样例联邦快递客户资料RFM分析案例

联邦快递客户资料RFM分析

在做一些行销咨询项目中，我发现普遍的一个问题就是面对已经积累的客户，企业不知道如何下手。特别是在老客户的资料方面。用我们的行话：老客户的资料是最有价值的“第六媒”。这对于企业来说，不会合理利用这些已经存在的资源的确会造成很大的浪费。况且这几个企业都是和互联网有关，而网络是最好的数字化媒介，可以跟踪，计算客户的各种指标。

而在此方面，很多跨国企业无疑走在了前面，最简单的方法就是RFM方法(下附RFM的说明)，即最近一次购买的时间，购买的频率，以及购买金额，下面以联邦快递的做法做个说明。

首先联邦快递利用RFM的变化来评断客户的贡献额，计分的方法是：

将单一客户过去三个月内消费金额乘上两倍，再加上过去3至6个月间该客户的消费金额，接下来联邦快递利用DataMining 中的Cluster分析，将所有客户分为七大族群，每个族群再依贡献额细分为十等分，这七大族群分别是：

˙贡献额最高的10%稳定客群 ˙过去六个月流失的中贡献额客群 ˙低贡献额的季节性客群 ˙高贡献额的成长客群 ˙中贡献额的稳定客群

˙低贡献额且在过去六个月内的流失客群 ˙低贡献额但刚回复交易的客群

联邦快递观察在过去的两年内，客户如何在七个族群中移动，以及客户如何在十等分内上下移动，一旦有任何的行为模式被分析出来，联邦快递便针对每一个族群发展一套客户策略。举例来说：最顶尖的10%稳定客群，是最佳而且是最有价值的客户，联邦快递的策略就是想尽办法留住他们，对他们提供最好的服务，以避免这群客户的流失。

高贡献额的成长客群是指消费金额成长超过15倍的客户们，联邦快递投入行销预算找出导致他们成长的原因，以协助其它客户提高贡献额。

过去六个月流失的中贡献额客群，是指在过去六个月贡献额降低90%的客户，这群转身而去的客户，让联邦快递损失许多应得的利润，因此必须找出什么地方出错？联邦快递透过电话行销与客户沟通来调查原因，以挽回客户的心。

找出季节性的低贡献额客群是非常有用的，因为这些客户只在一年的某些季节交易，花费行销预算去刺激他们在其他时期交易将是十足的浪费。

我们在数据库分析的同时，也可以参考联邦快递的作法，将客户分为不同特性的族群，并且针对族群特性，制订相对应的行销策略，这样分析数据库才能对企业产生更多实在的效益。