價值? 成本? 讓RFM模型輕輕鬆鬆評估一切!(附實現程式碼)-上
在RFM模型「系列 1」- 常貴客?新客? 讓RFM模型簡簡單單解釋一切!(附實現程式碼),我們利用了R與F的交叉分析,簡簡單單推導出不同客群的行銷方案。 並在假設條件下,該商場可以利用R與F的交叉分析,在一年多賺進168萬元的淨利。
而本次我們將專注在RFM模型中的消費金額(Monetary)分析,並回答系列1的三個問題:
- 有這麼多顧客區隔,更細部來說,這些區隔都值得我注意嗎? 難道一次客真的要放棄嗎?
- 可以使用消費金額(Monetary)及成本評估顧客終生價值嗎?那該如何評估?
- 如何整合時間序列分析?難道時間序列沒有其他用途嗎?
在開始進行消費金額(Monetary)分析前,要請讀者先行了解四個概念:
- 商品毛利(Gross Margin, GM):每一件產品的毛利;簡單來說,就是「產品營收」- 「進貨的成本」。
- 顧客終身價值(Customer Lifetime Value, CLV):每一個顧客為我們貢獻的收入;簡單來說,就是對每個顧客購買的每一件商品進行「商品毛利」之加總。
- 顧客購買(取得)成本(Customer Acquisition Cost, CAC):為了要賣出商品,在每一個顧客上所花費的成本。
- 顧客獲利率(CLV/CAC Ratio):每一CAC可以為我們賺進多少的CLV。
哪些顧客區隔應該要放棄? 應該要保留?
有了上述概念後,接下來,讓我們來回答前面提到的問題:「有這麼多顧客區隔邊界,更細部來說,這些區隔都值得我注意嗎? 難道一次客真的要放棄嗎?可以使用消費金額(Monetary)及成本評估顧客終生價值嗎?那該如何評估?」
資料:
我們一樣透過上一篇文章的賣場資料,接著本篇在加入每個顧客的CAC(CAC資料下載)與CLV資料(直接以程式碼透過商品毛利計算)。
首先來看一下上一篇R與F交叉分析的資料格式(圖1):

那我們再將CLV與CAC的資料加入考量,其中我們假定三樣商品的商品毛利:
- 瓶裝水 = 10
- 牛奶麵包 = 50
- 高麗菜 = 10
最終生成下述每個顧客CAC與CLV的資料(圖2)。


最後結合CLV與CAC的資料表就產生出來了!也就是在這張資料表中,除了可以進行R與F的交叉分析外,我們亦可開始進行「消費金額(Monetary)」的分析啦!


消費金額(Monetary)模型分析:


圖片X軸為CLV與CAC之比較,而Y軸對CLV來說則為營收金額的概念,對CAC來說則為成本的概念。藍色X軸則為R,藍色Y軸則為F。除此之外,我們還將「長條圖」的粗細以購買人數多寡表示之,越粗,代表越多人在此區隔購買,越細,則代表越少人在該區域購買。
有了顧客終生價值(CLV)與成本(CAC)的比較圖,讀者可以想想,如果你是行銷資料科學家或專業經理人,有了Monetary相關的資料,接著可能會做些甚麼?
首先,我們發現:
- 常貴客確實為最賺錢的區隔
- 新顧客隨著購買頻率的增加,CLV有逐漸上漲的趨勢
- 先前客部份則非常有趣,在31–55天內,消費達5次以上的顧客,人數多,且金額甚至高過16–22天內,消費達5次以上的顧客
- 一次客則發現成本花費高,且顧客消費效益不高…,但是人數似乎又是最多的區隔…
那… 所以哪些區隔要放棄?哪些要保留?
敬請期待明天下集,精彩內容別錯過!
【價值? 成本? 讓RFM模型輕輕鬆鬆評估一切!(附實現程式碼)-下】
作者:鍾皓軒(臺灣行銷研究有限公司共同創辦人)
附錄:
更多實戰案例及情境好文推薦
透過機器學習預測「電信業」顧客流失率 - 基礎概況分析(附Python程式碼)
透過機器學習預測「電信業」顧客流失率 - 基礎概況分析(附Python程式碼) 情境 相信各位讀者還記得2018年5月,某電信推出行動網路吃
購物籃分析 - Python實戰:如何找出商品搭配的總體策略?(附Python程式碼)
當STP「行銷策略」遇到資料科學 - 【資料蒐集】PTT貼文抓取模組教學 接續系列3的文章,我們知曉了基本的Python爬蟲方法,並且深度
Google Map Review 動態爬蟲:如何解決評論動態加載的問題以及在不同視窗間跳轉、滑動(附Python程式碼)
Google Map Review 動態爬蟲:如何解決評論動態加載的問題以及在不同視窗間跳轉、滑動(附Python程式碼) 歡迎回到 Goo