IBM SPSS Statistics 18 版本后&＃xff0c;新增加了客户直销模块&＃xff0c;该模块的操作界面简单明了&＃xff0c;结果报告分析清晰易懂&＃xff0c;可以广泛的应用于电信&＃xff0c;零售&＃xff0c;银行&＃xff0c;保险&＃xff0c;证券&＃xff0c;传媒&＃xff0c;市场研究等行业领域&＃xff0c;是为市场营销人员精心设计的用以提高直销效率&＃xff0c;改善直销活动效果的工具。
该模块最重要的就是RFM模型&＃xff0c;有关该模型的内容参见http://wiki.mbalib.com/wiki/RFM%E6%A8%A1%E5%9E%8B
以下为某段时间用户购买的记录&＃xff08;模拟数据&＃xff09;&＃xff0c;点击菜单栏“直销”|“选择方法”。
之后便会弹出如下的直销菜单选项
在“直销”模块中&＃xff0c;分为三部分&＃xff1a;
- 了解我的联系人&＃xff1a;用于对客户信息进行分析&＃xff0c;将客户根据不同的特征进行分类。
- 改进我的市场营销活动&＃xff0c;预测客户对营销活动的响应率。
- 对我的数据评分&＃xff0c;利用“选择最有可能购买的联系人”和其他模块中的多种程序构建预测模型&＃xff0c;根据预测模型对新的用户数据评分。
此处介绍使用直销模块的“了解我的联系人”
分析帮助标识我的最佳联系人&＃xff08;RFM分析&＃xff09;
通过本文了解如何使用客户直销分析模块中的RFM分析功能了解目标客户&＃xff0c;从而帮助我们针对不同的客户指定smart营销策略提供更可靠的依据。
RFM分析目标客户
RFM是众多的客户关系管理&＃xff08;CRM&＃xff09;分析模式中&＃xff0c;被广泛提到和应用的模型之一。该模型应用于衡量客户价值和客户创造的利润能力的分析。RFM模型通过一个客户的最近一次消费&＃xff08;Regency&＃xff09;、消费总体频率&＃xff08;Frequency&＃xff09;以及消费金额&＃xff08;Monetary&＃xff09;对客户进行RFM打分&＃xff0c;根据客户的RFM得分来描述该客户的价值情况。
- 最近一次消费&＃xff1a;最近上一次消费时间是评价客户价值的重要指标&＃xff0c;理论上&＃xff0c;最近购买产品或者服务的顾客&＃xff0c;最有可能成为再次光临的消费者&＃xff0c;最推出的新品也最有可能做出反应。
- 消费总体频率&＃xff1a;消费总体频率是在限定时间内的购买次数。最长购买的顾客&＃xff0c;也是满意度最高的顾客。
- 消费金额&＃xff1a;消费金额是在限定时间期间购买金额的综合。根据“帕累托”法则--通常80%的利润来自20%的重要客户&＃xff0c;消费金额越多的客户越是需要维系的关系客户。
也由此&＃xff0c;根据三个指标&＃xff0c;对客户进行评级。在此假设三个指标的界别分别为1到5,5为最高级别&＃xff1a;
- 基于最近购买日期或自最近购买以来的时间间隔&＃xff0c;消费日期越近或时间间隔越短&＃xff0c;客户等级越低&＃xff0c;为1.
- 针对客户消费频率&＃xff0c;为客户分配一个频率等级&＃xff0c;其中较高的值代表购买频率较高。例如&＃xff0c;将最长购买的客户的购买频率等级评为5.
- 按消费金额对客户进行评级&＃xff0c;其中消费金额值最高的客户将获得最高等级5.
- 将客户的三个指标等级合并就得到RFM得分。RFM得分最高的客户即为对新产品最有可能做出反应的客户。例如&＃xff0c;某客户最近一次消费&＃xff0c;消费总体频率和消费金额的等级分别是4、3、5&＃xff0c;该客户的RFM得分是435.
应用背景及数据描述
事实上如果针对传统行业的新产品进行推销&＃xff0c;我们不需要进行RFM模型的改进可以直接进行分析使用。然而当我们在电子商务领域或者游戏行业的最具价值玩家的提取和分析角度&＃xff0c;我们需要对该模型进行改进实施。
在此处&＃xff0c;我们参考一个案例“基于RFM的电信客户市场细分方法”&＃xff08;http://wiki.mbalib.com/wiki/RFM%E6%A8%A1%E5%9E%8B&＃xff09;&＃xff0c;如果我们从玩家的购买记录着手&＃xff0c;我们发现&＃xff0c;玩家会在极其短暂的时间内&＃xff0c;购买多次道具&＃xff0c;那么我们如果要是以用户的购买次数作为频度来衡量&＃xff0c;就失去了RFM模型本身的价值&＃xff0c;于是我们考虑以用户的充值次数作为频度计数分析。同时依据电子购买的周期特点进行调整。
具体操作分析&＃xff1a;
在进入直销面板后&＃xff0c;选择数据格式&＃xff0c;弹出“RFM分析&＃xff1a;数据格式”对话框&＃xff1a;
RFM数据格式
RFM分析根据数据行表示的含义分为来自交易数据的RFM分析和来自客户数据的RFM分析。
来自交易数据的RFM分析
当数据行表示单笔单笔交易记录&＃xff0c;选择交易数据的RFM分析。交易数据举例如下图&＃xff0c;数据列中包含用户ID&＃xff0c;产皮信息&＃xff0c;购买时间和消费金额&＃xff1b;数据行表示一个客户的一条购买记录&＃xff0c;一个客户可以有多条购买记录。
来自客户数据的RFM分析
当数据行表示单个客户的交易记录&＃xff0c;选择客户数据的RFM分析。客户数据举例如下&＃xff0c;数据列中包含客户ID&＃xff0c;该客户消费的总金额&＃xff0c;最近购买日期&＃xff0c;购买总次数和最近一次购买时间间隔。
本例使用交易类型的数据&＃xff0c;选择“交易数据”&＃xff0c;点击“继续”&＃xff0c;进入“交易数据的RFM分析”对话框&＃xff0c;如下图&＃xff0c;如果是客户类型&＃xff0c;选择“客户数据”。
在“变量”页面中&＃xff0c;将变量“account”&＃xff0c;“time”&＃xff0c;“income”分别选入对应的“客户标识符”&＃xff0c;“交易日期”&＃xff0c;“交易金额”文本框中。
在“摘要方法”下拉框中有四种汇总每个客户交易金额的方法&＃xff1a;总计&＃xff08;交易金额总额&＃xff09;&＃xff0c;均值&＃xff0c;中位数或最大值&＃xff08;最高交易金额&＃xff09;。
本数据中&＃xff0c;交易金额是单词充值的钱数&＃xff0c;选择“总计”。
进入“离散化”页面&＃xff0c;如图
在RFM分析中&＃xff0c;需要将最近一次消费、消费总体频率、消费金额进行分级&＃xff0c;在对数据的实际操作中就是将大量数值分类&＃xff0c;称之为“离散化”。在“离散化”页面中可以设定将数值分类的方法。
在“离散化方法”框中可以定义数据是按照三个指标的优先级依次分类或三个指标独立分类。
在 RFM 分析结果输出中&＃xff0c;类别对应着相应的块。在“块数”框中可以指定三个指标的块数。每个指标可选择 1 到 9 级进行分块&＃xff0c;默认分为 5 块。
“结”是指具有相同指标值的客户。在“结”框中可以指定对具有相同指标值的客户如何分配到对应的块中。
选择“保存”页面&＃xff0c;如图所示。
在“保存”页面中&＃xff0c;可以指定想要保存的变量&＃xff0c;包括三个指标的原始变量&＃xff0c;对原始变量分级后的变量&＃xff08;以“_ 得分”为后缀名命名的变量&＃xff09;以及 RFM 得分。还可以指定新生数据的保存位置。
选择“输出”页面&＃xff0c;如图所示。
- 已离散化数据中设置的输出图表是对图中“已保存变量的名称”中的“崭新 _ 得分”、“频率 _ 得分”和“消费金额 _ 得分”进行描述。
- 未离散化数据中设置的输出图是对图中“已保存变量的名称”中的“最 _ 近 _ 日期”、“交易 _ 计数”和“金额”进行描述。
可以根据需要选择输出的图表。在此选择所有输出图表。
全部设置完后&＃xff0c;点击“确定”按钮&＃xff0c;就可以得到客户的 RFM 得分&＃xff0c;并可以在 IBM SPSS Statistics 的输出查看器中通过图表查看根据三个指标分块后的客户分布情况。
分析结果展现&＃xff08;分析报告在下一篇文章中阐述&＃xff09;
新生成数据&＃xff0c;各项得分
RFM散点图
RFM直方图
RFM热图
RFM计数表
RFM计块图
以上就是通过RFM进行最具价值客户分析的全过程&＃xff0c;有关于结果的解读将在下一篇文章说明。
展望&＃xff1a;
RFM模型在网游方面的应用目前还比较浅&＃xff0c;由于作为互联网行业的性质与传统的行业有所不同&＃xff0c;我们需要在更加的短暂的时间内&＃xff0c;专注于用户的属性和需求。其实&＃xff0c;在网游应用上&＃xff0c;我觉得更多的是通过RFM刺激哪些已经付费但付费频度不高的用户&＃xff0c;其实他们是最容易转化成我们的稳定付费用户&＃xff0c;换句话说&＃xff0c;在游戏内一系列的赠送活动之外&＃xff0c;针对这些群体应该给予特殊的不同的福利和关照&＃xff0c;让他们感到温暖&＃xff0c;即使你支付了一毛钱。因为你既然一条腿踏上了贼船&＃xff0c;就不会下来了。因为你投入了你的精力&＃xff0c;时间&＃xff0c;金钱。
明日把上面各图的含义和分析向诸位阐述一下&＃xff0c;希望对大家有帮助。
京公网安备 11010802041100号