RFM 分析：了解有關您的客戶和 RFM 細分的更多信息

在本文中，我們將了解基於客戶群（或細分市場）行為的 RFM（新近度、頻率、貨幣價值）分析。 這種分析方法使您可以研究用戶的行為以及他們如何付款。 因此，您將獲得有關直接營銷的寶貴見解。

RFM 分析允許您按購買的頻率和價值對客戶進行細分，並確定那些花費最多的客戶。

• 新近度——顧客從你這裡買東西有多久了
• 頻率——客戶向您購買的頻率
• 貨幣價值——客戶購買的總價值

根據這些指標，可以將您的客戶分成幾組，以了解哪些客戶經常買很多東西，哪些客戶買的很少但很頻繁，哪些客戶很長時間沒有買任何東西。

通常，只有一小部分客戶會響應一般促銷優惠。 RFM 是一種出色的細分方法，可用於預測客戶響應、改善交互和增加利潤。 RFM 使用客戶行為數據來確定如何與每個客戶組合作。

RFM 分析的本質是根據客戶最近一次購買的時間、購買頻率以及訂單的平均值將客戶分組。 對於這些指標中的每一個，我們將客戶分配到三個組中的一個，這些組分配了一個從 1 到 3 的數字。

近期：

• 1 – 長期客戶。
• 2 – 相對較新的客戶。
• 3 – 最近的客戶。

頻率：

• 1 – 很少購買（單筆訂單）。
• 2 – 不經常購買。
• 3 – 經常購買。

貨幣價值

• 1 – 購買價值低。
• 2 – 購買的平均價值。
• 3 – 高價值的購買。

客戶通過連接他們的新近度、頻率和貨幣價值的數字來分配 RFM 值。 例如，客戶 111 很久以前下過一筆金額較低的訂單。 另一方面，客戶 333 經常下大額訂單並最近進行了購買。 每個類別中都有 3 分的客戶是您最好的客戶。

執行 RFM 分析有兩種方便的方法：使用OWOX BI和使用 Excel（或 Google Sheets）。

與 Excel 不同，OWOX BI 允許您自動計算 RFM。

此分析的數據源是 Google BigQuery 中的一個表或視圖，其中包含有關每個訂單的數據，其中包含以下字段：

• userId – 網站數據庫/ERP 中客戶的用戶 ID。
• 收入——來自訂單的收入。
• created – 訂單創建日期。

步驟 1 。 我們建議使用您 ERP 中已確認訂單的數據。 您可以使用 OWOX BI Pipeline 輕鬆將此數據導出到 BigQuery。

步驟 2 。 OWOX BI 還讓您有機會自定義將 RFM 分析結果導入 Google Analytics。 這將允許您：

• 在 Google Analytics 中構建新的自定義報告和細分，以便使用有關用戶的其他信息進行更深入的受眾分析
• 使用 RFM 分析為 Google Ads、電子郵件簡報和忠誠度計劃創建再營銷受眾

步驟 3 。 設置將 RFM 分析數據從 Google BigQuery 導入 Google Analytics 包括兩個步驟：

1. 設置 Google Analytics 網絡資源。
2. 在 OWOX BI Pipeline 中創建流。

讓我們仔細看看最後兩點。

1. 在用戶級別創建自定義維度以存儲 RFM 分析的結果（自定義定義 → 自定義維度 → +新建自定義維度）：

2. 創建數據集以將數據導入 Google Analytics （數據導入 → 新數據集） ：
   

• 將導入行為指定為查詢時間。 這將允許您將導入的數據與歷史數據相結合； 否則，在下載 RFM 分析結果後，數據將僅與在 Google Analytics 中收集的匹配項合併。 請注意，查詢時間導入僅適用於 Google 用戶

• 接下來，為數據集命名並確定導入數據可用的視圖列表：​
  

• 最後，定義數據模式並保存數據集：​

就是這樣。 您現在已經配置了用於導入數據的 Google Analytics（分析）網絡媒體資源設置。 現在您可以繼續導入。

1. 準備一個以正確結構返回數據的SQL 查詢。

2. 按照此處的說明在OWOX BI 管道中創建一個流。

等到數據出現在 Google Analytics 中：

全部都準備好了。 OWOX BI 將自動執行 RFM 分析，無需您過多參與。

1. 要在 Excel 中計算 RFM，首先從您的 CRM 下載交易數據：客戶姓名、購買日期和購買金額：​
   

2. 為了確定每位客戶最後一次購買的日期、客戶總共向您購買了多少次以及所有這些訂單的總貨幣價值，請使用數據透視表。
   

3. 由於 CRM 中的某些客戶可能從未購買過東西，因此我們需要將他們的所有交易合併到一條線上。 為此，我們將值Client添加到Rows中。
   

4. 現在我們需要計算每個客戶下了多少訂單。 為此，請將購買日期添加到值中（只是不要忘記在匯總列中指明COUNTA ）。

5. 接下來，計算每個客戶的所有訂單的總價值。 為此，請將購買金額添加到值中，並在匯總依據列中，指示SUM 。
   

6. 現在我們必須計算每個客戶最後一次購買的日期。 為此，請將購買日期添加到值中，並在我們已知的圖表中指定MAX 。

這就是分析準備。 現在我們需要將此數據傳輸到新頁面以計算 RFM 值。

7. 首先，將列重命名為Customer 、 Last purchase date 、 Order frequency 、 Number of orders和Purchase Amount 。現在我們繼續分析的主要部分。 使用公式 = TODAY () - 我們計算客戶上次購買的天數。 這將是我們的 R（新近度）值的數據：

8. 至此，我們擁有了所有關於 Recency、Frequency（訂單數量）和 Monetary value（金額）的數據。 現在我們將根據這些數據分配從 1 到 3 的值（根據上述標準）。

讓我們從 Recency 的值開始。 我們需要做的第一件事是計算 33% 和 66% 的客戶從我們這裡購買了多長時間。 這很容易使用公式 = PERCENTILE.INC (C2: C12; 0.33)和 = PERCENTILE.INC (C2: C12; 0.66)完成。 我們現在知道，33% 的客戶在不到 61 天前購買了我們的產品，66% 的客戶在 93 天前購買了我們的產品。​

9. 因此，我們為那些在 61 天前購買的客戶分配最高值 3。那些在 61 到 93 天前下訂單的客戶被分配一個價值 2。其餘的在 93 天前購買的客戶，我們分配一個值 1。所有這些都可以使用公式 = IF (C2 <61; 3; IF (C2 <93; 2; 1)) 自動計算。

10. 使用相同的原理，我們計算F （頻率）和M （貨幣價值）的值：首先，我們計算 33% 和 66% 的客戶購買了多少次，並根據結果將值從 1 分配到3.​

11. 為了更清楚起見，我們通過連接每個客戶的所有三個值來計算 RFM 值。 我們可以使用公式 = D2 * 100 + F2 * 10 + H2來做到這一點。
    

就是這樣。 我們已經在 Google 表格（或 Excel）中進行了 RFM 分析所需的所有計算。 請記住，儘管這些公式有助於自動計算一些錯誤，但您仍然需要花費大量時間來計算 RFM。

但是，如果您重視自己的時間和員工的時間，或者如果您擁有大型數據庫，我們建議您使用 OWOX BI 執行 RFM 分析。 如果您還不是 OWOX BI 用戶，您可以免費試用所有功能。

當所有計算都準備好並且您已經對客戶進行了細分時，就該進入營銷部分了。

通過按 RFM 值對客戶進行分組，您可以立即全面了解客戶群的情況。 讓我們看一些客戶群的例子。

Group 3R-3F-3M – 最活躍，經常購買

這些是您的理想客戶。 您可以通過啟動忠誠度計劃、邀請他們參加特別活動或詢問他們希望公司如何發展來擴大您與他們的互動。 向這些客戶表明他們受到尊重並歡迎用戶，這一點很重要。

組 1R-1F-1M – 最不活躍，購買一次/從未，花費很少

儘管這些客戶似乎最沒有希望，但您不應該完全取消他們：他們至少有一次對您的產品表現出興趣。 大多數情況下，營銷人員會準備特殊的挑釁性信息，將這些客戶分為“絕對對產品不感興趣”和“有希望”。 有前途的客戶可以轉移到下一個類別。

1個類別之一

您的某些客戶的值可能為 122（蹩腳的 Recency）。 應該給這個部分一點時間來決定是否返回給您。 嘗試向他們提供通常與他們之前購買的產品一起購買的產品，以引起對您公司的新興趣。

3 在其中一個類別中

這些用戶是您研究的有前途的細分市場。 它們足夠一致，您可以嘗試並找到合適的方法來提高其他指標。

RFM 方法遠非絕對，但它是分析客戶群的非常有用的工具。 只需一點點工作，您就會了解如何對您的客戶採取個性化的方法。

同時，請記住，數據會受到季節、促銷和節假日的影響。 如果本月有大量購買歷史的客戶下個月沒有購買任何東西，這並不意味著您應該立即將他們轉移到另一個細分市場。 也許這只是季節性的影響，一段時間後，他們會恢復購買。

如果您仍有疑問，請在下面的評論中詢問我們 :)

如果您想了解有關 Google Analytics 和其他分析工具的更多信息，請訂閱我們的時事通訊。 每個月，您都會獲得對現代營銷人員和分析師有用的提示。