基于RFM多层级客户价值模型的客户细分研究

熊兰++高炳

◆ 中图分类号：F713 文献标识码：A

内容摘要：传统的RFM模型被广泛地应用于各类零售企业、银行和通信等行业，通过对基于RFM模型的客户细分的应用研究，本文首次提出对于零售企业的基于RFM模型的客户终身价值的评价应该对企业的所有产品分类，创建基于RFM的多层级客户价值模型，并利用SQL server 2000中的Northwind数据库对这个模型进行实证研究。首先比较传统模型和多层级模型的客户终身价值的分布，然后对个人客户的分产品的客户价值、传统模型客户终身价值和多层级模型的客户终身价值作为细分变量聚类，结合客户终身价值分析不同类别产品的客户价值，挖掘出运用传统RFM模型进行客户细分隐藏的部分重要的客户信息，对管理人员制定营销策略有很好的实践价值，并验证了该模型的有效性。

关键词：客户细分 客户生命周期价值 客户价值 RFM 营销策略

引言

随着经济的发展，客户多样性的需求，零售企业产品种类越来越丰富。零售企业之间产品差异性不大，同质化严重，满足客户的需求成为企业获得客户资源的关键。然而企业的资源是有限的，企业不可能满足每个客户的需求，只能利用有限的资源满足有价值的客户的需求。如何了解客户的需求，现在主要的依据是对企业客户进行合理的划分，即客户细分。现在研究比较热门的是依据客户的终身价值聚类对客户细分，然而这样划分的结果存在很大的营销缺陷。

在营销领域，RFM模型被广泛地用来衡量客户的生命周期价值（客户价值）。本文通过对RFM模型的应用研究，提出了一种针对零售行业的基于产品类别的多层级的客户价值评价模型。该模型综合考虑个人客户产品类别的客户价值以及客户的终身价值，通过对企业产品的分类解决了对企业所有产品运用RFM模型的局限性（不同类别的产品R、F、M值的差异性太大，会遗漏很多重要的客户信息），可以为企业的促销策略提供指导，具有更强的实践价值。

RFM模型及其应用研究

客户作为企业的一项重要资源，也是有生命周期的。客户生命周期价值是指客户在与企业接触的整个过程中为企业创造价值。典型的客户生命周期价值包括考察期、形成期、稳性期和衰退期。目前，比较普遍和公认的用来评价客户价值的一种模型是RFM模型。

RFM模型最早是由Hushes提出的，它包括R（Recency）、F（Frequency）、M（Monetary）这三个变量，它们都是来自客户的消费数据。近度（R）表示客户最后一次交易距离现在的时间，该值越小，则表明客户与企业再次产生交易的可能性越大；频度（F）表示客户在分析的时间段内与企业产生交易的次数，该值越大，则表明客户对企业的忠诚度越大；金额（M）表示客户在分析的时间段内购买企业产品消费的总金额，该值越大，则表明客户越忠诚对企业的价值越大。RFM模型广泛应用于对直销领域的客户细分。蒋国瑞等（2007）、曾小青等（2013）、王扶东等（2011）对传统的RFM模型进行了改进，以便于更深入地了解客戶，客户处于哪个生命周期，客户的流失倾向，客户对企业的价值。王扶东等（2011）提出了一种以RFM模型为基础的多层级的客户忠诚度的细分模型。Hui-Chu Chang& Hsiao-Ping Tsai（2011）提出对于RFM模型的客户细分应该考虑产品的价格和生命周期，同一个客户对不同的产品可能有不同的忠诚度和价值。

基于以上研究，本文认为对零售企业基于RFM模型的客户价值细分时，客户的价值应该根据产品的性质分为不同类别产品的价值，然后根据客户的终身价值和分产品的价值聚类把客户分成不同的群。这样不仅可以解决传统的RFM模型对所有产品的客户价值计算的局限性，也能了解客户对不同类别产品的价值高低，可以为有价值的客户提供针对具体产品的营销指导。

基于RFM的多层级模型

（一）基于产品类别的客户价值模型

综合上面的分析，本文提出了基于RFM模型的多层级的客户价值细分模型（见图1）。根据零售企业各个产品的性质（价格、生命周期或者用途）对产品分类，假设分为A、B、C三类，然后分别构建以A、B、C三类产品为基础的RFM模型，如图1所示，个人客户的终身价值是A、B、C三类产品的客户价值的总和。各种产品的客户价值就是分别只考虑一种类别的产品，然后利用传统的RFM模型计算相应产品的客户价值。个人客户终身价值的计算公式如下：

Vold=WRR+WFF+WMM （1）

Vnew=αAVA+βBVB+γCVC=αARFMA+βBRFMB+γCRFMC （2）

其中：Vold代表传统RFM模型的个人客户终身价值，R、F、M代表把企业的所有产品当成一个整体的个人客户的近度、频度和金额的标准值，WR 、WF和WM表示三个变量的相对权重，其和为1；Vnew代表多层级模型的企业的个人客户终身价值，VA、VB、VC代表个人客户的产品A、产品B和产品C的价值，RFMA、RFMB、RFMC分别表示个人客户的产品A、产品B、产品C的RFM值，前面的系数代表的是各类产品的相对权重。

（二）变量标准化

相对权重的分析。关于RFM模型中的细分变量对于客户终身价值的影响程度有以下研究：Hughes在用RFM模型来估算客户的终身价值时认为，R、F、M三个细分变量的影响是一样的，在计算客户的终身价值时把这三个细分变量赋予了同样的权重。但是后来有学者研究指出这种方法是有一定缺陷的，发现有相同的终身价值的客户，其购买行为存在巨大的差别。后来，Miglautsch（1995）指出对于反映客户购买行为的不同特征的三个指标应该具有不同比例的权重。本文认为，在计算同类产品的个人客户的终身价值时，这三个细分变量对于客户的终身价值影响是不一样的，所以应该对三个不同类型的指标赋予不一样的权重。零售企业的各种产品的三个细分变量的相对权重和产品的性质、用途关系比较大，本文运用层次分析法来确定其相对权重。

变量的标准化。由于三个基本变量R、F、M的度量单位是不统一的，为了避免变量单位不一致对分产品客户价值及客户终身价值的影响，加权之前需要将三个基本变量标准化。对R变量，标准化的值为R变量的最大值与实际值之差除以R变量的最大值与最小值之差；对F、M值变量，标准化的F、M值为F、M的实际值与最小值之差除以F、M变量的最大值与最小值之差。

实证研究

为了验证该层级模型的有效性，选取SQL Server 2000中自带的Northwind数据库两年的销售数据作为本模型的数据源，该数据源有89名客户、2155次交易记录。该数据库根据此食品超市经营产品的性质和用途把产品分为饮料（Beverages）、调味品（Condiments）、糖食（Confections）、乳制品（Dairy Products）、谷物（Grains/Cereals）、肉类（Meat/Poultry）、农产品（Produce）、海产食品（Seafood）这八种类别的产品，本模型也以此为依据把食品超市的所有产品分为这八类来分析。通过综合各食品专家的意见，得出食品三个变量的相对权重，最后利用层次分析法求得食品超市客户购买的近度、频度和金额的相对权重分别是0.731、0.188、0.081。分析结果如下：

（一）分产品的客户价值及客户终身价值的分布

利用基于产品的多层级的客户终身价值模型，计算所得的客户终身价值的分布如图2所示，所有客户的终身价值之和与客户个数之比是0.5024（即客户终身价值的平均值），高于客户终身价值的平均值的客户占52.81%；利用传统的RFM模型计算出的客户终身价值的平均值是0.7207，高于传统模型客户终身价值的平均值的客户占60.67%。传统模型的客户终身价值普遍高于多层级模型所得的客户终身价值，传统RFM模型的客户终身价值的分布比较集中，多层级模型的客户终身价值的分布比较均匀，分布接近正态分布，中间多两头少。

从客户单个产品来分析客户的产品价值，产品Beverages、Condiments、Confections、Dairy Products、Grains/Cereals、Meat/Poultry、Produce、Seafood的平均客户价值分别是0.5917、0.6966、0.4682、0.5484、0.4400、0.4149、0.3945、0.5947。其中，Beverages、Condiments、Dairy Products、Seafood这四类产品的客户价值的平均值比较高，其它四类产品的客户价值的平均值相对比较低。产品种类不同，客户价值的分布差异还是比较大，如图3所示，如果只是把所有产品当成一个整体来评价客户的终身价值会遗漏比较多的客户信息，因此有必要针对企业的产品分类分别分析客户的价值。

（二）个人客户价值聚类分析

以个人客户的八类产品的忠诚度、传统RFM模型的客户终身价值、多层级模型的客户终身价值作为细分变量，运用SPSS的系统聚类，把客户分为8类具有不同特征的客户群，如表1所示。

客户群1的傳统模型的客户终身价值的均值接近所有客户的均值；多层级模型的客户终身价值均值明显偏低，是多层级模型所有客户终身价值均值的0.63倍。Beverages、Dairy Products、Produce这三种产品的客户价值的均值偏低，其余5种的产品客户价值的均值显著偏低。客户群1对于各类产品都属于低价值客户，并且对其中的5种产品鲜少问津，对于整个企业也属于低价值客户。

客户群2的传统模型的客户终身价值的均值和多层级模型的客户终身价值的均值都偏低，分别是所有客户的0.64和0.55倍，这类客户对企业的8种产品的客户价值的均值也都偏低。这类客户属于企业的低价值客户，其特征是对各种类别的产品都有购买，但是价值不高。

客户群3的传统模型和多层级模型的客户终身价值的均值是所有客户群中最低的。这类客户的Condiments和Produce的产品客户价值是0，其余5种类别的产品客户价值的均值也显著偏低。这类客户也属于企业的低价值客户。

客户群4的传统模型的客户终身价值的均值接近所有客户的平均值；多层级模型的客户终身价值的均值稍低于所有客户平均值，是所有客户平均值的0.73倍；Beverages、Condiments、Confections这三种产品的客户价值的均值平均值接近，Meat/Poultry和Produce这两类产品的客户价值的均值分别是平均值的1.67和1.59倍。这类客户对于整个企业属于中等价值客户，其特征是对于Meat/Poultry和Produce这两类产品属于高价值客户。

客户群5的传统模型的客户终身价值的均值接近所有客户的平均值；多层级模型的客户终身价值的均值低于所有客户平均值，是所有客户平均值的0.63倍；Condiments、 Dairy Products、Produce和Seafood这四类产品的客户价值的均值稍微高于所有客户的均值，其余四类的客户价值的均值明显低于所有客户的均值。这类客户对所有产品都有涉猎，但是整体价值不高。

客户群6的传统模型的客户终身价值的均值接近所有客户的平均值；多层级模型的客户终身价值的均值稍低于所有客户平均值，是所有客户平均值的0.85倍；Condiments 、Dairy Products、Produce和Seafood这四类产品的客户价值均值高于所有客户的平均值，Beverages和Confections这两类产品的客户价值偏低。这类客户对于整个企业属于中等价值客户，这类客户的特征是对于Condiments 、Dairy Products、Produce和Seafood这四类产品属于高价值客户。

客户群7的传统模型的客户终身价值的均值是所有客户的1.31倍，多层级模型的客户终身价值的均值是所有客户的1.75倍，都是所有类别客户终身价值均值最高的；这类客户的产品价值的均值有7种是所有客户群中最高的，只有Confections的产品客户价值的均值稍微偏低但也属于产品高价值客户。这类客户是企业的“黄金客户”，对整个企业属于高价值客户。

客户群8的传统模型的客户终身价值的均值是所有客户的1.04倍；多层级模型的客户终身价值的均值是所有客户的1.19倍；各类产品客户价值的均值都高于所有客户的均值。这类客户是企业的主流客户，各类产品的客户价值都偏高。

（三）传统模型和多层级模型的对比分析

通过上面对客户价值的聚类分析，可以根据传统模型的终身价值和多层级模型的客户终身价值把客户的购买行为分为三类，如图4所示。客户群7和客户群8是企业的高价值客户，这类客户对于企业的各类产品的客户价值都很高，是企业利润的来源要重点维系，占客户总数的61.79%。客户群2和客戶群3都是企业的低价值客户，客户群2有一部分产品的客户价值比较高，另一部分产品的客户价值比较低，客户群3的各种类别产品的客户价值都比较低，这两类客户占客户总数的24.73%，是企业的低价值客户，企业对于这部分客户不要投入过多的资源，或者把这部分客户转向竞争对手。客户群1、客户群4、客户群5和客户群6是企业的中等价值客户，客户群1、客户群4和客户群6的产品客户价值一部分比较高，一部分比较低，还有一部分没有涉猎，进而提高该类客户的终身价值；客户群5对于企业的所有产品都有购买，只是一部分产品的客户价值比较高，另一部分产品的客户价值比较低；这四类客户占客户总数的13.48%，是企业重点发展的客户，企业应该根据客户的产品客户价值的分布，加大力度提高产品客户价值低的那几类产品的客户价值。

结论

本文提出了基于RFM的多层级的客户价值模型，把企业的产品根据其性质分为不同的类别，分别评价客户各类产品的客户价值。利用SQL server 2000中的Northwind数据库对这个模型进行了详细说明，通过聚类分析的结果，讨论了对于企业的不同价值的客户应该采取怎样的营销策略。该模型不仅可以区分企业的客户终身价值的高低，而且可以进一步区分不同终身价值的客户对于不同类别产品的价值，这样可以为管理人员制定营销策略提高客户价值提供可靠的、具体的、科学的指导。

参考文献：

1.陈金波.面向电信CRM的数据挖掘应用研究[D].东南大学，2006

2.Hughes，A.Strategic database marketing：the master plan for starting and managing a profitable，customer-based marketing program[A].Irwin Professional，1994

3.J.R.Bult and T.Wansbeek，Optimal selection for direct mail，Marketing Science 1995（14）

4.蒋国瑞，刘沛，黄梯云.一种基于AHP方法的客户价值细分研究[J].计算机工程与应用，2007（8）

5.曾小青，徐秦，张丹，林大瀚.基于消费数据挖掘的多指标客户细分新方法[J].计算机应用研究，2013（10）

6.王扶东，马玉芳.基于数据挖掘的客户细分方法的研究[J].计算机工程与应用，2011（4）

7.Hui-Chu Chang and Hsiao-Ping Tsai.Group RFM analysis as a novel framework to discover customer consumption behavior[J].Expert Systems with Applications，2011（38）

8.Miglautsch J R.Thoughts on RFM Scoring[J].Database Mark，1995，8（1）

9.M.Khajvand and K.Zolffaghar and S.Ashoori.Estimating customer lifetime value based on RFM analysis of customer purchase behavior：case study [J].Procedia Computer Science，2011（3）

10.Tsai，C.-Y.&Chiu，C.-C.A purchase-based market segmentation methodology[J]. Expert Systems with Application，2004