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：

1. 了解目前銷售狀況。
2. 有效運用行銷預算，在對的產品上花對的錢。
3. 對不同的客群給予不同的優惠。
4. 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：

1. 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。
2. 交易代號（orderId）:每一筆交易的代號
3. 顧客編號（clientId）：每一位顧客的專屬編號
4. 性別（gender）：分為男（male）與女（female）
5. 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。

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。

於是我們即可開始依照圖 5 與圖 6 決定邊界：

1. 最近一天的消費（近因）分布邊界：0–17, 18–27, 28–40, 41–56, 57–68, >69
2. 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：

1. 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。
2. 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。
3. 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。
4. 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

1. 男生喜好購買產品的優先順序為「瓶裝水、燕麥麵包」。
2. 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

1. 男生喜好購買產品的優先順序為「瓶裝水、咖啡與燕麥麵包」。
2. 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）