-
當前位置:首頁 > 創(chuàng)意學院 > 技術(shù) > 專題列表 > 正文
rfm模型Excel分析案例
大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型Excel分析案例的問題,以下是小編對此問題的歸納整理,讓我們一起來看看吧。
開始之前先推薦一個非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準,寫出的就越詳細,有微信小程序端、在線網(wǎng)頁版、PC客戶端
官網(wǎng):https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務請撥打電話175-8598-2043,或添加微信:1454722008
本文目錄:
一、RFM模型如何實際應用?
這是一個人人都可以上手的模型,不管你是運營、銷售、財務、市場等等,RFM模型是一個很通用,又有一套科學理論的商業(yè)模型。這是一篇我花了五小時的教程(真的是寫到崩潰,幸好我熬下來了,給大家分享實實在在可上手的干貨)數(shù)據(jù)源準備只需四個字段:客戶名稱、交易日期、交易次數(shù)/頻率、交易金額。如果你手頭剛好有這樣的數(shù)據(jù)源不妨試試做這個模型吧。下面三頁是介紹什么是RFM,后面是全部的實操教程,Tableau和Excel通用操作,我保證你看了能立馬上手。如何通過訂單數(shù)據(jù),分析用戶的基本屬性用戶的訂單上都有訂餐地址,通過對于訂餐地址的統(tǒng)計,我們可以查詢到不同條件組合下的用戶分布,甚至能知道喜歡謀道菜的用戶都在哪里。舉個簡單的例子,下圖表示的是普通可樂和健怡可樂的用戶分布,類似的用戶數(shù)據(jù)挖掘,還可以根據(jù)復購構(gòu)成、復購用戶跨平臺使用情況、性別組成做更精細化的分析。值得注意的是,數(shù)據(jù)平臺間的差異還是蠻大的,除了跨平臺分析也需要分平臺對比,有利于針對不同平臺做出不同的營銷策略。上面這些最基本的用戶屬性對于精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——
1.誰是我的重要價值客戶,他們都有什么特點。
2.誰是我需要重點保持聯(lián)系的客戶,他們都有什么特點。
3.誰是我的重要發(fā)展客戶,他們都有什么特點。
4.誰是我的重要挽留客戶,他們都有什么特點。想要解答這個問題,我們需要動用更高階的分析模型,去挖掘有效信息。如何通過RFM模型,為用戶分群,實現(xiàn)精細化運營RFM模型是一個被廣泛使用的客戶關(guān)系分析模型,主要以用戶行為來區(qū)分客戶,RFM分別是:R = Recency最近一次消費F = Frequency 消費頻率M = Monetary 消費金額需要詳細了解以上三個指標定義的,可以去戳度娘,教科書式的RFM區(qū)分,會將維度再細分出5份,這樣就能夠細分出5x5x5=125類用戶,再根據(jù)每類用戶精準營銷。
二、【分析方法or思維】RFM模型——用戶價值分析
RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段,模型主要是利用客戶的最近一次消費(Recency)、總體消費頻率(Fequency)以及消費全額(Monetary)3項指標來描述該客戶的價值狀況。 RFM代表近度,頻率和額度,這些指標表征了客戶的一些消費行為和習慣。頻率和額度會影響客戶的生命周期價值,新近度會影響保留率,而保留率是忠誠度的衡量標準。
RFM是一種客戶細分技術(shù),用以幫助營銷人員快速識別用戶類型及群體分類,并幫助營銷人員根據(jù)客戶細分類型的共性、個性提供一定的營銷策略。因而,RFM的最終成果是客戶的分類及分類分析。
三、【知識分享】RFM模型與顧客生命周期管理(一)
作為一名電商的產(chǎn)品經(jīng)理,負責的業(yè)務主要是CRM...唉,在這個運營無腦,公司不給錢的年代,做CRM簡直是個絕對苦勞無功勞的活。這讓典型摩羯座的顧阿姨怎么辦...
在瑣碎的日常工作之外,需要適度的額外學習與整理來充實自己。應周會分享的契機,自己找了網(wǎng)上與書上與CRM有關(guān)的材料,做出了這份“RFM模型與顧客生命周期管理”的屁屁踢~借這個平臺與大家分享。
RFM模型與顧客生命周期管理
RFM模型是顧客關(guān)系管理中最常用的一個模型,因其具有普適性,可幫助那些基礎(chǔ)CRM運營同學在不具備專業(yè)數(shù)據(jù)挖掘能力前就能運用此類方法。
內(nèi)容會圍繞四部分展開:
第一部分對RFM模型進行內(nèi)涵闡述;第二部分對RFM的運用方法進行說明;第三部分是對第二部分的承接,顧客細分后就需要對顧客放入具體的生命周期中;第四部分,闡述如何對不同生命周期的顧客進行營銷。
一.RFM模型
在進入第一部分前,我們先問問自己為何要進行客戶細分?
與團隊管理一樣,團隊成員人數(shù)只有個位數(shù)的時候,大家靠默契就能運作;當團隊成員人數(shù)到達兩位數(shù)時,需要規(guī)章制度對職場行為進行規(guī)制以確保穩(wěn)定;當團隊成員人數(shù)到達三位數(shù)時,需要企業(yè)文化與企業(yè)精神讓員工在“靈”的層面理解公司愿景。
簡短地用假大空的話說了說意義,下面我們詳細闡述RFM模型:
表給中還給出了影響指標變化的因素與指標的應用場景。這個后文會繼續(xù)詳述。
1. 最近一次消費(Recency)
最近一次消費的計算方式是以計算當日減去顧客上一次在店鋪的消費日期。計算時取付款時間更為準確。
我們可以很容易地理解到:R值越小,說明顧客下單間隔越小。如果R值為0,則可以說明該顧客天天在本店鋪下單;如果R值很大,則可認為該顧客已經(jīng)遺忘了本店鋪,就算是買東西也想不到來本店鋪買。
我們來舉個栗子:文中的柱狀圖取了某店鋪三年內(nèi)的R值分布情況。從形狀來看,呈現(xiàn)周期性且規(guī)律型的波浪型,且振幅隨著時間的延長而變小。店鋪對客戶的營銷有著穩(wěn)定的季節(jié)性,從圖表看,大概是統(tǒng)計周期的每年的第二個月,在這個月能吸引顧客下單,故R值在當月占比會特別高。
2. 消費頻率(Frequency)
消費頻率的高低是客戶對品牌忠誠度(如:旗艦店)與店鋪忠誠度的體現(xiàn)。
然而,決定消費頻率高低的一個重大因素是品類寬度。如:對手機、電腦等3C類別商品,平均購買周期可能在1年左右;而對于紙巾、零食等流百類商品,平均購買周期可能只有1周甚至更短。因此,跨品類進行F值的比較是沒有意義的。
對于大平臺而言,其涉及的售賣品類會比較豐富;而對于一般小平臺而言,一般只會涉足某一細分品類。平臺畢竟有限,故對于一般網(wǎng)店而言,會將F值用顧客的“累計購買次數(shù)”替換。
我們來舉個栗子:文中的柱狀圖統(tǒng)計了一段時間內(nèi)顧客到店消費的次數(shù)分布。新客(購買一次)占比為65.6%,老客(購買超過一次)占比為34.4%。購買超過4次以后,流失達到穩(wěn)定。故CRM運營童鞋要考慮如何對顧客進行營銷,使其在店鋪購買可達4次。
3. 消費金額(Monetary)
消費金額統(tǒng)計的是某一顧客在一段時間內(nèi)的累計消費金額。數(shù)值越大,代表顧客對店鋪的價值貢獻和消費能力越高。
由于統(tǒng)計周期較長,不利于對于應時性的分析。故:對一般店鋪而言,一般選擇客戶在店鋪的累計購買次數(shù)與客單價替代原始的M值定義。
我們來舉個栗子:文中的柱狀圖統(tǒng)計了一段時間內(nèi)某個消費區(qū)間內(nèi)的客戶數(shù)與消費金額。累計消費1000元以下的客戶占比為65%(近2/3),貢獻的店鋪收入比例占31.6%(近1/3)。在“二八法則”中,我們提到說20%的顧客貢獻店鋪80%的收入——其背后含義即說明,小部分忠誠顧客貢獻了店鋪主要的營收。圖表就是對這一法則的現(xiàn)實證明。
四、如何用excel做多元回歸分析
在日常數(shù)據(jù)分析工作當中,回歸分析是應用十分廣泛的一種數(shù)據(jù)分析方法,按照涉及自變量的多少,可分為一元回歸分析和多元回歸分析;按照自變量和因變量之間的關(guān)系類型,可分為線性回歸分析和非線性回歸分析。
回歸分析的實施步驟:
1)根據(jù)預測目標,確定自變量和因變量
2)建立回歸預測模型
3)進行相關(guān)分析
4)檢驗回歸預測模型,計算預測誤差
5)計算并確定預測值
我們接下來講解在Excel2007中如何進行回歸分析?
一、案例場景
為了研究某產(chǎn)品中兩種成分A與B之間的關(guān)系,現(xiàn)在想建立不同成分A情況下對應成分B的擬合曲線以供后期進行預測分析。測定了下列一組數(shù)據(jù):
二、操作步驟
1、先繪制散點圖:具體步驟是選中數(shù)據(jù),插入—>圖表—>散點圖
2、在散點圖的數(shù)據(jù)點上右鍵—>添加趨勢線
3、在彈出的選項框的選項中選擇公式和相關(guān)系數(shù)等,這樣就以得到擬合的直線
在圖中我們可以看到,擬合的回歸方程是 y = 0.223x + 9.121 ,R² = 0.982
附:R2相關(guān)系數(shù)取值及其意義
我們進一步使用Excel中數(shù)據(jù)分析的回歸分析提供更多的分析變量來描述這一個線性模型
4、選中數(shù)據(jù)—>數(shù)據(jù)—>數(shù)據(jù)分析—>回歸
注:本操作需要使用Excel擴展功能,如果您的Excel尚未安裝數(shù)據(jù)分析,可以參考該專題文章的第一篇《用Excel進行數(shù)據(jù)分析:數(shù)據(jù)分析工具在哪里?》。
以上就是關(guān)于rfm模型Excel分析案例相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進行咨詢,客服也會為您講解更多精彩的知識和內(nèi)容。
推薦閱讀:
血沉和aso及RF高說明什么問題(aso增高,血沉增快,c3降低)