编辑导语：RFM模型对于用户研究来说十分重要，可以高效衡量客户价值等，本篇文章作者分享了应用 RFM 模型客户分群，提效客户体验管理的相关内容，从客户分群的意义到RFM模型的类型及应用都一一介绍，一起来学习一下吧。

在进行客户体验管理之前，通过对客户本身全面、准确的了解，藉由客户分群的刻画，针对不同客群提供与之高度相关的个性化体验，能够让企业更加聚焦目标客户，有助于推动更强的客户转化。

一、客户分群的意义

目前，客户分群常用于市场营销部门，对于体验部门而言虽然分工不同，但目标却是一致的。都是希望找寻到各个客群的相似性，比如，行为模式、喜好等等。针对不同客群指定不同的策略，为客户提供“恰当的体验”。

麦肯锡在研究报告指出，客户分群对于提升业务收入有正向作用。

这里有一个案例，一家跨国发卡机构面临业务增长困难、消费者流失率高、早期接触点客户忠诚度下降等挑战。

面对挑战，机构首先根据客户行为，进行客户分群，全面调整客户体验培训流程。

在分群后的研究中发现最大价值的最优操作顺序，以此设计出不同客群个性化的客户旅程与互动策略。

效果验证以 50 多个试点为依据，让每个客户细分养成预期的行为。通过几个礼拜的数据反馈，与对照组相比，交易量提升了 6% 。

二、客户分群 RFM模型

那么，该如何进行有效的客户分群呢？

RFM 模型是客户分群及衡量客户价值的重要模型之一。最早提出者乔治‧卡利南（George Cullinan）指出，在客户资料库中有 3 项重要指标。

• R（Recency）近度 → 客户最近一次交易时间的间隔，交易时间越近的客户价值越大。
• F（Frequency）频度 → 客户在最近一段时间内交易的次数，经常购买的客户也就是熟客，价值比偶尔来一次的客户价值大。
• M（Monetary）额度 → 客户在最近一段时间内交易的金额，通常以客户单次的平均消费金额作为衡量指标，消费越多的客户价值越大。

通常客户分群有两种方式：一种是根据客户的基本信息，另一种是根据客户的行为数据。

而 RFM 模型利用的就是客户的行为数据。

三、选择正确的评价指标

对于电商购物业务较为常用上述指标进行评价，但对于不同行业、不同的业务目标，进行客户分群的维度会有所差异。

比如，电子邮件（EDM）营销依据 RFM 模型，可以划分为「R = 上次邮件打开的时间」、「F = 一段时间内，邮件打开的次数」、「M = 一段时间内，根据每个客户的获取成本及利润等因素估计的价值」。

比如，互联网社交业务依据 RFM 模型，可以划分为「R = 最近一次登录时间」、「F = 一段时间内，登录频率」、「M = 一段时间内，在线时长」。

选择正确的指标，才能得到有效的结果。

四、RFM 的评分方式

RFM 客群划分以电商购物业务为例，常见的划分方式有以下 2 种。

1. 依据行业规则划分

• R 指标可以依据间隔天数分段，如：大于 90 天未购买属于低价值，反之为高价值。
• F 指标可以依购买次数分段，如：购买小于 2 次属于低价值，反之为高价值。
• M 指标可以依客单价分段，如：平均客单价以下属于低价值，反之为高价值。

2. 依据百分位规则划分

这种方式是将数据转换成 1~5 分计分方式，转化后分值越高代表价值越高，一般可以按 20%/40%/60%/80% 分位数将数据计为 1~5 分。

计分方式如下表所示：

• R 指标是时间间隔越短越好，所以 <20% 分位数分值为 5 分。时间间隔指的是上次消费是 5/1，今天是 5/3，则相隔 2 天。
• F 指标是频次越高越好，所以 ;80% 分位数分值为 5 分。
• M 指标是金额越高越好，所以 ;80% 分位数分值为 5 分。

想要进行客户划分，还需要把分值进行转换。

将 1~5 分值，按分别对应的平均值进行划分，划分为 0 和 1，数字 0 代表低价值群体，数字 1 代表高价值群体。

计分方式如下表所示：

五、RFM 的 8种客户类型

RFM 模型通过将 3 项行为数据指标分别作为坐标轴的 x，y，z 轴，可以将客户划分为 8 种类型客户，进一步指导客户体验管理的下一步工作。

分别是：重要价值、重要挽留、重要发展、重要维持、一般价值、一般挽留、一般发展和一般保持。

图片来自《经理人月刊 第 187 期》 | Guofu重绘

• R↑F↑M↑：对于一家企业来说，获得更多的「重要价值客户」是维系企业健康发展的源动力，客户体验管理应优先关注「重要价值客户」的需求点。可以制定客户忠诚度计划，为他们提供相应的福利。可以发送问卷，关注重视他们的声音，加强与他们与企业的关系。
• 如果企业在客户群体分布中，大多为价值很低的「一般保持客户」，那么企业业务会随时有经营危机。
• R↓F↑M↑：在过去业务发展过程中，作出过重要贡献的客户群，是消费频率和金额都很高的客户为「重要保持客户」，但是最近一次消费时间距离现在已经很久，企业需要重新花时间了解他们目前的需求，以及为什么近期不再消费。
• R↑F↓M↑：最近刚刚接触公司并进行高额消费的客户群，但是消费频率不高为「重要发展客户」。企业可以严格审视服务流程的每一个体验环节，为他们输出良好的品牌形象，加深客户对品牌的印象。
• R↓F↓M↑：最近一次消费时间较远、消费频率不高，但消费金额高的客户为「重要挽留客户」。

他们对企业缺乏了解或信任，企业要主动与这类客群进行交互，看看有哪些体验不满意的地方，避免失去这群客户。

还有对于「一般保持客户」、「一般发展客户」、「一般价值客户」、「一般挽留客户」客群来说，企业在业务上无法为所有的客群都提供高质量的体验，有“舍”才有“得”。

企业应该专注在核心客群的体验打造，减少重要挽留客户，活化重要保持客户，挖掘重要发展客户。

六、RFM 新零售案例实操

RFM 客户分群会使用某新零售电商平台（2021/10–2022/04）订单真实数据。演示数据集已经过数据脱敏，本数据集仅可用于学习。

在观察此数据表时，发现「订单号、用户编号、支付时间」存在”空值“，这些都是分析中需要使用的栏位，需要对进行数据填充。另外，为便于计算，支付时间需转为匹配的日期格式。

操作步骤如图所示：

数据集一共有 8 个栏位，其中使用 RFM 模型只需用到：订单号、用户编号、支付时间、实付金额 4 个栏位。

注意：你们自有原数据前处理，需要检查缺失值、剔除订单中含已取消/退款订单数据。

下面进入 RFM 计算演示。

步骤 1：

全选原数据 → 插入/数据透视表 → 新工作表。

在数据透视表字段中，将[用户编号]拉入行，将[订单号]、[实付金额]、[支付时间]拉入值。通过设定[订单号]计算方式为”计数项“、[实付金额]]计算方式为”求和项“、[支付时间]]计算方式为”最大值项“，得到以用户编号进行区分的计算值。

步骤 2：

将计算后的数据复制到新工作表，想要得到可用的 RFM 数据，还需要做一些加工。

对表头稍加调整后，由于 R 指标需要的值是上次消费距离现在的时间，目前的是最后一次消费时间，需要进行再次计算。

笔者想知道最近消费时间距离 2022/5/12 间隔天数，使用 =$E$2-D2 计算。

如果你是想知道距离今天为止间隔多少天，可以使用函数 =TODAY()-D2。

在这个步骤，可以得到用于 RFM 模型客户分群目标数值。

步骤 3：

基于计分规则进行 RFM 得分计算，笔者这里使用的是百分位规则进行数值转换。

计分计算需要使用到 Excel 的多条件判断 IFS 函数，百分位使用 PERCENTILE 函数，RFM 指标计算依序使用下列算式：

• =IFS(B2<O21,5,B2<PERCENTILE(B:B,0.4),4,B2<PERCENTILE(B:B,0.6),3,B2<PERCENTILE(B:B,0.8),2,B2;=PERCENTILE(B:B,0.8),1)
• =IFS(C2<PERCENTILE(C:C,0.2),1,C2<PERCENTILE(C:C,0.4),2,C2<PERCENTILE(C:C,0.6),3,C2<PERCENTILE(C:C,0.8),4,C2;=PERCENTILE(C:C,0.8),5)
• =IFS(D2<PERCENTILE(D:D,0.2),1,D2<PERCENTILE(D:D,0.4),2,D2<PERCENTILE(D:D,0.6),3,D2<PERCENTILE(D:D,0.8),4,D2;=PERCENTILE(D:D,0.8),5)

通过计分计算，可以知道客户对应的代码值，如 115008 RFM 对应的代码值为 111。这个代码值可用于后续客户类型匹配。

有资料研究表明：对 RFM 模型各变量的指标权重问题，Hughes Arthur 认为 RFM 在衡量一个问题上的权重是一致的，因而并没有给予不同的划分。笔者在本次演示计算不涉及 RFM 加权计算。

另外，Stone&;Bob 通过对信用卡案例的实证分析，提出了更能适应产业特性的计算方式。认为各个指标的权重并不相同，在研究中发现应该给予频度最高，近度次之，额度最低的系数加权有助于客户分群的准确性。

RFM 权重： WR>=2,WF=3,WM=1。

如果需要采用 RFM 加权计算，需要与专家和体验管理人员共同进行商定，因为权重的系数会直接影响客户分群的表现。

步骤 4：

依据 RFM 得分进行指标价值类别划分，笔者本次划分以平均值作为基准值。

价值类别划分需要使用到 Excel 的 IF 函数，RFM 价值类别划分依序使用下列算式：

• =IF（F2;=AVERAGE（F:F）,“高”，”低”）；
• =IF（G2;=AVERAGE（G:G）,“高”，”低”）；
• =IF（H2;=AVERAGE（H:H）,“高”，”低”）。

通过价值类别划分，可以知道客户对应的值，如 115008 RFM 对应的价值类别代号为“低低低”。

步骤 5：

最后通过比对”客户分群评级表“，对 RFM 价值类别进行最终分群。

RFM 客户分群对照使用下列算式：

=VLOOKUP(I2&J2&K2,$N$2:$O$9,2,FALSE) 依此类推。

从下图可以看出，价值类别代号”低低低“对应的分群为「8 一般挽留客户」、代号”低低高“对应的分群为「4 重要挽留客户」。

到这里，客户分群的工作算基本完成了。但是基于客户分群，找到当前企业的客户结构分布状况以及该如何应对，才是我们需要关注的重点。

七、RFM 分析和评价

笔者对该零售电商公司当前的客户结构分布进行计数和百分比计算，了解客户的分布情况。

使用 COUNTIF 函数进行匹配，算式如下。

=COUNTIF（A:A,“1重要价值客户”）依此类推。

从分布情况可以看出，该零售公司「重要价值的客户群」占比近30%，基本算中等水平，仍需要进一步通过体验优化，通过“供给创造需求”深挖高净值客户的不同需求，可以提高该比例。

另外，「一般保持客户」群体占比高达 18% ，需要采取紧急行动，这类型客户目前还没有流失，需要好好把握，要不这部分客户流失将会造成大麻烦。

分布情况如下图所示：

体验管理对于不同的客户群体，可以参照下表的客户基本特征和行动策略进行体验优化工作。

比如，针对「一般保持客户」就可以参行动策略，利用一些优惠吸引客户再次消费。

八、写在最后

RFM 模型的核心概念是要在正确的指标和合适的评分方式下，应对不同阶段的体验管理目标，动态调整客户体验管理计划。

企业要想健康可持续的发展，需要依赖客户的长期、有价的支持。

对于客户体验管理来说，客户分群是我们开展工作的第一步，只有对客户的相关属性进行归类，体验管理和提升工作才能有矢放地。

还有，建立健康的客户结构，做好客户分群划分，体验部门需要时刻洞察客户迁移的动态变化背后的原因。

在面对重要的客户流失时，客户体验的着力点，应在有限的资源的情况下，提出最适的计划，积聚最大能量针对关键客群提供最“恰当”的体验。

观察 R、F 的变化，可以推测客户消费的异动状况，根据客户流失的可能性，列出客户，再从 M（消费金额）的角度来分析，把重点放在贡献度高且流失机会也高的客户上，重点拜访或联系，以最有效的方式挽回更多的商机。

在平稳期，应从中、低净值客户群体切入，将他们培养成忠诚客户，优化客户结构，分散风险，扩大企业护城河。

要知道力往一处使是非常重要的，企业在激烈的商业环境中，成败往往就在一念之间。

这里有一个需要特别注意的点，凡事需要触达客户的交互，都需要控制好“度”，不能无节制的对客户进行打扰，应该设计一个客户接触频率规则，确保把打扰控制在一个合理的阈值。

那么，如果你们公司还没开始进行客户分群，现在开始动手吧！相信会对你的客户体验管理工作有很大的助益。

#专栏作家#

龙国富，公众号：龙国富，人人都是产品经理专栏作家，人因工程硕士。致力于终身学习和自我提升，分享用户研究、客户体验、服务科学等领域资讯，观点和个人见解。

本文原创发布于人人都是产品经理，未经授权，禁止转载。

题图来自Unsplash，基于CC0协议。