登录
首页精彩阅读客户细分:如何找到最有价值的TA?
客户细分:如何找到最有价值的TA?
2016-08-08
收藏



关于客户分类的内容早就想写却不知道怎么动笔,因为客户分类没有统一方法和规则,行业之间分类的方法、角度完全不同,今天可能犯神经病了,突然想清楚该怎么写啦~~


上一篇文章介绍了用定位理论打造公众号(http://t.cn/RtS7OPY),其中简单说明了定位理论的核心——打入客户的心智,客户有千千万万,要打入顾客的心智,不能所有的顾客都用同一种方法吧?

以下是我所理解的客户分类方法框架


业务角度

不同行业之间没有固定的标准和规则,并且都要和业务高度相关,同一种方法在不同的业务情景要进行相应的调整,RFM模型和2X2矩阵是最好用也最容易复制的方法。

数据角度

有分类方法和聚类方法两种。


那区别可大了去了!

举个栗子,新学期分班,一大坨陌生的尼玛们坐在教室里,老师进来后说:“女生坐在第一排,男生坐在第二排,人妖坐在第三排”,人为的通过某种方式或角度,这就叫分类方法,具体有决策树神经网络等。

尼玛们过了几天,互相熟悉之后自发的分为了很多小群体,比如李雷、韩梅梅、吉姆格林他们三个就喜欢天天腻在一起玩,因为他们的性格、爱好都比较相近。没有人为给定规则、完全由数据本身属性自发的分类,这就叫聚类方法,具体有层次分析、K均值等。

等真正开始动笔,才发现把一个方法真正说清楚都要很大的篇幅,公众号图文太长的话,你们没看完就关掉了....我也不容易啊....所以....

第1季讲2X2矩阵(容易理解和应用)

第2季讲RFM模型及改进(需要一点智商)

第3季讲分类和聚类(需要两斤智商)



第一季

东半球第二好用的分类模型 ,没有之一

为什么说2X2矩阵是东半球第二好用的分类模型?原因是简单直观、易于理解和解释、操作简便、适用范围广,但效力强大、几乎可以做任何事情(没有夸张)。



平时或多或少都听过,思路和用法各位大爷们都清楚,主要在于使用2X2矩阵的意识,它可以让你遇见问题时脑子变得非常清晰,而且能做的事情远远超过你的想象,能做的事情远远超过你的想象,能做的事情远远超过你的想象。下面是一大波栗子。

栗子1:客户价值分类

用数据分别对两个维度分类,可以使用分位数或者固定数据范围


第1象限:高价值客户,注重维护关系

第2象限:重点客户,为什么合作次数少?跟竞争对手合作多吗?怎么提升合作频率?

第3象限:为什么客单价低?是客户业务性质导致还是?怎么提升客单价?

第4象限:没空搭理...自生自灭吧...

栗子2:时间管理已经见的太多了


栗子3:员工的分类



第1象限,能力强又忠诚,重点培养对象,优先考虑升职加薪,多给培训机会,培养成左右手

第2象限,能力弱但忠诚,企业中更多的是平凡的事情,需要平凡的人去做,要多给培训机会,提升能力和素质,小幅度加薪

第3象限,能力强但不忠诚,又爱又恨啊,了解忠诚度低的原因,待遇?环境?

第4象限,能力弱还不忠诚,让他滚粗

栗子4:波士顿矩阵(产品规划)



第1象限,明星产品,加大投入支持发展,适合的管理者应为对产品和销售都很内行的专家

第3象限,现金牛产品,处于成熟期,压缩投入、榨取产出,为其他产品发展提供资金,但要在维持市场地位的基础上,其管理者最好为市场营销型人物。

第2象限,问题产品,前景好但由于各种原因未打开市场(新产品),适合交给有规划能力,敢冒风险的人才。

第4象限,瘦狗产品,淘汰或合并

栗子5:女神挑汉子



第1象限,俗称高富帅

第2象限,俗称钻石王老五

第3象限,俗称小白脸

第4现象,俗称屌丝

2X2矩阵的原理和方法都很简单,不只有客户分类,它绝大多数需要多维度考虑的事情上都适用,只要找到两个维度画出象限,你就可以看的更清、做到更多。



第二季

RFM模型在客户分类方面要比2X2矩阵细致的多。。。数据时代总得懂点数据,不然怎么装逼呢。

客户细分是用于比较的,比较是为了反映差异进而做出调整优化,所以细分的目的最终还是指导运营决策。

上一回书说到2X2矩阵,简便易行且适用范围非常广,但同时2X2矩阵的分类也有缺点,分类的维度只有2个,当业务指标大于2个时无能为力,总体而言2X2矩阵不失为一种快速有效的分类方法。

今天要介绍的RFM模型在客户分类方法中的地位举足轻重,是衡量客户价值和客户创利能力的重要工具和手段,本篇文章会详细讲解RFM模型及改进方法,主要内容包括RFM介绍和AHP层次分析法,各位看官您请看。

还记得2X2矩阵的第一个栗子么?



在矩阵基础上再增加一个维度R(Recently,意为最近一次消费时间),这就是我们今天要讲的RFM模型,上图给你看。


其中R近度(Recency) 代表最近购买时间,指上次购买至现在的时间间隔; F 频度(Frequency)代表购买频率,指的是某一期间内购买的次数;M额度(Monetary) 代表总购买金额,指的是某一期间内购买商品的金额。

美国数据库营销研究所Arthur Hughe研究表明

R值越小,越可能再次购买
F值越大,越可能再次购买
M值越大,越可能再次购买

每个维度分为5个梯度,这就有5*5*5=125种客户类型,看图。



这就是典型的RFM模型,很简单吧,嘿嘿嘿

什么什么?你以为这就是全部?做梦!!典型的RFM有很多缺点,根本不能直接照搬使用!

创造RFM模型的Arthur Hughe认为三个指标的权重是一致的,但Stone Bob经过实证验证权重不一致,实际上由于业务的不同,各个行业之间的权重都是不一样的

典型的RFM把客户分为125类,尼玛啊,这么多类型在营销实战中根本做不到差异化的运营策略好嘛!!

典型的RFM只有分类,但却不知道各个类别之间的客户到底哪个更有忠诚度和价值



接下来用层次分析法确定权重

先请一大坨业务砖家来坐着



然后让他们填表,唉,有点枯燥,估计今天这篇文章发出去得掉粉啊...伤心...




填表的规则是这样,拿每一行两两对比每一列,如果砖家判断行比列的重要性由右上图,就填相应的数字,反过来就填相应数字的倒数,什么意思呢举个栗子

砖家认为F值比M值重要,在3行4列填5,那么4行3列填1/5

砖家认为M值比R值重要的多,在4行2列填7,那么2行4列填1/7

以此类推

砖家填完之后,我们就拿到了一份数据表格,命名为矩阵A



你以为这就完了?耐心点看完,上班了好装X

接下来就数据进行归一化处理,先对每一列求和,然后算出每一列各个元素的占比,得到矩阵B



再对每一行求和,就得到特征向量W



再对特征向量归一化处理,每个元素除以列之和(就是除以3嘛),就得到了各指标的权重!



真不好意思...还没完...耐心...

权重是不是对的呢?鬼知道砖家填表有没有逻辑错误,比如A>B,B>C,那么A肯定>C啊,但是砖家填C>A,很明显不符合逻辑,所以要做一致性验证

计算矩阵最大特征

用矩阵A乘以权重列W%,得到一个列向量,然后用列向量中每一个元素除以矩阵阶数和相对应的权重乘积,公式如下



结果为



计算一致性指标C.I,n为矩阵阶数



C.I=(3.00182-3)/(3-1)=0.00062

计算随机一致性比率



R.I.是固定的,根据矩阵阶数查表为0.52



随机一致性比率C.R.=0.00062/0.52=0.001186<0.1,注意只有当随机一致性比率小于0.1时,才说明砖家填的表是没有逻辑错误...,

那么我们就可以确定,R\F\M指标的权重是



我知道你们都要晕了,说实话我也晕的不行...

第三季

重点介绍下数据挖掘中的聚类,完成客户分类的最后一步,并且对各个类别的客户进行忠诚度和价值评分,这才是我们的最终目的。也是最重要的部分,之前的内容都在为本季做铺垫,终于到出最终结果的时候,有一种蛋蛋的忧伤...

找到最有价值的TA(一)

介绍2X2矩阵的各种常见或不常见用法,几乎能做任何事情

找到最有价值的TA(二)

客户价值分类中使用最广泛的RFM模型和改进、以及层次分析法确定权重

找到最有价值的TA(三)

用聚类(K-means)方法完成客户分类并评估各类客户价值



聚类到底是什么鬼

从数据层面划分的方法有两种:分类和聚类

举个栗子,新学期分班,一大坨陌生的尼玛们坐在教室里,老师进来后说:“女生坐在第一排,男生坐在第二排,人妖坐在第三排”,人为的通过某种方式划分,这就叫分类方法,具体有决策树神经网络

尼玛们过了几天,互相熟悉之后自发的分为很多小群体,比如李雷、韩梅梅、吉姆格林他们三个就喜欢天天腻在一起玩,因为他们的性格、爱好都比较相近。没有人为给定规则、完全由数据本身自发的分类,这就叫聚类方法,具体方法有层次聚类、K-means等

我们今天要做的,就是使用K-means聚类方法完成最终的客户分类,各位大爷您请往下看

帮隔壁老王做客户分类

隔壁老王有一家淘宝小店,一天他来找你帮忙



为了老王的家庭和谐,勉为其难的答应吧...

我们先来研究下老王的销售数据,分为5个字段,正好满足RFM模型的数据要求(R-最近一次购买时间,F-购买次数,M-购买金额)



先处理老王的基础销售数据,使其符合RFM模型的数据格式,变成下面这样



接着对数据加权和标准化。

K-means聚类

K-means的聚类思想非常简单

首先确定聚成n类

随机指定n个初始点,计算所有点到这n个点的距离,距离最近的归为一类

计算每一类的平均坐标,以此为新的初始点,循环以上过程直至中心点位置不再变化为止

看下面动态图图,很直观的展示聚类的过程



图片来源 www.digital-geography.com

现在回到老王的数据上,我们首先确定聚类的数量,通过每类顾客RFM平均值和总RFM平均值相比较,而单个指标比较只有两种情况:>=平均值或者<平均值,这样就有2*2*2=8种类别。

操作上用SAS或SPSS一分钟搞定~~

聚类分析结果


通过RFM聚类,我们把客户分为了重要保持、一般保持、一般发展、无价值四类,终于可以打发隔壁老王这个王八蛋,但是他又有意见了。



老王说的是个问题,所以我们要做顾客价值评分,聚类前做了数据标准化和加权,所以每类顾客的价值评分只需要把RFM三个指标的均值相加就可以啦~~~



对每一类做价值评分可以量化各类客户的价值差别,弥补客户分类的不足,由于受到成本制约,老王只能将资源集中在更高价值的客户身上,有助于制定更为可行的决策。



公众号内回复51,下载隔壁老王的销售记录来练手,一共26000+条记录,够你玩啦~~

后记 | RFM的缺陷

在实际的业务情景中,传统RFM分类方法有很多的缺陷,例如分类较多、R权重太大、F和M强相关等等,以上的方法在改善了一些问题,但仍有不严谨的地方,例如F指标较大的客户,M指标有很大程度也偏大;R指标较早时有可能是由于客户本身业务性质的原因,并不代表价值小,此种分类方法可改进的地方仍然很多。


顺便透漏一下这么腻害的麻大湿也是我们CDA学员哦,想参加CDA课程,欢迎微信扫码,直达店铺!

 

 (CDA微店二维码)                  (CDA数据分析师服务号)

数据分析咨询请扫描二维码

客服在线
立即咨询