RFM模型的内容
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：
最近一次消费(Recency)消费频率(Frequency)消费金额(Monetary)最近一次消费
最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。
理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。营销人员若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近的一次消费就是营销人员第一个要利用的工具。历史显示，如果我们能让消费者购买，他们就会持续购买。这也就是为什么，0至6个月的顾客收到营销人员的沟通信息多于31至36个月的顾客。
最近一次消费的过程是持续变动的。在顾客距上一次购买时间满一个月之后，在数据库里就成为最近一次消费为两个月的客户。反之，同一天，最近一次消费为3个月前的客户作了其下一次的购买，他就成为最近一次消费为一天前的顾客，也就有可能在很短的期间内就收到新的折价信息。
最近一次消费的功能不仅在于提供的促销信息而已，营销人员的最近一次消费报告可以监督事业的健全度。优秀的营销人员会定期查看最近一次消费分析，以掌握趋势。月报告如果显示上一次购买很近的客户，(最近一次消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的征兆。
最近一次消费报告是维系顾客的一个重要指标。最近才买你的商品、服务或是光顾你商店的消费者，是最有可能再向你购买东西的顾客。再则，要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。营销人员如接受这种强有力的营销哲学——与顾客建立长期的关系而不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。
消费频率
消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。
根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想像成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。
消费金额
消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80％的收入来自20％的顾客。它显示出排名前10％的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40％以上。如看累计百分比的那一栏，我们会发现有40％的顾客贡献公司总营业额的80％；而有60％的客户占营业额的90％以上。最右的一栏显示每一等分顾客的平均消费，表现最好的 10％的顾客平均花费1195美元，而最差的10％仅有18美元 。
如果你的预算不多，而且只能提供服务信息给2000或 3000个顾客，你会将信息邮寄给贡献40％收入的顾客，还是那些不到1％的顾客？数据库营销有时候就是这么简单。这样的营销所节省下来的成本会很可观 。
结合这三个指标，我们就可以把顾客分成5＊5＊5 = 125类，对其进行数据分析，然后制定我们的营销策略。
最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义。而其中，最近一次消费是最有力的预测指标。
RFM模型的应用意义
在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。
RFM模型较为动态地层示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值(甚至是终身价值)，通过改善三项指标的状况，从而为更多的营销决策提供支持。
在RFM模式中，R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。
RFM非常适用于生产多种商品的企业，而且这些商品单价相对不高，如消费品、化妆品、小家电、录像带店、超市等；它也适合在一个企业内只有少数耐久商品，但是该商品中有一部分属于消耗品，如复印机、打印机、汽车维修等消耗品；RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。
RFM可以用来提高客户的交易次数。业界常用的DM(直接邮寄)，常常一次寄发成千上万封邮购清单，其实这是很浪费钱的。根据统计(以一般邮购日用品而言)，如果将所有R(Recency)的客户分为五级，最好的第五级回函率是第四级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的产品信息。如果用M(Monetary)来把客户分为五级，最好与次好的平均回复率，几乎没有显著差异。
有些人会用客户绝对贡献金额来分析客户是否流失，但是绝对金额有时会曲解客户行为。因为每个商品价格可能不同，对不同产品的促销有不同的折扣，所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动，则更可以显现出相对行为。企业用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，就可以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。
RFM也不可以用过头，而造成高交易的客户不断收到信函。每一个企业应该设计一个客户接触频率规则，如购买三天或一周内应该发出一个感谢的电话或Email，并主动关心消费者是否有使用方面的问题，一个月后发出使用是否满意的询问，而三个月后则提供交叉销售的建议，并开始注意客户的流失可能性，不断地创造主动接触客户的机会。这样一来，客户再购买的机会也会大幅提高。
企业在推行CRM时，就要根据RFM模型的原理，了解客户差异，并以此为主轴进行企业流程重建，才能创新业绩与利润。否则，将无法在新世纪的市场立足。
RFM模型案例分析
案例一:基于RFM的电信客户市场细分方法[1]
对于电信企业而言,不同的客户具有不同的内在价值,企业的首要问题就是采取有效方法对客户进行分类,发现客户内在价值的变化规律与分布特征,并以此制定客户的差别化服务政策,通过政策的实施将客户分类的结果作用于企业实践。
针对电信行业提出一种基于改进RFM模型的客户分类方法。应用层次分析法来确定RFM模型中每个变量的权重,在此基础上,应用K均值聚类法来对客户进行分类,之后分析每一类客户的行为特征和价值,并且对不同的顾客类别采取不同的策略。
一、电信行业RFM模型。
客户分类方法主要有基于顾客利润率的分类和基于指标组合的客户分类方法[2]。RFM模型经常使用的三个指标是近度(Recency)、频度(Fre2quency)、值度(Monentary)[3]。以RFM模型为基础,通过客户的RFM行为特征衡量分析客户忠诚度与客户内在价值.按照传统的RFM模型,以客户最后一次购买到当前的时间间隔为近度,则对于每天都在使用电信业务的客户,其近度为零,不同的客户区分度很小；如果客户在一定时期内使用电信业务的次数数量非常大,则客户的频度也将是一个很大的数量.因此按照传统的RFM模型对电信企业客户进行分析是没有意义的。从客户交费角度来考虑电信业客户的RFM模型,改进后的RFM指标与传统的RFM指标含义比较如下表所示:
传统的RFM模型与电信业RFM模型的各指标含义比较
模型R(近度)F(频度)M(值度)传统的RFM模型客户最近一次客户一定时期客户一定时期购买距离分析内购买该企业内购买该企业点的时间产品的次数产品的总金额电信业RFM模型客户最后一次客户一定时期客户一定时期交费距离分析内交费的次数内的交费总额点的时间以客户交费的近度、频度和值度来替代客户消费的近度、频度和值度,基于以下几点考虑:
(1)客户交费的时间间隔较大,以交费近度替代消费近度,避免了客户消费的近度难于区分的问题。
(2)客户交费次数相对较少,可以减少统计客户消费次数的工作量。
(3)客户交费额等于客户消费额.因此,从交费角度构建电信业的RFM模型是可取的。
二、RFM权重分析
对RFM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。而Stone,Bob通过对信用卡实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重[4]。
认为针对不同的行业甚至不同的公司,频度、近度、值度的权重均存在一定差异,因此需要采用科学的方法进行分析.对此,以层次分析法为支撑,结合专家咨询方式来解决指标权重的确定问题。
研究邀请了被研究的某电信企业的两位地区经理、两位市场营销人员和一位长期客户应用文献[5]的标度含义对RFM各指标权重进行比较分析。在分别得到五位评价者的两两比较矩阵后,采取取平均的方法得到下表的评价矩阵。
评价矩阵
RFMR10.710.46F1.4110.85M2.181.181上表所示的两两比较矩阵的一致性比例C。
R < 0.1,表明该判断矩阵的一致性可以接受。由上表得出RFM各指标相对权重为[WR,WF,WM]=[0.221,0.341,0.439]。其中M的权重最大,即专家们认为客户交费金额的高低是影响顾客价值高低的最主要因素。
三、客户分类
1.基于K-均值聚类法的客户分类过程应用K-均值聚类法[6],,以加权RFM为指标,将具有相近的顾客终身价值的客户进行分类,基本思路如下:
(1)将RFM各指标标准化。
(2)应用AHP法确定RFM各个指标的权重,并将各个指标加权。
(3)确定聚类的类别数量m。
(4)应用K-均值聚类法对加权后的指标进行聚类,得到m类客户。
(5)将每类客户的RFM平均值和总RFM平均值作比较,每次对比有两个结果:大于(等于)平均值和小于平均值,通过对比得到每类客户RFM的变动情况。
(6)根据每个客户类别的RFM的变动情况分析该客户类别的性质,如该客户类别是倾向于忠诚的还是倾向于背离的,然后在此基础上定义客户类型。
(7)对每类客户标准化后的各个指标取平均,将平均值加权求和,得到每类客户的顾客终身价值总得分,分析各类顾客终身价值的差别。
2.顾客类型识别分析
从某市通信公司2004年所有的电信客户记录中随机抽取了1026名客户的记录进行分析,数据的描述性统计见下表
数据描述
指标最小值最大值平均值标准差近度212860.0720.191频度0135.981.861值度54.431499.17704.7467216.22068由于RFM数据的量纲各不相同,数据的取值也存在很大的差异.为了消除分布差异较大和量纲不同的影响,在对各个指标进行加权之前,需要考虑对数据进行标准化处理.由于F,M指标对顾客价值存在正相关的影响,因此其标准化调整通过进行。其中，为标准化后的值，x为原值,xs为该指标最小值，xl为该指标最大值。R对顾客价值存在负相关关系,因此其标准化调整公式为。
使用K-均值聚类法时,需要预先判断其聚类的类别数。在模型中客户分类通过每个顾客类别RFM平均值与总RFM平均值相比较来决定的,而单个指标的比较只能有两种情况:大于(等于)或小于平均值,因此可能有种类别。
标准化和确定聚类类别数后,进行聚类分析,得到8类客户.将8类客户的RFM平均值与总RFM均值比较.如果单个客户类别的均值大于总均值,则给该指标一个向上的箭头：“”标记,反之则用“”,如下表所示
通过RFM分析将企业的客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别,各客户簇的客户级别如表4所示.客户分级不仅揭示了客户在级别上的差异,而且反映了客户在行为上的特性和变化倾向。电信企业通过RFM分析可将现有顾客划分为不同的客户等级,针对不同等级的客户,采取不同的管理策略.但是,这种分类只是确定了客户的等级,却没有各类客户之间的一个量化的价值比较,因而对各类客户做相应的终身价值分析是非常有必要的。
3.客户终身价值比较分析。
表4将客户簇1和簇3同分为重要保持客户,将客户簇5和簇8同分为一般客户,这样难以对对这两组客户簇进行细分.此外,客户分类后,并不知道每一类客户的价值差别有多大,相对企业的重要性怎样.利用AHP法分析得到的RFM各指标权重,结合各类顾客的RFM指标,根据每一类客户的顾客终身价值得分来进行排序.标准化后的各个指标平均值如表5的,,,其中表示聚类后的类别。,,第j类客户的R,F,M各个指标标准化后的平均值，是第j类客户的RFM各项指标加权后的总得分,运算公式为。
。
其中,WR、WF、WM分别为由AHP分析得来的R、F、M指标的权重最后,根据总得分的大小来对各类客户来进行排序(见表4). 排名靠前的客户相对排名靠后的客户具有更高的顾客终身价值,忠诚度更高,对于企业来说更为重要.表5显示,客户簇3总得分最高,因此簇3的客户是企业最有价值的客户,而簇6客户总得分最后,因此可以认为簇6客户的价值最低.此外,对于处于同等级的客户簇1和簇3,簇5和蹴8进行了细分.从表5中还可以看出,簇3比簇1的价值大,簇5比簇8的价值大.此外,通过比较各簇的总得分,还可以比较各客户簇的价值.如簇3的价值是簇6价值的0.5693/0.3284=1.73倍。
标准化的RFM加权分类
客户CLV类别(近度)频度值度(元)总得分排序10.60380.51240.57270.5596220.68040.34450.44130.4618430.50290.70560.49550.5693140.58150.55340.27670.4387550.33600.51870.40790.4302660.42610.33560.27280.3284870.36250.48210.65740.5331380.43590.31170.51740.42987注：。
在进行客户分类后再对客户的类别进行顾客终身价值排序,使得企业能够量化各类客户的价值的差别,弥补了的客户分类方法的不足。这有助于企业制定更为可行的客户政策。由于受到成本的制约,电信企业不可能采取无差别的个性化服务,企业只能将资源集中在少数几类对企业重要的客户上.按照总得分的排列情况,企业应该优先将资源投放到总得分较高的客户身上。
