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。
因篇幅问题不能全部显示,请点此查看更多更全内容