在进行客户体验管理之前，通过对客户本身全面、准确的了解，藉由客户分群的刻画，针对不同客群提供与之高度相关的个性化体验，能够让企业更加聚焦目标客户，有助于推动更强的客户转化。
通过本文，你可以了解到：
1、客户分群的意义
2、客户分群 RFM 模型
3、选择正确的评价指标
4、RFM 的评分方式
5、RFM 的 8 个客户类型
6、RFM 新零售案例实操 - Excel 计算
7、RFM 分析和评价
8、写在最后
1、客户分群的意义
目前，客户分群常用于市场营销部门，对于体验部门而言虽然分工不同，但目标却是一致的。都是希望找寻到各个客群的相似性，比如，行为模式、喜好等等。针对不同客群指定不同的策略，为客户提供”恰当的体验“。
麦肯锡在研究报告指出，客户分群对于提升业务收入有正向作用。
这里有一个案例，一家跨国发卡机构面临业务增长困难、消费者流失率高、早期接触点客户忠诚度下降等挑战。
面对挑战，机构首先根据客户行为，进行客户分群，全面调整客户体验培训流程。
在分群后的研究中发现最大价值的最优操作顺序，以此设计出不同客群个性化的客户旅程与互动策略。
效果验证以 50 多个试点为依据，让每个客户细分养成预期的行为。通过几个礼拜的数据反馈，与对照组相比，交易量提升了 6% 。
2、客户分群 RFM 模型
那么，该如何进行有效的客户分群呢？
RFM 模型是客户分群及衡量客户价值的重要模型之一。最早提出者 - 乔治‧卡利南（George Cullinan）指出，在客户资料库中有 3 项重要指标。
| 指标 | 解释 | 意义 |
R (Recency) 近度 | 客户最近一次交易时间的间隔 | R越大，表示客户越久未发生交易 R越小，表示客户越近有发生交易 |
F (Frequency) 频度 | 客户在最近一段时间内交易的次数 | F越大，表示客户交易越频繁 F越小，表示客户不够活跃 |
M (Monetary) 额度 | 客户在最近一段时间内交易的金额 | M越大，表示客户价值越高 M越小，表示客户价值越低 |
R（Recency）近度 → 客户最近一次交易时间的间隔，交易时间越近的客户价值越大。
F（Frequency）频度 → 客户在最近一段时间内交易的次数，经常购买的客户也就是熟客，价值比偶尔来一次的客户价值大。
M（Monetary）额度 → 客户在最近一段时间内交易的金额，通常以客户单次的平均消费金额作为衡量指标，消费越多的客户价值越大。
通常客户分群有两种方式：一种是根据客户的基本信息，另一种是根据客户的行为数据。
而 RFM 模型利用的就是客户的行为数据。
3、选择正确的评价指标
对于电商购物业务较为常用上述指标进行评价，但对于不同行业、不同的业务目标，进行客户分群的维度会有所差异。
比如，电子邮件（EDM）营销依据 RFM 模型，可以划分为「R = 上次邮件打开的时间」、「F = 一段时间内，邮件打开的次数」、「M = 一段时间内，根据每个客户的获取成本及利润等因素估计的价值」。
比如，互联网社交业务依据 RFM 模型，可以划分为「R = 最近一次登录时间」、「F = 一段时间内，登录频率」、「M = 一段时间内，在线时长」。
选择正确的指标，才能得到有效的结果。
4、RFM 的评分方式
RFM 客群划分以电商购物业务为例，常见的划分方式有以下 2 种。
1) 依据行业规则划分
R 指标可以依据间隔天数分段，如：大于 90 天未购买属于低价值，反之为高价值。
F 指标可以依购买次数分段，如：购买小于 2 次属于低价值，反之为高价值。
M 指标可以依客单价分段，如：平均客单价以下属于低价值，反之为高价值。
2) 依据百分位规则划分
这种方式是将数据转换成 1~5 分计分方式，转化后分值越高代表价值越高，一般可以按 20%/40%/60%/80% 分位数将数据计为 1~5 分。
计分方式如下表所示：
| 标准 | R 分值 | F 分值 | M 分值 |
| < 20%分位数 | 5 | 1 | 1 |
| 20%(含)~40%分位数 | 4 | 2 | 2 |
| 40%(含)~60%分位数 | 3 | 3 | 3 |
| 60%(含)~80%分位数 | 2 | 4 | 4 |
| >80%分位数 | 1 | 5 | 5 |
R 指标是时间间隔越短越好，所以 <20% 分位数分值为 5 分。时间间隔指的是上次消费是 5/1，今天是 5/3，则相隔 2 天。
F 指标是频次越高越好，所以 >80% 分位数分值为 5 分。
M 指标是金额越高越好，所以 >80% 分位数分值为 5 分。
想要进行客户划分，还需要把分值进行转换。
将 1~5 分值，按分别对应的平均值进行划分，划分为 0 和 1，数字 0 代表低价值群体，数字 1 代表高价值群体。
计分方式如下表所示：
| 标准 | R 价值类别 | F 价值类别 | M 价值类别 |
| < 平均值 | 0 （低价值） | 0 （低价值） | 0 （低价值） |
| >= 平均值 | 1 （高价值） | 1 （高价值） | 1 （高价值） |
5、RFM 的 8 个客户类型
RFM 模型通过将 3 项行为数据指标分别作为坐标轴的 x，y，z 轴，可以将客户划分为 8 种类型客户，进一步指导客户体验管理的下一步工作。分别是：重要价值、重要挽留、重要发展、重要维持、一般价值、一般挽留、一般发展和一般保持。
图片来自《经理人月刊 第 187 期》 | Guofu 重绘
R↑F↑M↑：对于一家企业来说，获得更多的「重要价值客户」是维系企业健康发展的源动力，客户体验管理应优先关注「重要价值客户」的需求点。可以制定客户忠诚度计划，为他们提供相应的福利。可以发送问卷，关注重视他们的声音，加强与他们与企业的关系。
⚠️ 如果企业在客户群体分布中，大多为价值很低的「一般保持客户」，那么企业业务会随时有经营危机。
R↓F↑M↑：在过去业务发展过程中，作出过重要贡献的客户群，是消费频率和金额都很高的客户为「重要保持客户」，但是最近一次消费时间距离现在已经很久，企业需要重新花时间了解他们目前的需求，以及为什么近期不再消费。
R↑F↓M↑：最近刚刚接触公司并进行高额消费的客户群，但是消费频率不高为「重要发展客户」。企业可以严格审视服务流程的每一个体验环节，为他们输出良好的品牌形象，加深客户对品牌的印象。
R↓F↓M↑：最近一次消费时间较远、消费频率不高，但消费金额高的客户为「重要挽留客户」。他们对企业缺乏了解或信任，企业要主动与这类客群进行交互，看看有哪些体验不满意的地方，避免失去这群客户。
📢 还有对于「一般保持客户」、「一般发展客户」、「一般价值客户」、「一般挽留客户」客群来说，企业在业务上无法为所有的客群都提供高质量的体验，有"舍"才有"得"。
企业应该专注在核心客群的体验打造，减少重要挽留客户，活化重要保持客户，挖掘重要发展客户。
6、RFM 新零售案例实操
RFM 客户分群会使用某新零售电商平台（2021/10-2022/04）订单真实数据。演示数据集已经过数据脱敏，本数据集仅可用于学习。
公众号后台回复 [RFM] 可获取案例演示数据集- 📊 订单数据.xlsx
在观察此数据表时，发现「订单号、用户编号、支付时间」存在”空值“，这些都是分析中需要使用的栏位，需要对进行数据填充。另外，为便于计算，支付时间需转为匹配的日期格式。
操作步骤如图所示 👇
数据集一共有 8 个栏位，其中使用 RFM 模型只需用到：订单号、用户编号、支付时间、实付金额 4 个栏位。
注意：你们自有原数据前处理，需要检查缺失值、剔除订单中含已取消/退款订单数据。
下面进入 RFM 计算演示。
步骤 1：
全选原数据 → 插入/数据透视表 → 新工作表。
在数据透视表字段中，将[用户编号]拉入行，将[订单号]、[实付金额]、[支付时间]拉入值。通过设定[订单号]计算方式为”计数项“、[实付金额]]计算方式为”求和项“、[支付时间]]计算方式为”最大值项“，得到以用户编号进行区分的计算值。
步骤 2：
将计算后的数据复制到新工作表，想要得到可用的 RFM 数据，还需要做一些加工。
对表头稍加调整后，由于 R 指标需要的值是上次消费距离现在的时间，目前的是最后一次消费时间，需要进行再次计算。
笔者想知道最近消费时间距离 2022/5/12 间隔天数，使用 =$E$2-D2 计算。
如果你是想知道距离今天为止间隔多少天，可以使用函数 =TODAY()-D2。
在这个步骤，可以得到用于 RFM 模型客户分群目标数值。
步骤 3：
基于计分规则进行 RFM 得分计算，笔者这里使用的是百分位规则进行数值转换。
| 标准 | R 分值 | F 分值 | M 分值 |
| < 20%分位数 | 5 | 1 | 1 |
| 20%(含)~40%分位数 | 4 | 2 | 2 |
| 40%(含)~60%分位数 | 3 | 3 | 3 |
| 60%(含)~80%分位数 | 2 | 4 | 4 |
| >80%分位数 | 1 | 5 | 5 |
计分计算需要使用到 Excel 的多条件判断 IFS 函数，百分位使用 PERCENTILE 函数，RFM 指标计算依序使用下列算式 👇
=IFS(B2<O21,5,B2<PERCENTILE(B:B,0.4),4,B2<PERCENTILE(B:B,0.6),3,B2<PERCENTILE(B:B,0.8),2,B2>=PERCENTILE(B:B,0.8),1)
=IFS(C2<PERCENTILE(C:C,0.2),1,C2<PERCENTILE(C:C,0.4),2,C2<PERCENTILE(C:C,0.6),3,C2<PERCENTILE(C:C,0.8),4,C2>=PERCENTILE(C:C,0.8),5)
=IFS(D2<PERCENTILE(D:D,0.2),1,D2<PERCENTILE(D:D,0.4),2,D2<PERCENTILE(D:D,0.6),3,D2<PERCENTILE(D:D,0.8),4,D2>=PERCENTILE(D:D,0.8),5)通过计分计算，可以知道客户对应的代码值，如 115008 RFM 对应的代码值为 111。这个代码值可用于后续客户类型匹配。
有资料研究表明：对 RFM 模型各变量的指标权重问题，Hughes&Arthur 认为 RFM 在衡量一个问题上的权重是一致的，因而并没有给予不同的划分。笔者在本次演示计算不涉及 RFM 加权计算。
另外，Stone&Bob 通过对信用卡案例的实证分析，提出了更能适应产业特性的计算方式。认为各个指标的权重并不相同，在研究中发现应该给予频度最高，近度次之，额度最低的系数加权有助于客户分群的准确性。
RFM 权重： WR=2,WF=3,WM=1
如果需要采用 RFM 加权计算，需要与专家和体验管理人员共同进行商定，因为权重的系数会直接影响客户分群的表现。
步骤 4：
依据 RFM 得分进行指标价值类别划分，笔者本次划分以平均值作为基准值。
| 标准 | R 价值类别 | F 价值类别 | M 价值类别 |
| < 平均值 | 0（低价值） | 0（低价值） | 0（低价值） |
| ≥ 平均值 | 1（高价值） | 1（高价值） | 1（高价值） |
价值类别划分需要使用到 Excel 的 IF 函数，RFM 价值类别划分依序使用下列算式 👇
=IF(F2>=AVERAGE(F:F),"高","低")
=IF(G2>=AVERAGE(G:G),"高","低")
=IF(H2>=AVERAGE(H:H),"高","低")通过价值类别划分，可以知道客户对应的值，如 115008 RFM 对应的价值类别代号为”低低低“。
步骤 5：
最后通过比对”客户分群评级表“，对 RFM 价值类别进行最终分群。
| R 价值类别 | F 价值类别 | M 价值类别 | 价值类别 | 所属类别 |
| 高(1分) | 高(1分) | 高(1分) | 高高高 | 1 重要价值客户 |
| 高(1分) | 低(0分) | 高(1分) | 高低高 | 2 重要保持客户 |
| 低(0分) | 高(1分) | 高(1分) | 低高高 | 3 重要发展客户 |
| 低(0分) | 低(0分) | 高(1分) | 低低高 | 4 重要挽留客户 |
| 高(1分) | 高(1分) | 低(0分) | 高高低 | 5 一般价值客户 |
| 高(1分) | 低(0分) | 低(0分) | 高低低 | 6 一般保持客户 |
| 低(0分) | 高(1分) | 低(0分) | 低高低 | 7 一般发展客户 |
| 低(0分) | 低(0分) | 低(0分) | 低低低 | 8 一般挽留客户 |
RFM 客户分群对照使用下列算式 👇
=VLOOKUP(I2&J2&K2,$N$2:$O$9,2,FALSE)
依此类推...从下图可以看出，价值类别代号”低低低“对应的分群为「8 一般挽留客户」、代号”低低高“对应的分群为「4 重要挽留客户」...
到这里，客户分群的工作算基本完成了。但是基于客户分群，找到当前企业的客户结构分布状况以及该如何应对，才是我们需要关注的重点。
7、RFM 分析和评价
笔者对该零售电商公司当前的客户结构分布进行计数和百分比计算，了解客户的分布情况。
使用 COUNTIF 函数进行匹配，算式如下 👇。
=COUNTIF(A:A,"1重要价值客户")
依此类推...从分布情况可以看出，该零售公司「重要价值的客户群」占比近30%，基本算中等水平，仍需要进一步通过体验优化，通过“供给创造需求”深挖高净值客户的不同需求，可以提高该比例。
另外，「一般保持客户」群体占比高达 18% ，需要采取紧急行动，这类型客户目前还没有流失，需要好好把握，要不这部分客户流失将会造成大麻烦。
分布情况如下图所示 👇
体验管理对于不同的客户群体，可以参照下表的客户基本特征和行动策略进行体验优化工作。
比如，针对「一般保持客户」就可以参行动策略，利用一些优惠吸引客户再次消费。
| 所属类别 | 特征 | 行动策略 |
| 1 重要价值客户 | 优质客户 | 应提高满意度，增加留存 |
| 2 重要保持客户 | 重要客户但购买频率低 | 可通过活动提高购买频率 |
| 3 重要发展客户 | 重要客户但最近不消费 | 触达客户防止流失 |
| 4 重要挽留客户 | 潜在价值客户 | 了解客户需求想办法挽留 |
| 5 一般价值客户 | 忠诚客户但消费金额低 | 引导其消费 |
| 6 一般保持客户 | 新用户 | 利用优惠吸引消费 |
| 7 一般发展客户 | 一般客户 | 较少关注 |
| 8 一般挽留客户 | 流失客户 | 较少关注 |
公众号后台回复 [RFM] 可获取案例演示数据集- 📊 订单数据.xlsx
写在最后
RFM 模型的核心概念是要在正确的指标和合适的评分方式下，应对不同阶段的体验管理目标，动态调整客户体验管理计划。
企业要想健康可持续的发展，需要依赖客户的长期、有价的支持。
对于客户体验管理来说，客户分群是我们开展工作的第一步，只有对客户的相关属性进行归类，体验管理和提升工作才能有矢放地。
还有，建立健康的客户结构，做好客户分群划分，体验部门需要时刻洞察客户迁移的动态变化背后的原因。
在面对重要的客户流失时，客户体验的着力点，应在有限的资源的情况下，提出最适的计划，积聚最大能量针对关键客群提供最”恰当“的体验。
观察 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，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。
在平稳期，应从中、低净值客户群体切入，将他们培养成忠诚客户，优化客户结构，分散风险，扩大企业护城河。
要知道力往一处使是非常重要的，企业在激烈的商业环境中，成败往往就在一念之间。
这里有一个需要特别注意的点，凡事需要触达客户的交互，都需要控制好”度“，不能无节制的对客户进行打扰，应该设计一个客户接触频率规则，确保把打扰控制在一个合理的阈值。
那么，如果你们公司还没开始进行客户分群，现在开始动手吧！！！相信会对你的客户体验管理工作有很大的助益。
🏄🏻 Just do it.
点击这里，可以加我微信，进入客户体验交流群~
本文完.
推荐阅读：
⭕️⭕️ 如何领取读者专属资源？
先将“龙国富”公众号设为⭐️星标，然后在后台回复以下关键词，即可领取。
NPS 👉🏻 NPS(净推荐值)资料包
RFM 👉🏻 RFM(客户分群)资料包
KANO 👉🏻 KANO(需求优先级)分析资料包
计算器 👉🏻 Excel计算体验指标模板
体验地图 👉🏻 200+真实用户体验旅程地图案例
IPA 👉🏻 IPA(用户需求与期待)分析资料包
统计 👉🏻 统计分析工具安装包
Guofu 第 52⭐️ 篇原创干货分享
❤️ 码字不易，喜欢就点个“赞👍🏻”和“在看👁”呗
5899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
