RFM 分析：了解有关您的客户和 RFM 细分的更多信息

在本文中，我们将了解基于客户群（或细分市场）行为的 RFM（新近度、频率、货币价值）分析。 这种分析方法使您可以研究用户的行为以及他们如何付款。 因此，您将获得有关直接营销的宝贵见解。

RFM 分析允许您按购买的频率和价值对客户进行细分，并确定那些花费最多的客户。

• 新近度——顾客从你这里买东西有多久了
• 频率——客户向您购买的频率
• 货币价值——客户购买的总价值

根据这些指标，可以将您的客户分成几组，以了解哪些客户经常买很多东西，哪些客户买的很少但很频繁，哪些客户很长时间没有买任何东西。

通常，只有一小部分客户会响应一般促销优惠。 RFM 是一种出色的细分方法，可用于预测客户响应、改善交互和增加利润。 RFM 使用客户行为数据来确定如何与每个客户组合作。

RFM 分析的本质是根据客户最近一次购买的时间、购买频率以及订单的平均值将客户分组。 对于这些指标中的每一个，我们将客户分配到三个组中的一个，这些组分配了一个从 1 到 3 的数字。

近期：

• 1 – 长期客户。
• 2 – 相对较新的客户。
• 3 – 最近的客户。

频率：

• 1 – 很少购买（单笔订单）。
• 2 – 不经常购买。
• 3 – 经常购买。

货币价值

• 1 – 购买价值低。
• 2 – 购买的平均价值。
• 3 – 高价值的购买。

客户通过连接他们的新近度、频率和货币价值的数字来分配 RFM 值。 例如，客户 111 很久以前下过一笔金额较低的订单。 另一方面，客户 333 经常下大额订单并最近进行了购买。 每个类别中都有 3 分的客户是您最好的客户。

执行 RFM 分析有两种方便的方法：使用OWOX BI和使用 Excel（或 Google Sheets）。

与 Excel 不同，OWOX BI 允许您自动计算 RFM。

此分析的数据源是 Google BigQuery 中的一个表或视图，其中包含有关每个订单的数据，其中包含以下字段：

• userId – 网站数据库/ERP 中客户的用户 ID。
• 收入——来自订单的收入。
• created – 订单创建日期。

步骤 1 。 我们建议使用您 ERP 中已确认订单的数据。 您可以使用 OWOX BI Pipeline 轻松将此数据导出到 BigQuery。

步骤 2 。 OWOX BI 还让您有机会自定义将 RFM 分析结果导入 Google Analytics。 这将允许您：

• 在 Google Analytics 中构建新的自定义报告和细分，以便使用有关用户的其他信息进行更深入的受众分析
• 使用 RFM 分析为 Google Ads、电子邮件简报和忠诚度计划创建再营销受众

步骤 3 。 设置将 RFM 分析数据从 Google BigQuery 导入 Google Analytics 包括两个步骤：

1. 设置 Google Analytics 网络资源。
2. 在 OWOX BI Pipeline 中创建流。

让我们仔细看看最后两点。

1. 在用户级别创建自定义维度以存储 RFM 分析的结果（自定义定义 → 自定义维度 → +新建自定义维度）：

2. 创建数据集以将数据导入 Google Analytics （数据导入 → 新数据集） ：
   

• 将导入行为指定为查询时间。 这将允许您将导入的数据与历史数据相结合； 否则，在下载 RFM 分析结果后，数据将仅与在 Google Analytics 中收集的匹配项合并。 请注意，查询时间导入仅适用于 Google 用户

• 接下来，为数据集命名并确定导入数据可用的视图列表：​
  

• 最后，定义数据模式并保存数据集：​

就是这样。 您现在已经配置了用于导入数据的 Google Analytics（分析）网络媒体资源设置。 现在您可以继续导入。

1. 准备一个以正确结构返回数据的SQL 查询。

2. 按照此处的说明在OWOX BI 管道中创建一个流。

等到数据出现在 Google Analytics 中：

全部都准备好了。 OWOX BI 将自动执行 RFM 分析，无需您过多参与。

1. 要在 Excel 中计算 RFM，首先从您的 CRM 下载交易数据：客户姓名、购买日期和购买金额：​
   

2. 为了确定每位客户最后一次购买的日期、客户总共向您购买了多少次以及所有这些订单的总货币价值，请使用数据透视表。
   

3. 由于 CRM 中的某些客户可能从未购买过东西，因此我们需要将他们的所有交易合并到一条线上。 为此，我们将值Client添加到Rows中。
   

4. 现在我们需要计算每个客户下了多少订单。 为此，请将购买日期添加到值中（只是不要忘记在汇总列中指明COUNTA ）。

5. 接下来，计算每个客户的所有订单的总价值。 为此，请将购买金额添加到值中，并在汇总依据列中，指示SUM 。
   

6. 现在我们必须计算每个客户最后一次购买的日期。 为此，请将购买日期添加到值中，并在我们已知的图表中指定MAX 。

这就是分析准备。 现在我们需要将此数据传输到新页面以计算 RFM 值。

7. 首先，将列重命名为Customer 、 Last purchase date 、 Order frequency 、 Number of orders和Purchase Amount 。现在我们继续分析的主要部分。 使用公式 = TODAY () - 我们计算客户上次购买的天数。 这将是我们的 R（新近度）值的数据：

8. 至此，我们拥有了所有关于 Recency、Frequency（订单数量）和 Monetary value（金额）的数据。 现在我们将根据这些数据分配从 1 到 3 的值（根据上述标准）。

让我们从 Recency 的值开始。 我们需要做的第一件事是计算 33% 和 66% 的客户从我们这里购买了多长时间。 这很容易使用公式 = PERCENTILE.INC (C2: C12; 0.33)和 = PERCENTILE.INC (C2: C12; 0.66)完成。 我们现在知道，33% 的客户在不到 61 天前购买了我们的产品，66% 的客户在 93 天前购买了我们的产品。​

9. 因此，我们为那些在 61 天前购买的客户分配最高值 3。那些在 61 到 93 天前下订单的客户被分配一个价值 2。其余的在 93 天前购买的客户，我们分配一个值 1。所有这些都可以使用公式 = IF (C2 <61; 3; IF (C2 <93; 2; 1)) 自动计算。

10. 使用相同的原理，我们计算F （频率）和M （货币价值）的值：首先，我们计算 33% 和 66% 的客户购买了多少次，并根据结果将值从 1 分配到3.​

11. 为了更清楚起见，我们通过连接每个客户的所有三个值来计算 RFM 值。 我们可以使用公式 = D2 * 100 + F2 * 10 + H2来做到这一点。
    

就是这样。 我们已经在 Google 表格（或 Excel）中进行了 RFM 分析所需的所有计算。 请记住，尽管这些公式有助于自动计算一些错误，但您仍然需要花费大量时间来计算 RFM。

但是，如果您重视自己的时间和员工的时间，或者如果您拥有大型数据库，我们建议您使用 OWOX BI 执行 RFM 分析。 如果您还不是 OWOX BI 用户，您可以免费试用所有功能。

当所有计算都准备好并且您已经对客户进行了细分时，就该进入营销部分了。

通过按 RFM 值对客户进行分组，您可以立即全面了解客户群的情况。 让我们看一些客户群的例子。

Group 3R-3F-3M – 最活跃，经常购买

这些是您的理想客户。 您可以通过启动忠诚度计划、邀请他们参加特别活动或询问他们希望公司如何发展来扩大您与他们的互动。 向这些客户表明他们受到尊重并欢迎用户，这一点很重要。

组 1R-1F-1M – 最不活跃，购买一次/从未，花费很少

尽管这些客户似乎最没有希望，但您不应该完全取消他们：他们至少有一次对您的产品表现出兴趣。 大多数情况下，营销人员会准备特殊的挑衅性信息，将这些客户分为“绝对对产品不感兴趣”和“有希望”。 有前途的客户可以转移到下一个类别。

1个类别之一

您的某些客户的值可能为 122（蹩脚的 Recency）。 应该给这个部分一点时间来决定是否返回给您。 尝试向他们提供通常与他们之前购买的产品一起购买的产品，以引起对您公司的新兴趣。

3 在其中一个类别中

这些用户是您研究的有前途的细分市场。 它们足够一致，您可以尝试并找到合适的方法来提高其他指标。

RFM 方法远非绝对，但它是分析客户群的非常有用的工具。 只需一点点工作，您就会了解如何对您的客户采取个性化的方法。

同时，请记住，数据会受到季节、促销和节假日的影响。 如果本月有大量购买历史的客户下个月没有购买任何东西，这并不意味着您应该立即将他们转移到另一个细分市场。 也许这只是季节性的影响，一段时间后，他们会恢复购买。

如果您仍有疑问，请在下面的评论中询问我们 :)

如果您想了解有关 Google Analytics 和其他分析工具的更多信息，请订阅我们的时事通讯。 每个月，您都会获得对现代营销人员和分析师有用的提示。