化運營？通過對市場情況、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)的目標用戶群，并給出針對性的運營方案，從而實現(xiàn)企業(yè)運營目標的行為，我們稱之為精細化運營。從流量的角度來說，就是最大化流量價值，提高轉(zhuǎn)化率；從客戶角度來說，就是對目標客戶群制定針對性的運營方案或者提供個性化的服務?？蛻艏毞中枰鞔_以下幾個問題：

1.誰是企業(yè)的高價值客戶？

2.誰是企業(yè)需要保持聯(lián)系的客戶？

3.誰是企業(yè)重點發(fā)展的客戶？

4.誰是企業(yè)需要挽留的客戶？

Hughes的RFM模型會在每個維度上劃分5個等級[5]，這樣的劃分結(jié)果可以得到125類客戶群，針對125類客戶群制定125個策略顯然必要性不大，反而增加了針對性運營的成本。實際運用上可以在每個維度進行2個劃分即可，依舊可以得到8類客戶群，如圖1所示。

1.高價值客戶：最近消費時間近、消費頻次和消費金額都很高，這類客戶是企業(yè)的高價值VIP客戶，為企業(yè)持續(xù)帶來消費。

2.保持聯(lián)系客戶：最近消費時間較遠，但消費頻次和金額都很高，說明這個群體的客戶有一段時間沒有進行消費了，但依舊是企業(yè)的忠實客戶，需要主動保持聯(lián)系，進行針對性服務，提高這類用戶的忠誠度和滿意度，使之繼續(xù)進行高消費。

3.重點發(fā)展客戶：最近消費時間較近、消費金額高，但頻次不高，這類客戶忠誠度不夠，但很有潛力，需要重點發(fā)展，培養(yǎng)客戶對企業(yè)的粘性，刺激消費。

4.重要挽留客戶：最近消費時間較遠、消費頻次不高，但消費金額高的客戶，這類客戶很有可能是將要流失或者已經(jīng)要流失的客戶，應當進行挽留策略。

針對不同的客戶群，進行有針對性的宣傳活動、禮券派送等，從而讓用戶產(chǎn)生流動。持續(xù)的進行這個用戶劃分分析，還可以觀測不同的活動對客戶產(chǎn)生的影響，比如說對于高流量的客戶，卻沒有產(chǎn)生購買行為，可以對其進行定向推送，觀測客戶是否會進行購買，成為雙高客戶。

通過使用RFM模型識別出企業(yè)的目標客戶，其優(yōu)點是理論基礎扎實，數(shù)據(jù)容易獲取，可以通過數(shù)據(jù)挖掘的方法得到企業(yè)客戶的細分客戶群，更加直觀的分析不同客戶群的特點。原始的模型同時也存在一定的不足，RFM模型中僅考慮了三個指標，忽略了不同企業(yè)的環(huán)境、業(yè)務特點等因素的影響，這會導致結(jié)果存在偏差。比如客戶的購買金額很大，但是帶給企業(yè)的利潤卻很低，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)會員時間的長短，在一定程度上都會對客戶價值產(chǎn)生影響，這些在RFM模型中都沒有體現(xiàn)，無法對客戶進行動態(tài)的分析。所以，在進行實際分析的時候，需要考慮企業(yè)自身的特點，把對企業(yè)客戶價值影響較大的因素考慮進來，對RFM模型進行改進和修正，以降低客戶分析的誤差，得到更為科學、精確的分析結(jié)果。

三、結(jié)語

客戶交易數(shù)據(jù)是企業(yè)非常重要的資源之一，通過企業(yè)已有的客戶交易數(shù)據(jù)，結(jié)合不同角度分析客戶價值，從而得到更加貼近實際的結(jié)果，指導運營制定方案。精確計算客戶價值有利于企業(yè)對客戶的認識和管理，降低企業(yè)的運營成本，識別出客戶的當前價值和潛在價值，針對不同價值的客戶制定相應的運營策略，才能實現(xiàn)企業(yè)長遠的利潤目標。

參考文獻：

[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)分析中的應用[J].經(jīng)濟視角（中旬），2011，03：144-145.

[9]曹國，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].財會通訊，2012，33：147-149.

[10]趙萌.基于評論行為的客戶終身價值模型改進[D]. 北京郵電大學，2015.

[11]張繼艷.基于改進RFM模型的網(wǎng)絡消費者價值識別研究[D].南華大學，2015.

[12]王曉耘，張樹華，魯天琦，姜瑜斐.基于RFM分析與聚類算法的網(wǎng)絡團購用戶分類研究[J].生產(chǎn)力研究，2016，07：115-120.

作者簡介：林文娣（1992-），女，廣東揭陽縣人，首都經(jīng)濟貿(mào)易大學碩士，主要從事企業(yè)信息化研究。