用简道云数据工厂搭建RFM销售管理分析模型

数字化时代几乎每个销售型企业都会搭建自己的CRM系统,用来管理自己的销售机会、销售客户、销售订单等业务流程及过程中产生的所有数据。尤其是零售企业,拥有大量的自有客户的销售数据。还有电商企业,他们拥有大量的顾客浏览数据、购买数据、订单数据,这些数据如果就这么静静的躺在系统里,那么它们将毫无价值可言。


如何利用这些数据去挖掘我们的客户:

  • 哪些是我们的利润贡献客户?
  • 哪些是我们的忠实老客户?
  • 哪些是我们的有待挖掘其购买力的老客户?
  • 哪些我们需要重点关注的面临流失可能的高价值顾客?
  • 哪些是我们的新增顾客、哪些是我们的低频购买老顾客?

要想回答这些问题,首先我们需要用看得见的数据分析指标来呈现它们。正如彼得·德鲁克所言“如果你不能衡量它,你就无法增长它”。让这些静止的数据动起来,变成有生命力的有价值的信息,帮助我们实现客户增长,实现客户价值最大化,增强客户粘性,RFM模型将会帮你实现这个目标!


一、RFM模型简介

在众多的用户价值分析模型中,RFM模型是被广泛被应用的。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。

R(Recency) :客户最近一次交易时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。R值越大,证明此客户沉睡时间越长,流失可能性越大。

F(Frequency) :客户在最近一段时间内交易的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。F值越大的顾客也就是我们的忠实顾客,是他们活跃了我们的店面流量。而F值小的顾客,他们跟我们的粘性不大,忠诚松散,随时可能面临被竞争对手抢走的风险。

M(Monetary) :客户在最近一段时间内交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。M值越大的顾客撑起了我们的业绩,如果再利用帕累托分布分析一下,也许会发现,正是这M值大的20%的顾客,撑起了我们业绩的80%的天空!


通过将这3个维度进行简单的高低取值划分,我们可以得到下面这个三维立体模型图,共计8种分类结果。


以上内容就是对于RFM模型知识的简单介绍,如果想要了解更多内容,大家可以自行查阅资料。


二、RFM模型设计障碍

RFM模型就是要通过计算出R、F、M分别的取值,然后通过这个取值去获取所对应的客户类型。那么在这个过程中,我们需要克服哪些难题呢?

  1. “今天”这个动态值的获取

  2. 在数据工厂计算字段里进行日期的差值计算

  3. RFM的具体取值设

  4. 根据RFM的取值获取文本分类值

之所以会有这几个难题困扰着我们,是因为工厂的计算字段目前只能处理数值,也只能得到数值结果!所以无法直接处理日期值,也无法获取文本值。所以我们想要解决这个问题的关键也是在此特性之上!


划重点:

因为数据工厂目前计算字段仅仅支持数值,所以我们所有非数值数据的处理,需要首先转化编码为数值,然后通过横向连接获取对应的非数值数据。这个过程也就是对非数值数据进行数值编码,然后再通过数值横向连接对它进行解码。


三、模型搭建具体思路

1、分析数据的抽取
2、创建数字匹配符,进行与日期表的连接


3、连接日期表,获取日期的时间戳。(日期表是我们数据工厂关于日期的数据分析中频繁使用的基础表)


4、获取日期表的今日值(处理动态日期的关键所在)


5、增加一个连接后的节点(同一表来源的横向连接不能接连来2次)


6、通过我们前面设置的连接符,连接今天的动态值


7、计算日期差


8、分离R分析所涉及的数据,并进行最小日期差计算


9、抽取F跟M分析相关数据,并进行F跟M值的处理。


10、汇总整合R和FM得到的数据


11、根据自己设定的分类划分标准,获取F和M的高低(可以定为低为0、高为1)


12、根据我们编码的RFM分类表去和RFM的取值进行匹配,以获得RFM不同值组合的匹配分类


至此,我们的RFM分析模型就搭建完毕了。通过这个RFM分析,我们可以非常清晰的了解到我们的会员、顾客的购买行为分类。并针对不同分类,采用针对性的促销、激活、发展、提升等等方案。让你的顾客更加活跃、更加粘性、更加有价值!





【特别感谢】:本文由简道云用户马小龙先生原创,感谢对简道云的大力支持!

【原文阅读】:「点击阅读作者原文」



本文是否对您有帮助?
 有帮助
 没帮助
您是否遇到了以下问题?
如需获取即时帮助,请联系技术支持