[數據解析實驗室]RFM分析與概念應用 : 從POS DATA到UGC DATA

今天來聊聊RFM分析手法在顧客關係管理(CRM)領域的應用。

透過從顧客的購買行為與歷史行為記錄中分析進行顧客分群(segmentation),並發掘出優良顧客的RFM(Recency, Frequency, Monetary)分析方法,早在1960年代通信販賣業者即應用在促銷…等促使顧客反應率提昇的施策上。此一RFM分析可說在資料庫行銷(DataBase Marketing)領域中,一個重要且基本的概念之一。
簡單來說,對於所有的顧客(不管是to C消費者, to B廠商)均可以下列三點為出發點來分析各個顧客的重要性排序及分群。
– R (Recency, 最近購買日) : 最近什麼時候買的,最新購買日
– F (Frequency, 購買頻率) : 以什麼頻率進行購買,ex: 過去一年的購買次數
– M (Monetary, 購買金額) : 累積購買了多少金額

一般來說,對企業而言
– 最近購買日距離今日愈近的顧客 (R)
– 購買頻率愈高的顧客 (F)
– 購買金額愈高的顧客 (M)
其顧客的重要性即相對較高。

此一原生概念過往是在企業擬定顧客忠誠計劃(Loyalty program)應用前需進行顧客解析的第一步,當然在實際企業做顧客分群,並落實至忠誠度養成計畫上,均需進一步更詳細的分群解析,而且依企業性質別不同,應用層面上或多或少也有些許差異,不過大體而言,依此概念進行發想應用,對於企業與顧客之間的關係輪廓將能更加清楚,有利於對不同顧客擬定相對應的關係管理策略。

今日我們在便利超商中常見店員拿著商品刷條碼資訊的POS(Point of Sales),其已存在約30個年頭,透過此一資訊收集,超商端對於顧客的購買商品品項,金額以及購買時間等同步進行資料庫化,並透過分析將結果應用在存貨管理及熱銷商品分析…等領域。另一方面,同時透過超商店員對於購買者年齡別的推估,大致上能理解是什麼樣的消費者,在什麼時候購買什麼樣的商品,且哪些商品同時被購買。此一POS資料與系統,當時堪稱顧客資料收集的一大革命,至今仍不斷進展演化中。但是此一POS系統,對於持續性的個人購買履歷的追踨收集,進而對顧客進行一對一(one to one)行銷施策與服務上,仍然還是有相當大的困難度。
而今日,網路時代的個人行為履歷(包含購買履歷資訊及瀏覽履歷資訊等)透過網路均能自動地被累積收集,另外加上近年Social Media興起所大量產出的UGC(User Generated Contents) Data,將使得「個人」的「購買結果性資料」,「原因性資料」,「購買意願資料」,「口碑傳遞與影響方式」..等,均以Web整體的規模留下可Tracking(追踨)的資料,此一顧客資料收集面的新變革,如能進一步輔以資料挖掘及解析技術,並活用Social Network進行Segmentation,再從Segmentation推展至個人,將使得「企業」與「顧客」之間的關係真正實現一對一(one to one),充滿協同共創,以「人為中心」的行銷新關係。
而RFM所衍生出的應用概念,計量此一「企業與個人」新關係的演算法(縱使或許不一定有Monetary金額上的Factors存在),將使得企業在評量乃至於溝通創造與顧客關係之間,將帶來全新的次元。

■ 編集後記

在網路新時代中,消費者行為斷片化,Social Media興起,外部第三方平台資料以及網路行銷技術進展,對於企業的品牌經營與顧客關係均產生了重大變革。而如何整合性在消費者與企業的所有接點上(Contact Point)適切的對應,資料整合平台(DMP, Data Management Platform)變得相當重要。透過大量消費者行為履歷解析與活用,將使得企業與顧客之間一對一的溝通與對應關係變的可能,我想此領域的應用發展將成為網路產業帶給人類一個新價值產出源泉的所在。
歡迎持續給我們更多的意見與聲音,也請多多指教!

Published by

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com Logo

您的留言將使用 WordPress.com 帳號。 登出 /  變更 )

Google+ photo

您的留言將使用 Google+ 帳號。 登出 /  變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 /  變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 /  變更 )

w

連結到 %s