RFM模型在餐饮行业的实践应用
作为产品运营的常用模型,RFM模型在运营过程中会经常使用。那如果是用在传统模式下,会不会产生一些更奇特的效果?这篇文章,我们看看作者的分享。
在运用运营过程中,RFM模型的重要地位不言而喻。理论上,我们可以针对R\F\M对人群实现8大类分层,按照不同人群分层制定不同运营策略。
在存量时代,通过价格歧视(经济学中价格歧视是中性词,非贬义)获得最大化消费者剩余,提升ROI,已经成为运营者的核心目标之一。
一、RFM模型的定义
RFM是运营场景中常用的用户分层模型,是衡量客户价值和客户创造利益能力的重要工具。通过客户在一定时间(Recency)范围内的近期购买行为、购买频率(Frequency)和购买总金额(Monetary)全方位描述目标用户的价值状况。
同时,R、F、M分别与用户粘性、用户忠诚、用户购买力强对应。如果三者的值越大,更能说明用户在粘性、忠诚、购买力三个方面贡献度越高。
二、常用的RFM模型统计方法
①均值法
②区间法
以上两种方法,可以按照行业的属性使用。例如黄金珠宝等低频高客单行业,可以适用于均值法;而餐饮、茶饮等高频低客单行业,更加适用于区间法。
三、基于RFM模型的人群分层
在人群分层的过程中,也要注意和会员标签的结合。在实践案例中,仅把RFM用于单兵作战是低效甚至无效的,毕竟刻画的用户数据只是浮于浅层。
完成RFM圈层之后,如果想要对高RFM的人群提供定制化服务,我们就必须明确他们详细的会员标签,通过标签进一步的对人群进行组合分群。比如他们的基本属性(性别、年龄、LBS等),口味偏好(喜好菜品、特定菜品、甜、辣等),行为偏好(堂食、打包等)。
四、RFM在餐饮行业的具体应用
背景:存量会员的唤醒召回
策略:会员标签>>组合分群>>人群运营>>数据追踪>>迭代优化
①会员标签:基本属性、消费喜好、客户来源、历史消费、近期消费、累计资产等,形成用户分层的基础
②组合分群:基于会员标签和RFM模型,进行人群分层聚类。
③人群运营:针对不同的聚类人群,提供差异化的定价(通过优惠、折扣、满赠等方式实现)、差异化的产品或者服务。两者目的都是为了更好的满足消费者需求。最后通过有效的渠道触达用户。
④数据追踪:活动全程中注意数据情况汇总,做好应急预案准备,如果发现某个人群的活动数据偏离历史平均值较大,则需要优先查看人群的聚类是否正确,在查看近期1-3个月这部分人群的行为数据是否有变动,最后在确认是否要调整利益抓手重新触达。
(桑吉图可以很好的看出过程中用户状态的流转)
⑤迭代优化:活动结束后,数据复盘尤为重要,需要将结果反哺到RFM模型中,不断迭代优化
实际效果复盘:复购用户提升7%,沉睡用户下降17%,增加1.5万消费用户,实际带来147万销售额。
如果你觉得以上运营方案有进一步提升的空间,可以根据数据继续分析,比如餐饮行业是有时间周期的,工作日工作餐和周末聚餐是有明显的区别,在这种情况下,如果把时间维度结合到RFM模型中从而最大化消费者消费?这个话题就留给各位同学们自己思考了!
五、RFM模型的经济学理论基础
①三级价格歧视(经济学原理中歧视是个中性词,不含贬义)
首先,价格歧视是指生产者将相同生产成本的相同产品,以不同价格售予不同买家。而三级价格歧视是企业将其顾客划分为两种或两种以上的类别,对每类顾客索取不同的价格。
在RFM模型中,我们通过对8类不同人群的分层,提供了不同优惠力度的手段,意味着不同聚类人群最终消费的金额是不一样的
②消费者剩余
价格歧视的目的是为了获取消费者剩余,每个人对产品愿意支付的意愿是不一样的。同样一杯奶茶,A愿意付费10元,B愿意付费8元,C仅愿意付款7元,所以在产品定价事,品牌只能定价到7元。所以A得消费者剩余3元,B消费者剩余1元,品牌方是获取不到的。要做到完全价格歧视是非常有难度的,但是在信息不对称的情况下,通过RFM模型对用户做分层,可以做到三级价格歧视,这时候就可以获取每个聚类人群的最高消费者剩余。
除了RFM模型,很多人群分类的模型底层经济学理论基础都是价格歧视和消费者剩余。目标都是为了获得最大利润。
六、总结
RFM模型的核心是用户分层,用户分层的核心是获取不同聚类人群的最大化消费者剩余。要做好RFM模型,需要用户的底层数据规范且有完善的会员标签体系,智能化触达体系做支撑,需要运营、数据的深度合作。
本文由 @方晓同学 原创发布于人人都是产品经理。未经作者许可,禁止转载
题图来自Unsplash,基于CC0协议
该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
RFM模型听起来挺专业的,感觉能帮我们餐厅更懂顾客,提高回头客率,值得一试!
欢迎多多反馈~~