陸娜　劉曉文　李蘭

摘要：在網(wǎng)店競爭越來越激烈的環(huán)境下，如何留住客戶提高客戶回頭率非常關鍵，網(wǎng)店可以選擇RFM（Regency、Frequency、Monetary）分析法對客戶價值進行區(qū)分從而有針對性地對不同的客戶提供營銷服務。RFM分析法的應用首先通過SPSS Statistics 軟件包含的直銷模塊進行RFM建模，得出客戶的RFM得分，然后再運用獨立分箱或者嵌套分箱的方法進行客戶價值的區(qū)分，從而網(wǎng)店可以對RFM得分不同的客戶設計不同的營銷策略。

關鍵詞： 網(wǎng)店；RFM；客戶價值；客戶價值細分

中圖分類號：F713.36 文獻標識碼：A 文章編號：1009-3044（2018）18-0275-02

Customer Value Segmentation of Online Store Based on RFM

LU Na1， LIU Xiao-wen1， LI Lan2

（1.School of Information Science and Technology， Hainan Normal University， Haikou 430000，China；2.Cha Ma Shi Jia， Wuhan 430000，China）

Abstract： In the environment of more and more fierce competition between online store， it is very important to retain customers and improve customer return rate. Online stores can choose RFM （Regency， Frequency， Monetary） analysis method to distinguish customer value， so as to provide marketing services for different customers. The application of RFM first makes RFM modeling through the direct selling module contained in the SPSS Statistics software， obtains the customer's RFM score， and then uses the separate box or nested sub box to distinguish the customer value， thus the online store can design the different marketing strategies for the customers with different RFM scores.

Key words： Online Store； RFM； Customer Value Segmentation； Customer Value Segmentation

1 引言

隨著開展電子商務條件的不斷成熟，以及人們對于網(wǎng)絡購物的接受程度的不斷提高，電子商務的發(fā)展前景非常樂觀。據(jù)統(tǒng)計數(shù)據(jù)顯示，截至2017年12月，我國網(wǎng)絡購物用戶規(guī)模達到5.33億，較2016年增長14.3%，占網(wǎng)民總體的69.1%。其中，網(wǎng)絡零售保持高速增長，全年交易額達到71751億元，同比增長32.2%。

網(wǎng)絡零售市場的日益發(fā)展擴大以及和用戶對網(wǎng)購要求的日益提高，B2C的發(fā)展在對C2C網(wǎng)絡零售網(wǎng)店的發(fā)展形成一定的沖擊。淘寶賣家之間的競爭隨著電子商務的迅速發(fā)展變得越來越激烈。電子商務重營銷不重維護的普遍現(xiàn)象導致網(wǎng)店的客戶價值長期處于較低的水平，例如淘寶網(wǎng)的平均轉(zhuǎn)化率不足1%，客戶回頭率遠遠不及傳統(tǒng)企業(yè)。商家為了提高回頭率，夸大其詞地進行廣告推廣，不但沒有提高回頭率，反而有損其形象。為了更好地維護現(xiàn)有的客戶，增加回頭率，商家需要找尋合適的方法來維系不同價值的客戶，從而提高利潤。

網(wǎng)店要想更好地維護顧客，首先要識別不同顧客的價值，然后對其有針對性地進行營銷和服務，從而提升回頭率甚至提高顧客忠誠。

2 客戶價值細分方法

從客戶關系管理方面來看，客戶價值細分的方法主要有ABC分類法、CLV分析法以及RFM分析法三種。

2.1 ABC分類法

ABC分類法是基于二八法則的，根據(jù)客戶為企業(yè)創(chuàng)造的價值，將客戶分為高端客戶、大客戶、中等客戶、小客戶等不同類別。把高端客戶、大客戶劃為A類，他們的數(shù)量是客戶總數(shù)量的20%，貢獻的銷量占總銷量的70%～80%；銷量貢獻10%～20%的是B類客戶，其余為C類，B、C類客戶客戶總量約80%。

利用ABC分類法劃分完客戶以后，就可以有針對性地進行客戶的管理和維護，資源、時間等重點將向A類客戶傾斜、重點維護，而對B類客戶進行次要維護，C類客戶只需要簡單維護。

2.2 CLV分析法

CLV是指客戶生命周期價值（Customer Lifetime Value），指客戶在與企業(yè)的整個生命周期內(nèi)為企業(yè)創(chuàng)造的價值。廣義的CLV指的是企業(yè)在與某客戶保持買賣關系的全過程中從該客戶處所獲得的全部利潤的現(xiàn)值。CLV包括當前價值和未來價值，企業(yè)真正關注的是客戶未來利潤，因此狹義的CLV僅指客戶未來價值。

CLV分析法通過將客戶的當前價值和未來價值作為橫縱坐標，可將客戶劃分為：貴賓型客戶、改進型客戶、維持型客戶和放棄型客戶。劃分后的貴賓型客戶將被認為是最有價值客戶的，成為業(yè)務的核心；改進型客戶被稱為最具成長性客戶，可以著重培養(yǎng)；維持型客戶是普通客戶，一般維護即可；放棄型客戶被認為是根本無法為企業(yè)帶來足以平衡相關服務費用的負值客戶，應該放棄。

2.3 RFM分析法

RFM是由美國數(shù)據(jù)庫營銷研究所的Arthur Hughes提出的基于網(wǎng)店客戶消費行為數(shù)據(jù)的一種客戶細分方法，即將最近一次消費（Regency），消費頻率（Frequency）和消費金額（Monetary）作為重要的指標來分析和細分客戶。最近一次消費（Regency）是指在客戶多次消費中，距離上一次消費的時間。理論上客戶距離上一次消費的時間越近越好，營銷者可以由此衡量出消費者的忠誠度。消費頻率（Frequency）是指消費者在某一段時間內(nèi)的購買次數(shù)，根據(jù)此指標，最常購買的客戶，忠誠度就最高。消費金額（Monetary）是指在客戶在一定時間內(nèi)購買產(chǎn)品的總金額。在一段時間內(nèi)客戶的購買金額總和越高，表明該客戶為企業(yè)創(chuàng)造的價值就越大。

2.4 網(wǎng)店客戶價值細分方法選擇

在傳統(tǒng)的環(huán)境下，以上三種客戶價值細分方法都有著各自的適用條件和優(yōu)勢，ABC分類法適合客戶有大小之分，CLV分析法如果能夠獲取足夠的資料來預測一個客戶的價值，也很有效，但是對客戶未來價值預測的數(shù)據(jù)是需要數(shù)據(jù)挖掘，并不是易事。相比之下，RFM在傳統(tǒng)零售業(yè)客戶價值細分中的運用非常廣泛，在網(wǎng)絡零售商中，在有強大的IT系統(tǒng)做支撐的條件下，能夠獲取大量詳細、豐富的交易信息，運用RFM分析法進行客戶細分有著得天獨厚的優(yōu)勢，由此可見，RFM適用于網(wǎng)店客戶價值細分非常。

隨著網(wǎng)店數(shù)量的增多，消費者的選擇越來越多，而對于網(wǎng)店而言，維護客戶的難度變大。如果一個網(wǎng)店能夠?qū)蛻舻膬r值進行區(qū)分 ，并且根據(jù)客戶價值的不同，有針對性地進行維護及開展相關營銷活動，將會大大提升網(wǎng)店的顧客忠誠提高網(wǎng)店的競爭力。

3 RFM在網(wǎng)店客戶價值細分中的應用步驟

3.1 構建RMF模型

運用RFM進行客戶價值細分，首先要建立RFM模型，其模型的建立可通過IBM SPSS Statistics 軟件進行建立，軟件中的直銷模塊可以根據(jù)交易數(shù)據(jù)中買家客戶ID、買家下單時間、買家姓名、收貨地址、聯(lián)系電話、實收客戶總額等數(shù)據(jù)建立RFM模型，從而獲取每個客戶的最近一次消費、消費頻率和消費金額這三個評價指標并且計算出其得分，進而獲得客戶嶄新得分、頻率得分、消費金額得分以及客戶整體的RFM總分。

3.2 客戶價值區(qū)分等級

將收集的相關數(shù)據(jù)錄入模型，即可根據(jù)最近一次消費、消費頻率和消費金額三個要素構成的消費者行為數(shù)據(jù)得分，以R、F、M這三個維度作為評價標準，將網(wǎng)店消費者分為：重要價值顧客、重要發(fā)展顧客、重要挽留顧客、重要保持客戶、一般挽留顧客、一般價值顧客、一般保持顧客和一般發(fā)展顧客8種。

根據(jù)RFM得分情況可以將客戶層次等級分層情況表現(xiàn)為一個三維立體圖，其中↑表示的是得分較高，↓表示得分很低。例如R↑表示客戶最近一次消費時間近，F(xiàn)↓表示客戶消費頻率少。根據(jù)讓R、F、M分別為一個三位數(shù)字的百分位、十分位和個位表達，該三位數(shù)的三個位代表三個維度上的坐標高低。

RFM總分=消費金額得分+（10 * 消費頻率得分）+（100 *最近一次消費時間得分）

3.3 RFM模型分箱

在進行RFM模型建立的時候軟件會將網(wǎng)店數(shù)據(jù)分為小類別，這種處理是為了將客戶各項數(shù)據(jù)進行區(qū)分叫做RFM模型分箱。分箱的目的在于數(shù)據(jù)規(guī)格化，從而實現(xiàn)不同量級之間數(shù)據(jù)的比較。在 RFM 分析中，分箱是已評級的類別，簡單地說就是客戶得分等級。分箱數(shù)目不同，客戶區(qū)分的等級數(shù)目也不一樣。RFM得分的計算方法分為獨立分箱和嵌套分箱2種。

獨立分箱，即三個指標相互獨立計算。采用獨立分箱時，消費頻率等級、消費金額等級、最近一次消費時間等級3個之間相互獨立，互不影響。最近一次消費時間，消費金額和消費頻率是分別獨立的計算等級。RFM中的R、F、M三個指標的解釋都很明確；某個顧客的消費金額得分2與另一個顧客的消費金額得分2的意思相同。

嵌套分箱，即在考慮RFM總分時還需要進行交叉嵌套。采用嵌套分箱進行數(shù)據(jù)分析時，最近一次消費時間等級、頻率等級和金額等級相互交叉、嵌套，在每個最近一次消費時間等級中，消費者會被分配到一個頻率等級，然后在每個消費頻率等級中，消費者又會被分配到一個消費金額等級。這樣的方式算出的等級會使得分能夠更全面的評估消費者，例如上次消費時間等級得分為3的消費頻率得分等級為3與擁有上次消費時間等級得分為2的客戶的消費頻率得分等級為3的意義是不同的，消費頻率得分等級取決于客戶上一次消費時間得分等級。

對于網(wǎng)店經(jīng)營而言，經(jīng)常會出現(xiàn)一些大促，如雙11或者年底比較旺的情況，也會出現(xiàn)年4-5月份的淡季，使用獨立分箱計算RFM等級并不能真實反映客戶的價值。而通過嵌套分箱，時，進行彼此嵌套更能反映客戶真實價值，因此建議網(wǎng)店在進行客戶價值區(qū)分時使用嵌套分箱，從而使針對性的營銷更有效。

4 結論

網(wǎng)店通過后臺數(shù)據(jù)庫獲取消費者數(shù)據(jù)并借且SPSS statistic 軟件的直銷模塊進行RFM建模，通過嵌套分箱方法計算客戶RFM等級，從而區(qū)分不同類別的客戶價值，有針對性地制定營銷方案拉動消費意向低、消費額度高的會員多消費，拉動消費額度低的會員提高消費額度，從而為企業(yè)創(chuàng)造更大的價值。

對于為網(wǎng)店創(chuàng)造價值較低的一般挽留客戶、一般保持客戶和一般發(fā)展客戶，其活躍度低、可能流失，應減少營銷成本，可通過贈送“電子優(yōu)惠券”或旺旺和郵件提醒等形式將其重新喚醒，刺激下次消費。針對一般價值客戶，可設置套餐購買、消費滿多少送多少、辦理儲值卡或聯(lián)合捆綁銷售等模式拉大客單價，重要挽留客戶以及重要發(fā)展客戶，可以通過到店兌換禮品、參加免費活動、會員活動日等方式增大到店頻率。重要保持客戶、按時間段提醒其是否需要進行重購，或適當進行產(chǎn)品電話回訪，提醒客戶網(wǎng)店的存在。三個指標都高的重要價值顧客，是網(wǎng)店非常重要的資源，網(wǎng)店一定要保持與這部分客戶的良好互動，經(jīng)常性地進行提醒服務以及針對其設計一些促銷活動，從而提高其忠誠度。

本文僅僅是在前人研究的基礎上對于RFM在網(wǎng)店客戶價值區(qū)分的用法進行了介紹，并未進行實證研究，對于其實證研究的具體情況進行分析更能說明問題，今后將根據(jù)所獲數(shù)據(jù)進行此方法的驗證，從而提出更加切實可行的建議。

參考文獻：

[1] 段書勇.基于客戶價值細分的推薦方式研究[D].吉林：吉林大學，2011.

[2] 魏建國.RFM模型在商業(yè)銀行客戶行為分析中的應用[J].中國金融電腦，2011（6）：40-43.

[3] 馬寶龍，李金林，李純青，王高.隨機RFM模型及其在零售顧客價值識別中的應用 [J].管理科學與工程， 2011（01）：102-108.

[4] 酈瞻.網(wǎng)絡營銷[M].北京.清華大學出版社，2013.

[5] 姜緣意.基于RFM的丫商城客戶細分及營銷策略研究[D].遼寧：大連理工大學，2011.

[6] 徐翔斌，王佳強，涂歡，穆明.基于改進RFM 模型的電子商務客戶細分[J].計算機應用，2011.

[7] 劉朝華.基于客戶價值的客戶分類模型研究[D].湖北：華中科技大學，2008.

[8] 安詳茜.基于RFM模型的C2C環(huán)境下顧客價值識別研究[D].四川：西南財經(jīng)大學，2012.

[9]中國互聯(lián)網(wǎng)絡信息中心.2018年中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告[EB/OL]http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf .