[论文]数量-质量-效益金融产品客户细分——一个改进RFM模型.pdf

收稿日期： 2015-09-28 作者简介： 刘寅 （1986- ） ， 男， 北京人， 现供职于中国民生银行总行； 关志新 （1977- ） ， 男， 北京人， 现供职于中国工商银行产品研发中心； 王缇 （1982- ） ， 女， 北京人， 现供职于中国工商银行总行。 本文所用数据为国内某商业银行的内部数据， 因而某些地方并未给出明确的数据资料， 但文中保留了较为完整的建模资料， 在理论探讨与商业实践层面具有一定参考意义。 刘 寅 1；关志新2；王 缇3 （1.中国民生银行总行， 北京 100031；2.中国工商银行产品研发中心， 北京 100032； 3.中国工商银行总行， 北京 100032 ） 摘要： 本文在分析传统 rfm 局限性的基础上， 尝试引入经济增长与结构调整中普遍关注的数量、 质量、 效益维 度， 对传统 rfm 分析模式进行改进。之后， 以一个无法应用传统 rfm 分析模式进行客户群细分的样本为例， 考虑使 用 “数量-质量-效益” 型 rfm 进行客户群细分。 结果显示： 三维度的双变量分析区分度较好、 同期验证表现平稳， 非同 期验证 psi 系数为 0.078， 模型结构稳定。 实践表明， 基于 “数量-质量-效益” 型 rfm 分析模式可以较好的应用于商业 银行客户细分与数据库营销实践。 关键词： 客户细分； rfm 模型； 客户关系管理； 数据库营销； 商业银行 中图分类号： f832文献标识码： a文章编号:10039031 （2015 ） 12002104 doi:10.3969/j.issn.1003-9031.2015.12.04 基于“数量-质量-效益”的金融产品客户细分 一个改进的 rfm 模型 一、 引言 在 “以客户为中心” 的日常客户关系管理、 客户忠诚 度识别与产品数据库营销中， 广泛使用的经典 r f m分析 模式可以有效的帮助决策管理者、 营销人员实现目标客 户群的细分管理。 在金融业务实践中使用传统 r f m分析 模式也会伴随产生一些需要考虑的问题， 诸如： 1 . 金融类 产品与服务是否可以照搬已经成熟应用于快速消费等 行业的 r f m模式； 2 . r f m分析模式是否适用于金融产品 的整个生命周期； 3 . 业务目标如何实际作用并影响 r f m分析模式等等。为了回答并解决这些问题， 不同于传 统 r f m模式， 本文参考借鉴经济增长与结构调整中所着 重关注的三个维度： 数量、 质量、 效益， 尝试将其应用于 r f m分析模式； 并尝试通过这一改进， 对传统 r f m的应 用领域与问题做有益补充。 二、 传统 rfm 模式及其局限 经典的 r f m模式由美国数据库营销研究所 a r t h u r h u g h e s（1 9 9 4 ） 提出， 该方法力图通过突出客户对商品的 消费近期特性 （r e c e n c y ） 、 消费频率特性 （f r e q u e n c y ） 以及 消费货币量属性 （m o n e t a r y ） 来衡量客户现阶段的显性价 值与长期潜在价值；也常使用此方法刻画客户群一段时 间以来对某类商品的忠诚度阶梯 （l o y a l t y l a d d e r） 1 。从客 户关系管理 （c r m ） 的角度看， r f m作为一种分析工具， 212015年第12期 总第325期 理 论 探 讨 hainan finance monthly 襊 明确业务 问题 明确建模 备选指标 创建宽表设置样本组 模型应用检验与评价构造 r f m双变量分析 核心是对所关注的客户群进行细分管理， 通过客户细分 发掘客户表现与行为差异， 使营销人员有针对性的开展 可落地的客户关系维护与差异化营销。对企业来说， 那 些最近有过购买行为， 一段时间内经常购买以及产生更 多消费进行购买的客户是企业所要关注的目标客户， 对 应的客户价值及客户忠诚度也越高 2 - 3 。 传统 r f m模式在业务实践中也存在一定的局限性。 一是应用场景的局限。经典 r f m主要集中于快速消费 类、 消耗型消费品等， 由于服务品类的特殊性和无法同 一性， 对于周期性服务类商品、 互联网线上服务等， 使得 传统意义下的 r f m在数据采集与分析维度（消费近期 性、 消费频率和消费货币量） 上， 需要进行一定的修正或 调整 4 - 6 。二是没有考虑产品潜在的生命周期因素。从传 统 r f m所设定的三个分析维度看， 其假定客户群与商品 已经整体处于均衡状态， 从产品生命周期视角可以认为 该均衡状态本质上处在成熟期， 期间客户群与产品整体 上互动充分， 对于客户群在近期性、 频率性和货币性上 的分布形态暴露充分且稳定， 所以在成熟期内的客户行 为特征可以通过传统 r f m进行分析。 而如果考虑产品生 命周期处于导入期或成长期， 期间往往伴随 “三性” 分布 “正在生长” 的变化特征， 特别是近期性 r ， 在导入期或成 长期内的客户群大部分可能处于 “活跃” 状态， 因此如果 再选择 r维度进行分析， 很可能无法准确稳定的捕捉到 该周期下客户群与商品交互的细分行为特征。三是使用 r f m需要结合具体业务目标与计划。虽然使用 r f m是 为了获得客户细分及匹配的业务目标或计划， 但在开展 r f m分析前，一般会较早的形成一些基本业务指导方 向， 进而导致影响 r f m的分析维度。例如， 通过 r f m模 式进行数据库营销 （d a t a b a s e m a r k e t i n g ） ， 当业务定义营销 目标为基于活跃客户的拓户式营销 （而不是基于已有客 户的提升式营销） 时， 就已经在 r f m分析前考虑到了近 期性 r这一特征，进而造成了 r维度数据在 r f m中的 失效。 考虑到金融产品和服务是一类周期型服务类商品， 具有间歇的、 重复购买的特性， 金融产品和服务的客户关 系管理与客户细分适合于使用 r f m模式进行分析。同 时，针对不同业务问题的关注点和着力点， r f m模式也 是灵活可变的。如前所述，当我们遇到的业务问题场景 诸如：（1 ）某类金融产品恰好处在导入期或成长期， r维 度没有足够且稳定的数据支持；（2 ） 某种金融服务需要对 已有活跃客户进行匹配等， 这些场景从本质上看 r维度 均是无效的。本文的创新之处是：着重考虑这一类无法 使用传统 r f m中 r维度的问题，并尝试基于客户使用 金融产品的 “数量 - 质量 - 效益” 维度， 对传统 r f m分析 模式在一定程度上忽略了产品生命周期与业务目标的情 况进行必要的改进， 也是对传统 r f m应用于不同业务领 域和业务问题的有益补充。 三、 基于 “数量-质量-效益” 的 rfm 模式应用 以某类个人金融产品客户群为例， 采用 r f m模式进 行客户细分的营销预测，实践中因 r维度无效而无法 使用传统 r f m方法， 本文尝试选择 “数量 - 质量 - 效益” 的 r f m模式进行客户群细分。为方便表述， 将该类金融 产品的客户群定义为 s 客户群。具体操作流程按顺序分 解为：（1 ） 明确业务问题；（2 ） 明确建模备选指标；（3 ） 设置 样本组 （观察期、 表现期、 非同期验证 ） ；（4 ） 创建宽表；（5 ） 基于双变量分析确定 r f m指标；（6 ） 构造 r f m ；（7 ） 模型 的检验与评价；（8 ） 模型应用。 操作流如图 1 所示。 为方便 介绍操作流程，我们把业务问题简单的抽象为对一类 r 无效的样本群进行客户细分的营销预测建模。 举例来说， 快速消费类产品诸如食品、 饮料、 保健品、 药品等； 消耗性消费品诸如办公耗材等。 周期性服务类商品诸如加油、 快递、 快餐、 金融服务等； 互联网线上服务诸如网上支付或购买、 评论等。 可见适用于 rfm 分析 的场景皆具有客户行为及表现的重复性特征。 与传统 rfm 分析模式类似，“数量-质量-效益” 模式下， 除了可以应用于客户细分的数据库营销预测外， 还可以通过该模式 考察客户的内在价值或忠诚度， 限于篇幅和全文描述的一致性， 本文仅以数据库营销预测的客户细分为例对方法进行说明。另外， 在数据库营销预测分析中我们不涉及评估客户内在价值或忠诚度时考虑的 rfm 三维度的权重问题。 而对于权重的设置， bob stone （1995 ） ， 赵萌等 （2014 ） 认为应根据不同的数据资料种类及模型具体的应用场景设置相应的权重7。在 “数量-质量-效益” 模式下， 也 可尝试通过采用主成分法或信息熵法进行权重设定， 本文不再展开讨论。 图 1 rfm 模式应用的操作流程 荩荩荩 荨荨荨 茛 222015年第12期 总第325期 理论 探 讨 hainan finance monthly 襋 表 3 双变量示意 质量维度 （交易笔数 ） 总客户数 客户数 占比 总交易 次数 交易次数 占比 同预测指 标的比较 分段 160060.00%5050.00%8.33% 分段 240040.00%5050.00%12.50% 全体1000100.00%100100.00%10.00% 表 2样本组设置情况 样本时期说明 训练集 观察期、 表现期 1、 表现期 2 （非同期 ） 70%样本量，含非同期验证组， 连 续 6 个月 测试集 表现期 1 30%样本量， 含同期验证组， 连续 6 个月 表 1 rfm 分析模式对比 可依据某一特定产品的实际生命周期， 定制不同开户时长的限定标准， 一般也可定为 1 年左右。 因使用内部数据建模， 此处未给出各样本的绝对规模， 但并不影响应用过程的表述。 （一 ） 指标选择与样本组设置 与传统 r f m模式不同， 在指标选取方面， 因为 r维 度的近期性指标不具备使用条件，进而我们侧重选取 “数量质量效益” 三维度的指标作为备选。 具体来说， 一方面，金融产品因其对客户群 s 具有参与和购买的重 复性或周期性， 所以客户一段时间内持有或购买金融产 品的交易金额 （份额） 和交易次数等指标可以直接作为 数量与质量的备选指标； 另一方面， 客户群 s 中不同客户 购买金融产品所产生的差异化手续费， 因其能够较为直 接的体现每笔交易 “客户承担的成本” 或 “客户对银行的 贡献” ，所以从这一视角能够衡量一段时间内客户进行 此类金融交易活动对银行效益的贡献。由此， 我们进一 步设定， 将客户一段时间内参与金融交易所产生的交易 金额、 交易次数、 交易手续费， 分别作为体现 “数量 -质 量 - 效益” 三个维度的指标。需要说明， 对于效益维度指 标的选取，主要把相关业务所发生的费用作为指标； 对 于数量和质量维度的指标选取， 则可以根据具体的业务 问题进行选择， 例如， 当未来针对客户购买金融产品的 金额大小定制相应策略时， 意味着通过 r f m关联金额来 预测和细分客户， 即从业务实践和使用倾向上， 将金额 作为质量型指标； 同样的， 当未来着重考虑围绕交易笔 数定制策略， 则习惯于将笔数作为质量型指标。因此， 本 文在论述过程中， 不妨把交易金额或份额作为数量维度 指标，把交易的笔数或次数作为质量维度指标。如表 1 所示， 把基于 “数量 -质量 -效益” 的 r f m分析模式与 传统 r f m分析模式在三个维度设计上的区别进行了归 纳。 为了便于后续对客户群 s 开展细分管理及差异化营 销，需要在建模阶段对 r f m进行同期和非同期验证， 以 保证模型的稳定性和预测能力。类似于关志新、 刘寅、 王 秋雯 （2 0 1 4 ） 的做法 8 ， 建立宽表以前， 需要设置建模观察 期与表现期。 具体地， 把样本观察期设定在表现期之前 1 年， 观察期主要用于考察客户群 s 在 “数量 -质量 -效 益” 各维度指标上的详细表现， 为后续双变量分析确定指 标分段提供依据； 样本表现期为 6 个月， 该期间数据主要 用于基于 r f m进行指标预测。 对表现期内的样本客户预 留 3 0 %作为模型的同期验证样本； 同时， 限定被筛出的 两个子样客户群的开户时间需在观察期以前有一定的 积累， 以保证两部分样本群客户有足够可观察的金融行 为表现。另外， 为考察模型的外推预测能力是否稳定， 针 对训练集选择了表现期之后的 6 个月数据作为非同期验 证数据。各样本组的基本属性如表 2 所示。 （二 ） 双变量分析、 r f m建模与检验 建模前，需要进行双变量分析。一是对每个维度的 指标进行合理分段， 该分段后续则可直接作为各维度内 细分客户群的确定条件和筛选依据； 二是要考察每一分 段下的预测指标是否存在递增或递减趋势。最终需要通 过双变量分析确定：（1 ） 每段内的客户占比至少满足 5 %；（2 ） 预测指标应同各维度下的分段指标呈现递增或 递减趋势。双变量分析示意如表 3 所示。 通过对 s 客户群在 “数量质量效益” 三个维度的 双变量分析， 对应获得了每个维度形成的 x 、 y 、 z 个分段， 进而根据排列组合的方式获得了 x * y * z 个细分客户群。 分析模式维度一维度二维度三 传统 rfm 分析模 式 近期特性 r： 客户 最近一次购买 （使 用 ） 该产品 （服务 ） 至观察期末的时 间间隔 频率特性 f： 客户 在观察期内购买 （使用 ） 该产品 （服 务 ） 的次数 货币量属性 m： 客 户在观察期内购 买 （使用）该产品 （服务） 的总消费 额 基于 “数量-质量- 效益”的 rfm 分 析模式 数量： 客户在观察 期内购买（使用） 该产品（服务） 的 总金额 （交易的金 额或份额 ） 质量： 客户在观察 期内购买（使用） 该产品（服务） 的 总次数 （交易的笔 数或次数 ） 效益： 客户在观察 期内购买（使用） 该产品（服务） 所 给机构创造的收 益 （交易发生的费 用 ） 232015年第12期 总第325期 理 论 探 讨 hainan finance monthly 襊 为了全面地展现细分客户群的表现结构及与预测指标 的比较， 将客户细分展现结构提炼为表 4 所示结构。 从应用实践角度考虑，如果所构造的 r f m分析模式 能够通过同期与非同期检验， 则可以着重考察表现期预测 指标的排序情况及对应的客户细分条件， 并以此作为未来 细分客户关系管理以及差异化营销的客户分群依据。 为了考察 r f m模式对客户细分及表现期预测指标 的稳定性， 如前所述， 采用同期预留 3 0 %样本作为测试 集的方式进行检验。检验的关键性指标为训练集与测试 集在表现期内预测指标的变化情况， 最终的检验图示见 图 2 。 通过直观观察两样本集曲线的抖动情况， 可以认为 基于 “数量 -质量 -效益” 对 s 客户群的客户细分在测 试集表现平稳， 同期检验通过。 为了考察 r f m模式对客户细分及表现期预测指标 的外推预测能力， 采用构造不同表现期数据带入测算的 方式进行非同期检验。客户细分的非同期检验主要对考 察期内各细分子群的占比变动情况进行观察， 我们采用 人群稳定性系数 p s i 进行判别 9 。p s i 在业界常用的判别 标准为： 当 p s i 小于 0 . 1 时， 即认为模型结构随时间推移 不会产生重大改变， 具备外推能力； 当 p s i 介于 0 . 1 - 0 . 2 5 之间，可认为模型结构在考察期内有一定的结构变化， 需要对其内在结构进行必要的调整和审查；当 p s i 大于 0 . 2 5 时， 则认为该模型结构存在较大变化， 不具备外推 能力。p s i 的计算方法为： p s i = l n（a c t u a l / e x p e c t e d ） * （a c t u a l - e x p e c t e d ） 。 通过对每一个客户细分条件得到的稳定性系数进行 加总， 基于 “数量 -质量 -效益” 维度对 s 客户群进行客 户细分的非同期 p s i 为 0 . 0 7 8 ， 可以认为整个分群内的子 群结构随时间推移没有产生重大变化，可以依靠客户细 分对预测指标进行外推预测。非同期检验的展现结构见 表 5 。 基于 “数量质量效益” 型 r f m分析模式， 我们完 成了 s 客户群的客户分群及指标预测。从三维度指标在 建模各阶段的表现看，“数量质量效益” 型 r f m分析 模式可以较好的达到传统 r f m的使用标准， 同时基于更 新的维度指标内容， 也丰富了客户细分的解释力。 四、 评述与展望 传统 r f m分析模式在商业银行客户与产品管理应 用中存在维度指标与业务场景的脱节、未考虑产品生命 周期等问题。本文分析了实践中使用传统 r f m的局限 性， 引入数量、 质量、 效益分析维度对传统 r f m分析模式 尝试进行改进。 我们对一个无法应用传统 r f m分析模式 进行客户群细分的样本使用“数量 -质量 -效益” 型 r f m分析模式进行客户群细分探索。结果显示， 三个维 度的双变量分析表现良好， 模型的同期验证表现稳定， 非 同期验证的 p s i 系数为 0 . 0 7 8 ， 模型结构也适用于外推预 测。通过实践， 认为 “数量 - 质量 - 效益” 型 r f m分析模 式可以较好的应用于商业银行客户群细分与数据库营销 实践，这一模式也为精细化产品创新管理与客户关系管 理提供了可能的思路。 实践中， 除了可以运用 “数量 -质量 -效益” 模式进 行分析外， 还可以尝试灵活选择 “数量 -质量 -效益 + ” 的模式进行一些有益探索。例如，可根据对业务目标的 理解加入目标客户群的相关重要属性或特征标签，并作 为 “附加分” 作用于客户细分环节， 由此也可以更为丰富 全面的描述目标客户群， 有针对性的提升产品创新管理 与客户关系管理的精细化水平。 （特约编辑： 陈国权 ） （下转第38页） 预测指标值 客户细分条件 训练集 测试集 表 5 非同期验证的展现结构 表 4 客户细分的展现结构 观察期 客户结构 同表现期预测 指标的比较 数量质量效益 观察期内 的交易金 额 观察期内 的交易次 数 观察期内产 生的手续费 总客户数 客户占比 x， y， z 个分段排列组合后形成客户 细分条件 各细分条件下的客 户数量及其占比 各细分条件下的 预测指标比例值 图 2 客户细分的同期检验 观察期 内的交 易金额 观察期 内的交 易次数 观察期内 产生的手 续费 发展模型非同期验证 人 群 稳 定 性 系 数 psi 客户数占比客户数占比 x， y， z 个分段排列组合后 形成客户细分条件 各细分条件下的客 户数量及其占比 各细分条件下的 客户数量及其占 比 各 细 分 条 件 下 的 稳 定 性系数 242015年第12期 总第325期 理论 探 讨 hainan finance monthly 襋 （上接第24页） 参考文献： 1hughes，a strategic database marketingm. chicago: probus publishing，1994. 2bult，j. r.，wansbeek，t optimal selection for di rect mailj. marketing science， 1995 （4 ） : 378-394. 3mccarty，j. a，hastak.，m. segmentation approaches in data-mining: a comparison of rfm，chaid，and logistic regressionj. journal of business research， 2007 （6 ） : 656-662. 4yeh，i. c.，yang，k. j.，ting，taoming. knowledge discovery on rfm model using bernoulli sequence j. expert systems with applications，2009 （36 ） : 5866-5871. 5蔡淑琴，马玉涛，王瑞. 在线口碑传播的意见领袖识 别方法研究j. 中国管理科学，2013 （4 ） : 185-192. 6赵萌，齐佳音. 基于购买行为 rfm 及评论行为 rfm p 模型的客户终身价值研究j. 统计与信息论坛，2014 （9 ） : 91-98. 7stone，b.， . successful direct marketing methodsm. lincolnwood，il: ntc business books ， 1995. 8关志新， 刘寅， 王秋雯.商业银行个人客户特征身份的 识别基于 logistic 模型的研究j.金融论坛， 2014 （7 ） :70 -75. 9兰军， 严广乐.基于客户特征分群的银行客户流失分 析j.技术经济与管理研究， 2014 （5 ） :105-108. ? 要程度， 定性为 “非常重要” 、“稍重要” 和 “一般” 三个刻度。 （2 ） 对自贸区发展指标的反应。根据自贸区实际情 况与表 2 中的指标相比较，就可以从各个指标输出的指 标评估中看出自贸区每一个指标的发展状况， 然后再根 据自贸区指标的权重层层反应， 有针对性的做好下一步 工作， 提升服务效率 （见表 3 ） 。 （三 ） 构建自贸区发展指标框架应用的长效机制 1 . 构建自贸区发展指标的常态管理机制。通过前期 的不断尝试， 对构建的指标框架不断试错和评估， 总结 经验教训， 直至逐渐构建一个科学的统一标准。在科学 的统一标准之上， 各个自贸区可构