100种分析思维模型(005号)
共 4495字,需浏览 9分钟
·
2021-02-17 01:32
很多分析思维模型,本质上都是在研究人的行为。
下面介绍的 RFM 分析思维模型,本质上也是在研究人的行为。
1. 模型介绍
美国有一个叫 Arthur Hughes 的研究所,从客户数据库中发现了 3 个神奇的要素:
(1)Recency 最近购买时间,离得越近,价值越大。
(2)Frequency 累计购买次数,次数越多,价值越大。
(3)Monetary 累计购买金额,金额越高,价值越大。
将这 3 个要素分别按价值的高、低进行分组,从而得到 8 种不同类型的客户,分别采取不同的营销策略。
运用之前介绍过的矩阵分析模型,把 8 种类型按照 M 的高低分成两个矩阵,一个矩阵是针对重要客户的营销策略:
1重要价值客户:R 高 F 高 M 高,可以提供个性化的 VIP 服务,提升品牌的价值。
2重要发展客户:R 高 F 低 M 高,可以制订客户忠诚度培养计划,帮助他们成为重要价值客户。
3重要保持客户:R 低 F 高 M 高,可以推送个性化的激励活动,以重新建立连接,提高复购率。
4重要挽留客户:R 低 F 低 M 高,可以采取召回策略,调查问题之所在,想办法进行挽留。
5一般价值客户:R 高 F 高 M 低,可以提供优惠活动,以吸引他们提高客单价。
6一般发展客户:R 高 F 低 M 低,可以提供试用活动,以提高客户购买的兴趣。
7一般保持客户:R 低 F 高 M 低,可以改变宣传策略,以刺激客户继续购买。
8一般挽留客户:R 低 F 低 M 低,可以适当减少预算,以降低营销的成本。
2. 应用举例
以我在知识星球分享过的超市数据集为例,用 Python 实现自动读取和处理数据,对客户价值进行分类,并用条形图展现不同类型的客户数量占比。
从图中可以看出,「一般挽留客户」的占比较大,「重要发展客户」的占比较小,说明客户的忠诚度有待提升。
建议制订客户忠诚度培养计划,通过促销活动等形式,激活重要保持客户,深挖重要发展客户,吸引客户重复购买,提升客户的忠诚度,不断产生新的重要价值客户。
假设你的营销预算不多,只能给 20% 的客户提供服务,你是选择服务重要价值客户,还是选择服务一般挽留客户呢?同样的成本,不同的营销策略,带来的收益差异可能是巨大的。
下面是用 Python 进行 RFM 分析的完整代码:
# 导入所需的库
import os
import numpy as np
import pandas as pd
import datetime as dt
import matplotlib.pyplot as plt
# 正常显示中文标签和负号
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False
# 读取 Excel 文件(公众号后台回复:超市)
df_excel = pd.read_excel('../data/超市数据.xlsx')
# 最近购买时间
R = df_excel.pivot_table(values=['订单日期'], index='客户 ID', aggfunc=max)
# 累计购买次数
F = df_excel.drop_duplicates(subset=['订单 ID', '客户 ID'], keep='first').pivot_table(values=['订单 ID'], index='客户 ID', aggfunc='count')
# 累计购买金额
M = df_excel.pivot_table(values=['销售额'], index='客户 ID', aggfunc=sum)
# 合并RFM
RFM = R.join(F).join(M)
# 定义列名
RFM.columns = ['R', 'F', 'M']
# 计算间隔天数
R_date = dt.datetime(2021, 2, 13)
RFM['R_days'] = (R_date - RFM['R']).dt.days
# 分类标签
labels = ['高', '低']
# 计算 R 分类,间隔天数越少,价值越高
bins = RFM.R_days.quantile(q=np.linspace(0, 1, num=3), interpolation='nearest')
RFM["R_type"] = pd.cut(RFM.R_days, bins=bins, labels=labels, include_lowest=True)
# 计算 F 分类,购买次数越多,价值越高
bins = RFM.F.quantile(q=np.linspace(0, 1, num=3), interpolation='nearest')
RFM["F_type"] = pd.cut(RFM.F, bins=bins, labels=labels[::-1], include_lowest=True)
# 计算 M 分类,购买金额越大,价值越高
bins = RFM.M.quantile(q=np.linspace(0, 1, num=3), interpolation='nearest')
RFM["M_type"] = pd.cut(RFM.M, bins=bins, labels=labels[::-1], include_lowest=True)
# 对客户价值进行分类
RFM['type'] = ''
RFM.loc[(RFM['R_type']=='高') & (RFM['F_type'] == '高') & (RFM['M_type'] == '高'), 'type'] = '1重要价值客户'
RFM.loc[(RFM['R_type']=='高') & (RFM['F_type'] == '低') & (RFM['M_type'] == '高'), 'type'] = '2重要发展客户'
RFM.loc[(RFM['R_type']=='低') & (RFM['F_type'] == '高') & (RFM['M_type'] == '高'), 'type'] = '3重要保持客户'
RFM.loc[(RFM['R_type']=='低') & (RFM['F_type'] == '低') & (RFM['M_type'] == '高'), 'type'] = '4重要挽留客户'
RFM.loc[(RFM['R_type']=='高') & (RFM['F_type'] == '高') & (RFM['M_type'] == '低'), 'type'] = '5一般价值客户'
RFM.loc[(RFM['R_type']=='高') & (RFM['F_type'] == '低') & (RFM['M_type'] == '低'), 'type'] = '6一般发展客户'
RFM.loc[(RFM['R_type']=='低') & (RFM['F_type'] == '高') & (RFM['M_type'] == '低'), 'type'] = '7一般保持客户'
RFM.loc[(RFM['R_type']=='低') & (RFM['F_type'] == '低') & (RFM['M_type'] == '低'), 'type'] = '8一般挽留客户'
# 统计各类客户的数量及其占比
df = RFM.pivot_table(values=['R'], index='type', aggfunc='count')
df['占比'] = round(df.R/df.R.sum()*100, 2)
# 用条形图展现客户价值的分布
from pyecharts import options as opts
from pyecharts.charts import Bar
num = list(df.占比[::-1])
lab = list(df.index[::-1])
bar = (
Bar(init_opts=opts.InitOpts(width='900px', height='600px', page_title='RFM'))
.add_xaxis(lab)
.add_yaxis('', num)
.set_colors('#00589F')
# 坐标轴翻转
.reversal_axis()
.set_series_opts(label_opts=opts.LabelOpts(position='right'))
.set_global_opts(title_opts=opts.TitleOpts(title='RFM分析:不同类型的客户数量占比(%)'))
.render('RFM.html')
)
如果把微信通讯录中的联系人当作客户,那么也可以运用 RFM 分析模型,管理我们的重要人脉资源,按照最近联系时间间隔 R、联系次数 F、联系深度 M 进行分类,我们可以重点关注前 4 类人:
1重要价值的人:联系多间隔短,包括亲密的家人、很好的朋友、重要的客户、领导、同事等,与他们保持良好的关系。
2重要发展的人:联系少间隔短,包括联系次数不多的朋友等,增加与他们的互动,增进感情。
3重要保持的人:联系多间隔长,包括很久没有联系过的朋友等,跟他们主动联络,保持沟通。
4重要挽留的人:联系少间隔短,包括联系次数不多,且很久没有联系过的朋友等,分析疏远的原因,并想办法努力挽回。
保持对爱的热忱,学会关心那些对你很重要的人,不要让他们变成像陌生的路人一样。
小结
RFM 分析模型,是一种客户细分的技术,原理简单易懂,几乎不用任何专业的知识,就能快速对客户进行分类,并针对不同类型的客户,制定差异化的营销策略,从而做出更加明智的决策,这反过来又能提升客户的忠诚度。
RFM 分析模型实现起来也很方便,用 Excel 就可以做,用 Python 也能做,其他分析工具基本也都可以做。
学习 RFM 分析模型,我得到的一点启发是:要重点维护好那些对自己很重要的人,这比学会用 Python 建模更重要。
点击👇链接