FRM模型的改进及客户策略研究.docx

FRM模型的改进及客户策略研究摘要：科学的客户细分是成功实施营销策略的基础，以RFM模型为代表的基于客户消费行为的客户细分方法已日益被人们采用，并起到了较好的效果。本文在RFM模型基础上，引入了平均间隔天数指标、最新间隔天数指标和差异天数指标三个指标，通过分析这三个指标间的关系，用于识别哪些客户是最有流失的可能性，企业必须立即相应的客户关怀策略防止客户流失，运用本文提供的方法为企业制定最直接、最有效的客户维系策略提供了一种新的思路。 关键词：RFM模型；客户消费行为；客户流失；营销策略 一、引言 客户是企业最宝贵的资源，没有了客户资源，企业就失去了生存和发展的土壤。面对客户需求的差异性和企业资源的有限性，企业只能将有限的资源用于最有价值和最需服务的客户，因此，企业必须进行有效的客户细分和客户识别。对于如何进行客户细分和客户识别并没有一个统一的标准和模式，企业必须需要根据细分目的选择相应的客户细分的方法。菲利普科特勒（Philip Kotler）提出了一般可按地理细分、人口细分、心理细分和行为细分等细分方法。这些细分方法简单易行，早已为大家所熟悉和运用。特别是阿瑟休斯（Arthur Hughes）提出了基于客户消费行为的RFM细分模型，该模型通过对客户的近期购买间隔、购买频率和购买总额三项指标将客户细分成125个客户群，从而为企业营销决策提供依据。目前，该模型已广泛地应用于众多的客户关系管理（CRM）分析模式中，已成为衡量客户价值和客户创利能力的重要工具和手段。 本文将在RFM模型基础上，引入三个新评价指标：平均间隔天数指标、最新间隔天数指标和差异天数指标，通过分析这三个指标间的关系，识别哪些客户处于正常状态，哪些客户的消费习惯发生了异常，特别是那些发生异常的客户，或许就是即将流失的客户，企业必须立即采取有效的客户关怀策略防止客户流失，通过本文提供的方法，为企业制定最直接、最有效的客户维系策略提供依据。 简历大全 二、RFM模型 RFM模型是一种基于客户消费行为的一种细分方法。美国数据库营销研究所的阿瑟休斯（Arthur Hughes）发现，客户消费记录中有三项神奇的要素，这三个要素构成了客户细分的最好指标，它们分别是： R（Recency）最近日期或最新日期：即客户最近一次消费日期距分析日的时间间隔。最近一次消费的时间间隔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，是最有可能再次向你购买东西的顾客。要吸引一名一个月前的顾客购买，比吸引一名一年前来过的顾客要容易得多。因此，上一次消费时间越近的顾客应该是越好的顾客，对企业提供商品和服务也最有可能会有反应。 F（Frenquency）消费频率：即单位期间内的消费次数。在单位期间内的消费频率越多越好。消费次数多的客户通常是满意度高和忠诚度高的的客户，这部分客户是企业必须维系好的客户。通过增加客户的购买次数将提高企业的“客户份额”。 M（Monetary）消费总额：即单位期间内的消费总额。在单位时期内消费总额越高越好，消费总额高的客户是企业最有价值的客户。 并根据R值越小越好的标准，间隔时间越短越有可能再次购买，按短到长平均分成5个等级，依次为R5-R1。根据F值越多越好的标准，即次数越多越有可能再次购买。按大到小平均分成5个等级，依次为F5-F1。根据M值越大越好的标准，即总额越大越有可能再次购买。按大到小平均分成5个等级，依次为M5-M1。 简历大全 根据R、F、M三个值的大小进行组合，将客户细分为：555、554、553、552、551；545、544、543、542、541；115、114、113、112、111等125个客户群。对125个客户群，从大到小排序，采用不同的营销策略，对于排列在最前面20%客户，他们是企业最好的客户，企业一定要尽力保持与他们的关系；对于排列在中间60%客户，企业应加大投资力度，使他们向前20%靠拢；对于排列在后面20%客户，企业一般可采取避免和放弃的营销策略。 由于，RFM模型能够动态地划分一个客户的消费行为特征，对企业开展个性化的营销策略和客户维系策略提供了实时、动态的决策依据。同时，同时，也能够较为精确地判断一个客户客户的历史价值和潜在价值，甚至是终身价值，对营销决策具有较好的操作性和实用性。 RFM非常适用于提供多种商品的企业，这些商品单价相对不高，或者相互间有互补性，具有多次重复购买的必要，这些企业可能提供如下商品：日用消费品、服装、小家电等；RFM也适用于这类企业，它们既提供高价值耐用商品、同时又提供配套的零部件或维修服务，如下：精密机床、成套生产设备、打印机等；RFM对于商品批发、原材料贸易、以及一些服务业（如旅行、保险、运输、快递、娱乐等）的企业也很适用。 三、RFM模型的改进及应用 RFM分析简便有效，但这种细分方法也存在一些缺点。首先，这种方法的细分结果的客户群过多，每一个指标分成5个等级就会得到125个客户群，以至于难以形成对每个客户群的准确理解，也就难以针对每个细分客户群制定有效的营销策略。特别是对于资金和人力资源有限的中小型企业开展RFM分析有一定的困难。其次，这种方法中F和M两个评价指标，即单位时期内的消费频率与同期消费总额这两个评价指标存在多重共线性问题。第三，这种方法中给R值赋予了太多权重，处于R3区域的客户不一定就比R4区域的客户价值低，这与客户的消费习惯和消费总量有密切的关系。 本文在RFM模型基础上引入三个新评价指标：平均间隔天数（AI-Average Interval）、最新间隔天数(RI-Recency Interval)和两指标间的差异天数（Difference）。其中，三个指标的计算方法为： 平均间隔天数（AI）=单位期间天数/消费频率（F） 该指标表示客户在过去一个统计期间内通常间隔多少天消费一次，它是客户消费习惯的具体反映。若以年为一个统计单位期间，则单位期间天数可取365天，若以季为一个统计单位期间，则单位期间天数可取92天。 简历大全 最新间隔天数（RI）=当前日期-最近消费日期（R） 该指标表示客户最后一次停止消费的天数，它是客户最新消费行为的具体反映。若企业是在2010年年初进行客户分析和识别的话，则当前日期可取2010年1月1日。 差异天数（Diff）=-平均间隔天数（AI）最新间隔天数（RI） 该指标用 思想汇报 于判别客户的停止消费天数是否属于正常状态。示当差异天数大于等于0时，表示该客户的平均间隔天数大于最新间隔天数，表明该客户处于正常停止消费状态；当差异天数小于0时，表示该客户的最新间隔天数超过了该客户的平均间隔天数，表明该客户的停止消费天数超过了该客户常规停止天数，也就是说该客户的消费行为已发生了异常情况，或许该客户已经流失，当差异天数较大时，客户流失的可能性就更大。 例如，A客户停止消费天数为20天，B客户停止消费天数也为20天，根据RFM模型细分方法，A、B两个客户同属一个客户群，对于他们的客户关系策略应该是相同的。若A客户的平均间隔天数为10天，B客户的平均间隔天数为30天，A客户的差异天数为-10天，而B客户的差异天数为10天。通过差异天数指标可知，A客户的消费习惯已经发生了变化，他比他正常的消费习惯多停止了10天时间，该客户是企业必须立即采取行动加以关怀和重视的客户，或许该客户已流向竞争对手了。而B客户的差异天数为10天，仍处于正常的消费习惯范围内，该客户不是企业目前必须关怀对象。 通过对这三个指标间的分析，企业可以找出当前最需实施客户关怀的客户，从而制定出行之有效的营销策略，将企业有限的资源用于最需用的客