基于RFM多層級客戶價值模型的客戶細分研究

熊蘭++高炳

◆ 中圖分類號：F713 文獻標識碼：A

內容摘要：傳統的RFM模型被廣泛地應用于各類零售企業、銀行和通信等行業，通過對基于RFM模型的客戶細分的應用研究，本文首次提出對于零售企業的基于RFM模型的客戶終身價值的評價應該對企業的所有產品分類，創建基于RFM的多層級客戶價值模型，并利用SQL server 2000中的Northwind數據庫對這個模型進行實證研究。首先比較傳統模型和多層級模型的客戶終身價值的分布，然后對個人客戶的分產品的客戶價值、傳統模型客戶終身價值和多層級模型的客戶終身價值作為細分變量聚類，結合客戶終身價值分析不同類別產品的客戶價值，挖掘出運用傳統RFM模型進行客戶細分隱藏的部分重要的客戶信息，對管理人員制定營銷策略有很好的實踐價值，并驗證了該模型的有效性。

關鍵詞：客戶細分 客戶生命周期價值 客戶價值 RFM 營銷策略

引言

隨著經濟的發展，客戶多樣性的需求，零售企業產品種類越來越豐富。零售企業之間產品差異性不大，同質化嚴重，滿足客戶的需求成為企業獲得客戶資源的關鍵。然而企業的資源是有限的，企業不可能滿足每個客戶的需求，只能利用有限的資源滿足有價值的客戶的需求。如何了解客戶的需求，現在主要的依據是對企業客戶進行合理的劃分，即客戶細分。現在研究比較熱門的是依據客戶的終身價值聚類對客戶細分，然而這樣劃分的結果存在很大的營銷缺陷。

在營銷領域，RFM模型被廣泛地用來衡量客戶的生命周期價值（客戶價值）。本文通過對RFM模型的應用研究，提出了一種針對零售行業的基于產品類別的多層級的客戶價值評價模型。該模型綜合考慮個人客戶產品類別的客戶價值以及客戶的終身價值，通過對企業產品的分類解決了對企業所有產品運用RFM模型的局限性（不同類別的產品R、F、M值的差異性太大，會遺漏很多重要的客戶信息），可以為企業的促銷策略提供指導，具有更強的實踐價值。

RFM模型及其應用研究

客戶作為企業的一項重要資源，也是有生命周期的。客戶生命周期價值是指客戶在與企業接觸的整個過程中為企業創造價值。典型的客戶生命周期價值包括考察期、形成期、穩性期和衰退期。目前，比較普遍和公認的用來評價客戶價值的一種模型是RFM模型。

RFM模型最早是由Hushes提出的，它包括R（Recency）、F（Frequency）、M（Monetary）這三個變量，它們都是來自客戶的消費數據。近度（R）表示客戶最后一次交易距離現在的時間，該值越小，則表明客戶與企業再次產生交易的可能性越大；頻度（F）表示客戶在分析的時間段內與企業產生交易的次數，該值越大，則表明客戶對企業的忠誠度越大；金額（M）表示客戶在分析的時間段內購買企業產品消費的總金額，該值越大，則表明客戶越忠誠對企業的價值越大。RFM模型廣泛應用于對直銷領域的客戶細分。蔣國瑞等（2007）、曾小青等（2013）、王扶東等（2011）對傳統的RFM模型進行了改進，以便于更深入地了解客戶，客戶處于哪個生命周期，客戶的流失傾向，客戶對企業的價值。王扶東等（2011）提出了一種以RFM模型為基礎的多層級的客戶忠誠度的細分模型。Hui-Chu Chang& Hsiao-Ping Tsai（2011）提出對于RFM模型的客戶細分應該考慮產品的價格和生命周期，同一個客戶對不同的產品可能有不同的忠誠度和價值。

基于以上研究，本文認為對零售企業基于RFM模型的客戶價值細分時，客戶的價值應該根據產品的性質分為不同類別產品的價值，然后根據客戶的終身價值和分產品的價值聚類把客戶分成不同的群。這樣不僅可以解決傳統的RFM模型對所有產品的客戶價值計算的局限性，也能了解客戶對不同類別產品的價值高低，可以為有價值的客戶提供針對具體產品的營銷指導。

基于RFM的多層級模型

（一）基于產品類別的客戶價值模型

綜合上面的分析，本文提出了基于RFM模型的多層級的客戶價值細分模型（見圖1）。根據零售企業各個產品的性質（價格、生命周期或者用途）對產品分類，假設分為A、B、C三類，然后分別構建以A、B、C三類產品為基礎的RFM模型，如圖1所示，個人客戶的終身價值是A、B、C三類產品的客戶價值的總和。各種產品的客戶價值就是分別只考慮一種類別的產品，然后利用傳統的RFM模型計算相應產品的客戶價值。個人客戶終身價值的計算公式如下：

Vold=WRR+WFF+WMM （1）

Vnew=αAVA+βBVB+γCVC=αARFMA+βBRFMB+γCRFMC （2）

其中：Vold代表傳統RFM模型的個人客戶終身價值，R、F、M代表把企業的所有產品當成一個整體的個人客戶的近度、頻度和金額的標準值，WR 、WF和WM表示三個變量的相對權重，其和為1；Vnew代表多層級模型的企業的個人客戶終身價值，VA、VB、VC代表個人客戶的產品A、產品B和產品C的價值，RFMA、RFMB、RFMC分別表示個人客戶的產品A、產品B、產品C的RFM值，前面的系數代表的是各類產品的相對權重。

（二）變量標準化

相對權重的分析。關于RFM模型中的細分變量對于客戶終身價值的影響程度有以下研究：Hughes在用RFM模型來估算客戶的終身價值時認為，R、F、M三個細分變量的影響是一樣的，在計算客戶的終身價值時把這三個細分變量賦予了同樣的權重。但是后來有學者研究指出這種方法是有一定缺陷的，發現有相同的終身價值的客戶，其購買行為存在巨大的差別。后來，Miglautsch（1995）指出對于反映客戶購買行為的不同特征的三個指標應該具有不同比例的權重。本文認為，在計算同類產品的個人客戶的終身價值時，這三個細分變量對于客戶的終身價值影響是不一樣的，所以應該對三個不同類型的指標賦予不一樣的權重。零售企業的各種產品的三個細分變量的相對權重和產品的性質、用途關系比較大，本文運用層次分析法來確定其相對權重。

變量的標準化。由于三個基本變量R、F、M的度量單位是不統一的，為了避免變量單位不一致對分產品客戶價值及客戶終身價值的影響，加權之前需要將三個基本變量標準化。對R變量，標準化的值為R變量的最大值與實際值之差除以R變量的最大值與最小值之差；對F、M值變量，標準化的F、M值為F、M的實際值與最小值之差除以F、M變量的最大值與最小值之差。

實證研究

為了驗證該層級模型的有效性，選取SQL Server 2000中自帶的Northwind數據庫兩年的銷售數據作為本模型的數據源，該數據源有89名客戶、2155次交易記錄。該數據庫根據此食品超市經營產品的性質和用途把產品分為飲料（Beverages）、調味品（Condiments）、糖食（Confections）、乳制品（Dairy Products）、谷物（Grains/Cereals）、肉類（Meat/Poultry）、農產品（Produce）、海產食品（Seafood）這八種類別的產品，本模型也以此為依據把食品超市的所有產品分為這八類來分析。通過綜合各食品專家的意見，得出食品三個變量的相對權重，最后利用層次分析法求得食品超市客戶購買的近度、頻度和金額的相對權重分別是0.731、0.188、0.081。分析結果如下：

（一）分產品的客戶價值及客戶終身價值的分布

利用基于產品的多層級的客戶終身價值模型，計算所得的客戶終身價值的分布如圖2所示，所有客戶的終身價值之和與客戶個數之比是0.5024（即客戶終身價值的平均值），高于客戶終身價值的平均值的客戶占52.81%；利用傳統的RFM模型計算出的客戶終身價值的平均值是0.7207，高于傳統模型客戶終身價值的平均值的客戶占60.67%。傳統模型的客戶終身價值普遍高于多層級模型所得的客戶終身價值，傳統RFM模型的客戶終身價值的分布比較集中，多層級模型的客戶終身價值的分布比較均勻，分布接近正態分布，中間多兩頭少。

從客戶單個產品來分析客戶的產品價值，產品Beverages、Condiments、Confections、Dairy Products、Grains/Cereals、Meat/Poultry、Produce、Seafood的平均客戶價值分別是0.5917、0.6966、0.4682、0.5484、0.4400、0.4149、0.3945、0.5947。其中，Beverages、Condiments、Dairy Products、Seafood這四類產品的客戶價值的平均值比較高，其它四類產品的客戶價值的平均值相對比較低。產品種類不同，客戶價值的分布差異還是比較大，如圖3所示，如果只是把所有產品當成一個整體來評價客戶的終身價值會遺漏比較多的客戶信息，因此有必要針對企業的產品分類分別分析客戶的價值。

（二）個人客戶價值聚類分析

以個人客戶的八類產品的忠誠度、傳統RFM模型的客戶終身價值、多層級模型的客戶終身價值作為細分變量，運用SPSS的系統聚類，把客戶分為8類具有不同特征的客戶群，如表1所示。

客戶群1的傳統模型的客戶終身價值的均值接近所有客戶的均值；多層級模型的客戶終身價值均值明顯偏低，是多層級模型所有客戶終身價值均值的0.63倍。Beverages、Dairy Products、Produce這三種產品的客戶價值的均值偏低，其余5種的產品客戶價值的均值顯著偏低。客戶群1對于各類產品都屬于低價值客戶，并且對其中的5種產品鮮少問津，對于整個企業也屬于低價值客戶。

客戶群2的傳統模型的客戶終身價值的均值和多層級模型的客戶終身價值的均值都偏低，分別是所有客戶的0.64和0.55倍，這類客戶對企業的8種產品的客戶價值的均值也都偏低。這類客戶屬于企業的低價值客戶，其特征是對各種類別的產品都有購買，但是價值不高。

客戶群3的傳統模型和多層級模型的客戶終身價值的均值是所有客戶群中最低的。這類客戶的Condiments和Produce的產品客戶價值是0，其余5種類別的產品客戶價值的均值也顯著偏低。這類客戶也屬于企業的低價值客戶。

客戶群4的傳統模型的客戶終身價值的均值接近所有客戶的平均值；多層級模型的客戶終身價值的均值稍低于所有客戶平均值，是所有客戶平均值的0.73倍；Beverages、Condiments、Confections這三種產品的客戶價值的均值平均值接近，Meat/Poultry和Produce這兩類產品的客戶價值的均值分別是平均值的1.67和1.59倍。這類客戶對于整個企業屬于中等價值客戶，其特征是對于Meat/Poultry和Produce這兩類產品屬于高價值客戶。

客戶群5的傳統模型的客戶終身價值的均值接近所有客戶的平均值；多層級模型的客戶終身價值的均值低于所有客戶平均值，是所有客戶平均值的0.63倍；Condiments、 Dairy Products、Produce和Seafood這四類產品的客戶價值的均值稍微高于所有客戶的均值，其余四類的客戶價值的均值明顯低于所有客戶的均值。這類客戶對所有產品都有涉獵，但是整體價值不高。

客戶群6的傳統模型的客戶終身價值的均值接近所有客戶的平均值；多層級模型的客戶終身價值的均值稍低于所有客戶平均值，是所有客戶平均值的0.85倍；Condiments 、Dairy Products、Produce和Seafood這四類產品的客戶價值均值高于所有客戶的平均值，Beverages和Confections這兩類產品的客戶價值偏低。這類客戶對于整個企業屬于中等價值客戶，這類客戶的特征是對于Condiments 、Dairy Products、Produce和Seafood這四類產品屬于高價值客戶。

客戶群7的傳統模型的客戶終身價值的均值是所有客戶的1.31倍，多層級模型的客戶終身價值的均值是所有客戶的1.75倍，都是所有類別客戶終身價值均值最高的；這類客戶的產品價值的均值有7種是所有客戶群中最高的，只有Confections的產品客戶價值的均值稍微偏低但也屬于產品高價值客戶。這類客戶是企業的“黃金客戶”，對整個企業屬于高價值客戶。

客戶群8的傳統模型的客戶終身價值的均值是所有客戶的1.04倍；多層級模型的客戶終身價值的均值是所有客戶的1.19倍；各類產品客戶價值的均值都高于所有客戶的均值。這類客戶是企業的主流客戶，各類產品的客戶價值都偏高。

（三）傳統模型和多層級模型的對比分析

通過上面對客戶價值的聚類分析，可以根據傳統模型的終身價值和多層級模型的客戶終身價值把客戶的購買行為分為三類，如圖4所示。客戶群7和客戶群8是企業的高價值客戶，這類客戶對于企業的各類產品的客戶價值都很高，是企業利潤的來源要重點維系，占客戶總數的61.79%。客戶群2和客戶群3都是企業的低價值客戶，客戶群2有一部分產品的客戶價值比較高，另一部分產品的客戶價值比較低，客戶群3的各種類別產品的客戶價值都比較低，這兩類客戶占客戶總數的24.73%，是企業的低價值客戶，企業對于這部分客戶不要投入過多的資源，或者把這部分客戶轉向競爭對手。客戶群1、客戶群4、客戶群5和客戶群6是企業的中等價值客戶，客戶群1、客戶群4和客戶群6的產品客戶價值一部分比較高，一部分比較低，還有一部分沒有涉獵，進而提高該類客戶的終身價值；客戶群5對于企業的所有產品都有購買，只是一部分產品的客戶價值比較高，另一部分產品的客戶價值比較低；這四類客戶占客戶總數的13.48%，是企業重點發展的客戶，企業應該根據客戶的產品客戶價值的分布，加大力度提高產品客戶價值低的那幾類產品的客戶價值。

結論

本文提出了基于RFM的多層級的客戶價值模型，把企業的產品根據其性質分為不同的類別，分別評價客戶各類產品的客戶價值。利用SQL server 2000中的Northwind數據庫對這個模型進行了詳細說明，通過聚類分析的結果，討論了對于企業的不同價值的客戶應該采取怎樣的營銷策略。該模型不僅可以區分企業的客戶終身價值的高低，而且可以進一步區分不同終身價值的客戶對于不同類別產品的價值，這樣可以為管理人員制定營銷策略提高客戶價值提供可靠的、具體的、科學的指導。

參考文獻：

1.陳金波.面向電信CRM的數據挖掘應用研究[D].東南大學，2006

2.Hughes，A.Strategic database marketing：the master plan for starting and managing a profitable，customer-based marketing program[A].Irwin Professional，1994

3.J.R.Bult and T.Wansbeek，Optimal selection for direct mail，Marketing Science 1995（14）

4.蔣國瑞，劉沛，黃梯云.一種基于AHP方法的客戶價值細分研究[J].計算機工程與應用，2007（8）

5.曾小青，徐秦，張丹，林大瀚.基于消費數據挖掘的多指標客戶細分新方法[J].計算機應用研究，2013（10）

6.王扶東，馬玉芳.基于數據挖掘的客戶細分方法的研究[J].計算機工程與應用，2011（4）

7.Hui-Chu Chang and Hsiao-Ping Tsai.Group RFM analysis as a novel framework to discover customer consumption behavior[J].Expert Systems with Applications，2011（38）

8.Miglautsch J R.Thoughts on RFM Scoring[J].Database Mark，1995，8（1）

9.M.Khajvand and K.Zolffaghar and S.Ashoori.Estimating customer lifetime value based on RFM analysis of customer purchase behavior：case study [J].Procedia Computer Science，2011（3）

10.Tsai，C.-Y.&Chiu，C.-C.A purchase-based market segmentation methodology[J]. Expert Systems with Application，2004