常貴客?新客? 讓RFM模型簡簡單單做到顧客產品推薦!(附Python程式碼)
在行銷資料科學裡,有一項好用的工具可協助企業找出 R 「新客(近期曾來消費的顧客)、 F 「常客(常常來消費的顧客)」與 M 「貴客(消費金額大的人)」,結合 RFM 就統稱為「RFM 模型」。
以下是 RFM 模型的簡單概念:
1.最近一次消費(Recency):
指消費者上次購買產品與至今再次購買的時間差。舉 例來說,將「購買日期分為五等分」,每一等分為資料庫的 20% :
- 最近消費的前 20 %,編碼為 5
- 20 % ~ 40 % 編碼為 4,以此類推
- 到 80 % ~ 100 % 編碼為 1
也就是編碼等級越高的消費者,其最近消費的時間越短。
2. 消費頻率(Frequency):
指消費者在一定期間內購買該產品的次數。舉例來說:
- 次數最多的前 20 %,編碼為 5
- 20 %~40 %編碼為 4,以此類推
- 80 %~100 %編碼為 1
編碼等級越高的消費者,其消費頻率越高,忠誠度與顧客價值也越高。
3. 消費金額(Monetary):
指消費者在一定期間內購買該產品的總金額。
- 金額最大的前 20 %,編碼為 5
- 20 % ~ 40 % 編碼為 4,以此類推
- 80 % ~ 100 % 編碼為 1。
編碼等級越高的消費者,其消費金額越高,顧客價值也越高。
利用以上的編碼方式,我們可以將顧客,依(R,F,M)的分數,共分成 125 群,亦即從最低的(1,1,1)(3分)到最高的(5,5,5)(15分)。
RFM 模型能協助企業區分顧客,並預測每種顧客類型的消費者行為。當企業對顧客進行分群後,再進一步從公司的顧客資料庫中,分析各群顧客背後的消費者行為,進而發展預測模式。讓公司的顧客關係管理(CRM)系統在應用上,能夠提升到策略性的層級。
RFM 模型實戰
接下來的範例,我們使用 Python 語言(程式碼如文末之QR code),展示如何使用RFM模型在「最近一次消費(Recency)」及「消費頻率(Frequency)」的分析應用。會使用R與F的主要原因,是因為「最近一次消費(R)」的期間,關乎消費者的存留狀況,以及「消費頻率(F)」影響顧客的顧客生命週期。所以我們依照R與F將顧客分類成不同客群,並觀察其與產品、銷售之間的關係,以達到下列目的:
- 了解目前銷售狀況。
- 有效運用行銷預算,在對的產品上花對的錢。
- 對不同的客群給予不同的優惠。
- 培養每一位顧客成為忠實(常貴)客戶。
資料
以下是某一賣場的匿名資料,並挑選出其中三件商品,切入 R 及 F 的模型分析。本次資料共 4,384 筆資料,可在我們提供的檔案連結下載數據。而該賣場的內部資料有以下欄位:
- 產品(product):本資料集含咖啡(coffee)、燕麥麵包(oatmeal bread)與瓶裝水(bottled water)共三種產品為例。產品部份礙於賣場揭露之限制,所以僅擷取產品大分類。
- 交易代號(orderId):每一筆交易的代號
- 顧客編號(clientId):每一位顧客的專屬編號
- 性別(gender):分為男(male)與女(female)
- 交易日期(orderdate)為顧客購買產品時的時間
部分原始資料的具體模樣如圖1所示:
再來我們會將原始資料轉換成 R 與 F 模型可分析的形式,如圖 2 所示。
接著,在進行 R 與 F 分析之前,我們應該思考幾個問題:要從資料中擷取何種價值?到底該如何透過這些資料,讓資源分配更有利?針對不同產品,顧客有何偏好?不同的顧客,到底應該多銷售哪種產品?
這些問題都可以透過R及F的模式來做簡單的分析,那到底 R 及 F 本身的性質是什麼?
其實,說穿了,就是我們在基礎敘述性統計中時常看到的「交叉分析」。
R與F模型分析
首先,我們先設定一個期間作為RFM模型的分析基期,在此舉例為 2018/1 到 2018/4/11。通常期間的會以不同產業的淡旺季或特點銷售期間切分,而最後的切分點(在此是2018/4/11)通常為我們要向主管匯報的時間點。
有了基期時間點,我們再將資料個別做R與F對於顧客數量的分析,如圖 3 與圖 4 所示。
(可從https://bit.ly/rfm-basic-recency中查看互動網頁)
(可從https://bit.ly/rfm-basic-freq中查看互動網頁)
從圖3可以初步發現本賣場最近一次的消費天數與顧客數量呈現右偏分佈,代表大多數消費者普遍在短天數內消費;同樣的,圖 4 也是呈現右偏分佈,意味大多數消費者普遍的消費頻率較低。由圖 3 與圖 4 其實已經可以初步評判該賣場在咖啡、燕麥麵包與瓶裝水共三種產品的銷售在一段的時間點上的基礎狀況。總體來看,雖然消費者普遍消費天數短,但是消費頻率似乎不高,這時候我們就要開始更深入探討不同顧客在R與F上的分群狀況,才有辦法依據不同區隔,細部推薦各區隔所要的需求。
要了解區隔狀況前,首先要開始定義每個群體的邊界。尋找邊界的方式雖然有不同的方式,依據我們的經驗,可以採用下述2種方式來定義:
1. 可以利用上述 R 與 F 的圖形結合業務的知識,定義不同的級距。
2. 使用分群演算法,協助切分 R 與 F 的圖形,試圖找出最適合的級距
本次我們的邊界根據階層式分群演算法(hierarchical clustering)來判斷每一間隔的級距定義,並以1–6編碼來進行分群(cluster)。我們即可將圖 3 與圖4 分群成圖 5 與圖 6 ,圖中每一種顏色代表被分到的區隔,舉例而言,我們從圖 6 可發現消費頻率 2 至 4 的顧客被分為一群,代表其在消費頻率對應的顧客數量非常相近,所以被視為一群,其他的部分也同樣的可以讓讀者以此類推。
(可從https://bit.ly/rfm-basic-recency-cluster中查看互動網頁)
(可從https://bit.ly/rfm-basic-freq-cluster中查看互動網頁)
於是我們即可開始依照圖 5 與圖 6 決定邊界:
- 最近一天的消費(近因)分布邊界:0–17, 18–27, 28–40, 41–56, 57–68, >69
- 消費頻率分布邊界:1, 2–4, 5, 6, 7, >8
於是我們就可以立即製作出 R 與 F 的「交叉分析」,如圖 7 所示:
上述釋例,經過圖形化的方式呈現,可更有效提升判斷力,如圖 8 所示:
圖8中X軸為距離最近一次消費天數(R),而Y軸為購買頻率(F),表格內方塊的數字則表示顧客人數,人數越多方塊內的顏色堆疊越多,並且顏色將顧客區隔分成四大類:
- 藍色區塊:常貴客;在短時間內頻頻來光顧,他們是最重要的顧客,它們在短時間內已經來訪許多次了,也是忠實老顧客,是公司主要的客源。
- 紅色區塊:新顧客;來訪的頻率不是特別高,也許是第一次來或者只是一次性消費的客人,但其中還是有潛力成為常貴客,所以行銷策略應以「產品導向」將他們導入常貴客群為主。
- 紫色區塊:先前客/量販客;他們對於一般的公司來說,是長時間內,營收最大的來源,公司必須要持續吸引他們,讓他們能於「更短時間內」再次來訪,重新產生購買,否則有可能會漸漸流失。
- 綠色區塊:流失客/一次性消費客人;如果這個區塊比例偏多,代表來過的客人要來第二次的機會較低,對賣場的助益不大。
【相信各位閱讀至此,已經有了顧客區分的概念,接下來便可以針對不同的客群使用不同的價格和優惠行銷手法,以達到最終促銷目的。至於分隔區塊內,能不能再依照不同人口變數或產品區分呢?
當然可以! 接下來就讓我們「交叉再交叉」,進行子區隔分析(Sub-segments analysis),如圖 9 所示:
我們先以性別(gender)來做區隔,紅色區塊是女性,藍色區塊是男性,如果我們只看最重要的常貴客分群,由R與M分析圖(性別分類)可以看出購買頻率在 18–27 天內平均大於 1 次的,以男性居多,但剛好等於 5 次的,則皆是女性。
這時候讀者一定會問一個問題:「So what? 那接下來我該怎做?能更吸引這群人來購買?」這時候,我們就要再從性別切出更細更產品類別,如圖 10 所示:
接著我們舉圖 9 及圖 10 的「量販客」4 區塊特別擷取下來比較,如圖 11 所示:
此時,要推薦何種商品便一目了然!讀者可以想想,如果你是行銷資料科學家或專業經理人,有了這些資料,應該如何分配這一家店的資源呢?
首先,我們先從圖 11 的性別分類圖來看:
57–68 天內且具有 2–4 次購買頻率的多為女生,男生次之
- 男生喜好購買產品的優先順序為「瓶裝水、燕麥麵包」。
- 女生優先順序則為「瓶裝水、咖啡」。
57–68 天且具有 1 次購買頻率的多為女生,男生次之
- 男生喜好購買產品的優先順序為「瓶裝水、咖啡與燕麥麵包」。
- 女生優先順序則為「瓶裝水、燕麥麵包與咖啡」。
讀者可以此邏輯類推其他區隔的需求,了解 R 與 F 分析技術易懂的商務應用,除此之外,我們推薦商品時,不一定一成不變的推出該區隔適合的商品,反而可以從此商品的根基出發,試圖對此商品進行再創新,吸引更多消費者的目光,舉例來說,若 57–68 天且具有 2–4 次購買頻率的女生喜好「瓶裝水、咖啡」,我們則可推薦不同新品的瓶裝水或者咖啡買二送一等行銷方案。
知道了各個顧客區隔可如何為總體的行銷方案擬定策略後,那個體顧客呢?再讓我們更進一步深入探索RFM模型,分析產出「商品個別推薦」,讓我們可以細緻到每一位顧客(clientId)的商品推薦參考(recommend_product),如此我們也可以針對個別顧客進行既有商品的細部推薦,讓各位讀者總體與個體的推薦方案都可以得到滿足,發揮RFM模型的強大效益,如圖 12 所示。
由此可見 R 與 F 分析技術可以有效率地將數據結合,並可在子區隔,展開無限的變化組合,即刻就可以理解不同族群的客戶所要的基本需求,只要有顧客相關的資料,例如:職業、住址、甚至興趣習慣等…,再配合上賣場業務方面知識分析,便可製作出有指標性的視覺化資料,並且調整銷售策略。這就是R與F模型的厲害之處。
然而,RFM 模型非常適合持續性購買的消費性民生用品,並以此為基礎持續優化行銷方案,但若要得知對不同區隔對推薦異質產品可能造成的效益,則我們就會使用到預測性分析技術,以得知不同可能的效果,這點要請讀者特別注意的。
本文程式碼:
作者:鍾皓軒(臺灣行銷研究有限公司 創辦人)
更多實戰案例及情境好文推薦
如何在大數據中找出「關鍵少數」,贏得最大獲利?(附Python程式碼與業界實際案例)
如何在大數據中找出「關鍵少數」,贏得最大獲利? (附Python程式碼與業界實際案例) 試想一下,當我們面對數以萬計的產品時,我們該如何有效
玩轉 Notion AI 一鍵搞定職場兩大常見情境!- Notion AI 基礎操作
玩轉 Notion AI 一鍵搞定職場兩大常見情境!- Notion AI 基礎操作 在當今職場環境中,每個人都渴望能夠高效率地管
Gamma 其他實用功能(目錄、動畫、共編)
Gamma 其他實用功能(目錄、動畫、共編) 一、導言 在前述的單元,筆者介紹完Gamma的各大功能,如何幫助我們解決素材搜尋、物件對齊、整