数据库营销RFM模型在电子商务中的应用

　　RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M  (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，实现数据库营销！

著名猎头机构推荐金领职位 企业 职位 经理人 专访 社区 会员 军工仪器研发制造--电子工程师/项目经理 30-50万 北京 电网侧储能初创公司-全钒液流储能-收购德国技术团队--CEO 150-200万 北京 深圳 央企背景-全钒液流电池电堆设计高级工程师（全钒液流储能） 40-70万 河北 深圳 新药/仿制药-研发系统-制剂部负责人CSO 60-70万 北京 成都 江苏 光电通信芯片-INP光芯片设计资深专家 80-150万 深圳 青岛 语音操作系统产品经理（人工智能） 40-70万 北京 天津 香港AI机器人-研发项目经理-图像处理/计算机视觉/机器学习算法 60-100万 香港 海外 中国著名航空材料公司-冶金(金相)专家 150-300万 北京 西安

　　怎样衡量电商存量用户的价值？是消费金额？购买次数？还是上一次购买时间？通过什么框架进行用户细分对营销活动提升用户的响应率最有效？

　　1、 客户管理的前提

　　关于做客户管理，行业中有这么一个论调，就是其前提是客户基数足够大，在客户基数小的时候，客户管理工作不具规模优势，效益成本比率低。对于这一论调，个人是不太赞同的，恰恰相反，小卖家正因为其营销投入上的约束，在流量争夺上不具有优势的情况下更应该做好成交客户的维护工作，尽自己最大力量让每一个潜在客户成交并成为忠诚客户。

   所以，流量和客户基数不应该成为客户管理工作开展的前提，真正的前提在行业中也有人论述过，就是“人、店、货”，对这一说法个人是比较赞同的。

　　人主要指的是客服（对于京东、凡客等有自建物流的电商，快递员也构成这个人的内容），客服的服务质量和感情传达是与客户建立情感纽带的基础，很难想象一个糟糕的咨询体验能为商家带来成交并让买家成为忠诚客户。

    店，传达的是商家整体的商品和服务的特点和定位，客户通过商家的店铺来做其需求满足程度的判断，这个需求，不仅是物质层面的，也包含精神层面的价值满足。

    货，则主要就是指商品的质量和性价比，性价比之中的“价”，不单指价格，而可以延伸到“价值”，货是最根本的价值，因为它构成了客户交易的基础，一个质量差的东西，一个价值明显不及价格的商品，很难想象会形成一次满意的购物体验。

　　人、店、货是客户管理的前提，也是广义意义上客户管理第一步就要做的工作，这是第一个看法。

　　2、 什么是“会员”？

　　对于这个概念，一般的理解是“老客户”，也可以理解为“在店铺成交多次贡献了较多销售额的人”，这些理解，更多的是从商家这个主体角度去展开的，那么从客户角度，又应该如何理解会员？“我是你的会员，那你应该给我……”,冒号所代表的是会员的各种诉求，这些诉求是区别于非会员的诉求的，用一个词来概括这些诉求，就是”特权“。

    所以，本文理解会员更倾向于用”拥有特权的买家“来描述。在这样理解的基础上，我们的会员管理就可以简化为商家可为客户创造提供哪些特权以及客户获取不同特权的条件是什么（如下表），商家所需做的就是如何表中的特权和条件分别组合优化形成自己的会员体系然后再予以实行。

　　从上表可以看出，商家对于特权的理解可以是物质层面和精神层面两者需求的综合考虑，大家可以基于马斯洛需求原理去做更多的展开去创造出更为丰富的特权体系，而不应该将自己对于会员维护的理解仅局限于商品的打折方面。

　　1、  客户流失比例图

　　这个思路是围绕着整个交易流程中各环节的客户流失原因和比例展开的，如下图：

　　对于上面这个图，关于浏览的数据是可以通过流量工具来获取的，而后面的数据，基本上都可以通过ERP系统来获取。商家在这个分析过程中，除了需了解各种情况的客户流失比例动态变化外，还需深入去了解每一次客户流失的具体原因，比如关于“拒签“，有物流损坏、有物流错误、有货品发少发错等等原因。

    通过这个图中的客户流失比例的了解，选择重点突破口去做工作的改进。这个图也包含了另一个含义，即客户管理的工作是从客户开始浏览你的店铺开始的，把CRM中的C代表的consumer调整为customer，这样理解，或许可以更系统地把握客户管理的工作范围。

　　2、 RFM模型的应用

　　RFM模型在客户管理方面是个比较常用的模型了，但在电商圈似乎还比较少应用。对于RFM模型的介绍，大家可以百度下，它本质上是一个客户群细分工具，其细分的基础是客户的交易行为。经常听到一些商家说自己的系统中已经有几万几十万的客户档案，但如果对这些包含交易行为数据的客户档案的管理如果和花钱买来的客户档案采用同样的营销管理方式，那就未免太过可惜了，不仅浪费了营销经费，也在营销效果方面因为没有针对性而效果欠佳。

    在客户管理中怎样利用好RFM模型？首先牵涉的是R、F、M层级的划分，对于此划分，我的理解是一般不要超过3级，并且根据不同商家的经营特征来做区分，以一个例子来做说明：

　　R——7天（R3），8~30天(R2)，31天以上(R1)，考察的是客户购买的沉默期；

　　F——1次(F1)，2~3次(F2)，3次以上(F3)，个人倾向于把3次作为客户是否发展为忠诚客户的一个参考标准；

　　M——100(M1),101~1000(M2),1000(M3)以上，这个就需要根据商家的商品平均定价和平均客单价来做划分，其重点在于考察客户的购买能力。

　　通过上面的划分，我们就可以将客户群细分为(R1F1M1)、(R1F1M2)、(R1F1M3)等27个部分了。当然，这里面商家也可以结合自身特点去调整R、F、M各项内容的划分，比如可以划分为2、3、2级别，然后RFM对应的就是12个区间了。

　　做好划分后，除了可以通过RFM模型中各区间客户数量比例的动态变化来考察自己客户管理工作的效果外，还可以将自己的会员体系的搭建和营销活动与RFM模型中每一个区间的客户做对应，比如同样做一次DM宣传，对不同区间的客户的DM内容能否做区分，比如做会员特权设计，对不同区间的客户设计什么特权更能满足其需求。