電子商務個性化博客

RFM 分析增加了電子商務銷售額。 今天，我們探索如何使用客戶的新近度、頻率和貨幣數據來解鎖  個性化營銷並提高參與度。 更好的是，我們將看到 RFM 分析如何成為最大化同類群組分析以提高留存率的最佳方法之一。

要跳至 RFM 分段示例，請單擊此處。

RFM 分析是一種數據驅動的客戶行為細分技術。

RFM 代表新近度、頻率和貨幣價值。

這個想法是根據他們最後一次購買的時間、他們過去購買的頻率以及他們的總體花費來對客戶進行細分。 所有這三項措施都已被證明是客戶參與營銷信息和優惠意願的有效預測指標。

雖然 RFM 分析誕生於直郵，但它是當今電子商務商店使用的強大工具。

以上很好地說明了客戶細分如何使企業能夠向客戶傳達特定的價值觀。 圖片來源：對講機

RFM 分析的第一個已知應用是在目錄行業。 先驅者包括 Land's End、JC Penny's 等。 自成立以來，已經開發了許多 RFM 變體，包括

對您的客戶群進行 RFM 分析並向高價值目標發送個性化營銷活動可為您的電子商務商店帶來巨大的好處。

你應該如何計算新近度？ 還是得分頻率？ 什麼是好的貨幣化門檻？

定義閾值是分割的第一步。 下面我們將討論電子商務公司可以用於新近度、頻率和貨幣化的常用指標。

新近度衡量自上次購買以來的時間。

在計算新近度時，電子商務商店面臨兩個挑戰。

首先，在全渠道世界中，很難將每個渠道的購買數據聯繫在一起。

其次，每個企業對什麼是好的新近度得分會有不同的解釋。 例如，消耗品具有對頻繁訂單的內在需求，這使得自上次購買以來所需的時間更短，以獲得更高的分數。

上面，星巴克的產品通常在一天內消耗完。 與具有更高產品生命週期的移動速度較慢的產品相比，他們的產品組合需要對新近度數據進行不同的解釋。

新近度的相同問題也出現在頻率分析中。

再次，產品生命週期

計算新近度、頻率和貨幣化分數提出了類似的挑戰。 現實情況是，每家企業都是獨一無二的。 創建準確的基準非常困難。

幸運的是，有一些常見的方法可以正確分配 RFM 指標。

可能是創建 RFM 分數的最簡單方法，四分位分析允許您根據相對錶現快速、公平地分配分數。

每個四分位數都會給出一個分數，從 1 到 4。最終的 RFM 分割將一起使用這些分數。

這是使用四分位數使用 Python 定義 RFM 段的簡單概述。

形象學分

RFM 分割不必很複雜。

下面我們將展示如何在 Excel 中創建 RFM 模型。 我們一步一步地進行，並附上屏幕截圖，以便您輕鬆複製模型。

請記住，您的電子商務品牌是獨一無二的。

這不會是您特定業務的最佳方式，但它將是您進行迭代的絕佳模板。

讓我們開始。

在開始之前，您需要為每個細分向量定義一個對您的業務最重要的KPI：新近度、頻率和貨幣化。

為此，您必須將您的購買歷史記錄與每個客戶聯繫起來，並選擇您想要使用的時間範圍。

對於我們的示例，我們將使用以下 KPI 和時間範圍。

新近度：最後購買日期
頻率：訂單總數
貨幣化：平均訂單價值
時限： 2年

正如您將看到的，RFM 分析是一個直接的過程。 目標是根據新近度、頻率和貨幣化程度系統地對每個客戶進行評分。 為此，我們首先根據我們選擇的指標對所有客戶進行排序，然後根據他們相對於數據庫中其他客戶的表現對他們進行評分。

您可以將許多 KPI 用於 Recency。 示例 KPI 包括

在本次演練中，我們將使用上次購買後的天數作為主要指標。

您應該直觀地知道哪個指標對您的業務最有意義。 如果您是傳統的電子商務商店，最後購買日期也將是您選擇的指標。

首先，我們要下載您指定 KPI 的客戶信息。 在這裡，我們直接從 Barilliance 下載了這些信息，並將其上傳到 Google 表格中。

接下來，我們要稍微清理一下工作表。

我刪除了一些我忘記關閉的不需要的列：Sessions、Last Seen、First Seen、First Ordered 和 AOV。

接下來，您將為 RFM 分數添加三列。 在頂部的“新近度”、“頻率”和“貨幣化”中為它們命名。

最後，我對數據應用了一個過濾器，以使其非常容易排序。 如果您不知道如何應用過濾器，則該過程很容易。 選擇包括標題在內的所有數據（您可以通過按住 shift+command+arrows 快速完成此操作）。

選擇所有數據後，單擊數據->過濾器。

完成後，您的工作表應如下所示。

導航到您的 Recency KPI，並按適當的順序對列表進行排序。 在我們的例子中，我們轉到“距上次購買天數”並按降序排序。

最後，根據每個客戶的位置對其進行評分。

雖然有一些方法可以做到這一點，但我發現使用四分位數最簡單、最有幫助。

將您的客戶總數除以四。 接下來，給每個四分位數一個反映該位置的分數。

第一個四分位數： 1

第二四分位數： 2

第三四分位數： 3

第四四分位數： 4

不要太擔心讓一切都“完美”。 例如，這裡有兩個客戶，他們都在過去三天內訂購過。 我只是將他們的新近度分數都分配了 1，儘管這使 5 個客戶的分數為 1，而三個客戶的分數為 2。

此時，您的工作表應該類似於下面的工作表。

頻率和貨幣化的過程非常相似。

雖然我們使用過去兩年的訂單總數作為我們的頻率 KPI，但您可以選擇許多相互競爭的指標。 其中一些包括：

如前所述，我們將使用訂單數作為我們的頻率 KPI。 重複步驟 2.b 和 2.c，期望使用頻率 KPI 作為指導指標。 評分後，您的工作表應該類似於下面的工作表。

最後，您已準備好敲出貨幣化分數。

貨幣化 KPI 包括

和以前一樣，重複步驟 2.b 和 2.c，期望使用您的獲利 KPI 作為指導指標。 評分後，您的工作表應該類似於下面的工作表。

驚人的！

至此，您已完成分析。 接下來是有趣的部分——實際使用這些新發現的洞察力來確定有利可圖的細分市場。

營銷人員有多種方式使用這種細分來幫助指導他們的營銷。 這裡有一些可供挑選的想法。

RFM 分數： 111

他們是誰：參與度最高的客戶，他們購買了最近、最常購買並產生最多收入的客戶。

營銷策略：專注於忠誠度計劃和新產品介紹。 事實證明，這些客戶有更高的支付意願，因此不要使用折扣定價來產生增量銷售。 相反，通過基於以前購買的產品推薦來關注增值優惠。

上圖，Uber 瞄準了他們的“核心”RFM 客戶群，推出了他們新的 Uber Eats 服務。

RFM 分數： X1X

他們是誰：最常從您的商店購買的客戶。

營銷策略：忠誠度計劃對這些回頭客很有效。 宣傳計劃和審查也是常見的 X1X 策略。 最後，考慮通過免費送貨或其他類似福利來獎勵這些客戶。

在這裡，Costco 通過定制信用卡補充其會員業務模式，以進一步提高重複購買率並擴大錢包份額。

RFM 分數： XX1

他們是誰：為您的商店帶來最多收入的客戶。

營銷策略：這些客戶表現出很高的支付意願。 考慮高級優惠、訂閱等級、奢侈品或增值交叉/追加銷售以增加 AOV 。 不要在折扣上浪費利潤。

RFM 分數： X13、X14

他們是誰：經常回來但不花很多錢的客戶。

營銷策略：您已經成功地建立了忠誠度。 專注於通過基於過去購買的產品推薦和與支出閾值（與您的商店 AOV 掛鉤）相關的激勵措施來增加貨幣化。

以上是 Target 在特定 RFM 細分市場上使用生命週期營銷的示例。 請注意他們如何將財務折扣與支出閾值結合起來，以推動重複購買並提高客戶盈利能力。

另一個例子來自 AirBnb。 在這裡，他們根據客戶的觀看活動發送觸發消息以提示預訂。

RFM 分數： 14X

他們是誰：您網站上的首次購買者。

營銷策略：大多數客戶永遠不會忠誠。 為首次購買者制定明確的策略（例如觸發歡迎電子郵件）將帶來好處。

星巴克在跨 RFM 細分市場轉移客戶方面表現出色。 上面，他們使用電子郵件將客戶帶入他們的忠誠度獎勵計劃。 您可以在此處查看我們關於星巴克的完整案例研究。

RFM 分數： 44X

他們是誰：有一段時間沒有購買的過去的好客戶。

營銷策略：客戶因各種原因離開。 根據您的情況，價格交易、新產品發布或其他保留策略。

Barilliance 使您不僅可以為每個 RFM 細分市場創建個性化體驗。 它還使您能夠創建多變量 ab 測試。

您可以快速查看哪些優惠最能引起特定細分市場的共鳴，發現哪些內容會帶來銷售等等。

RFM 分析（以及一般的細分）的一項重大挑戰是創建一個完整的 360 度客戶視圖。 今天的全渠道購物者與 RFM 誕生的直郵世界沒有太大區別。 RFM 仍然是一個非常強大的模型。

但它的有效性取決於您擁有的數據的質量。

這就是 Barilliance 大放異彩的地方。 它創建了跨設備、購物會話和渠道的整體客戶視圖。 您可以查看客戶與之互動的頁面、自上次購買以來的時間、訂單量、品牌參與度等。

換句話說，您可以通過一個簡單的界面創建高度詳細的片段，包括我們上面討論的所有片段。

採取行動。

RFM 是一種既定、清晰的方式，可以從您的客戶列表中獲得更多收益。

但...

如果您想將 RFM 提升到一個新的水平，您需要考慮 Barilliance 的留存率。 它以兩種基本方式改進了傳統的 RFM 分析。

首先，它將您的線上和線下購買、網絡行為和人口統計數據連接在一個地方 - 讓您可以進行更準確的細分。

其次，它可以讓您將廣告系列自動化到定義的細分市場。 它連接到 Web 個性化和個人電子郵件產品推薦，以自定義每個交互，而不是在細分級別，而是在個人級別。

在此處請求保留演示。