本文由CDA作者库成员麻赛原创,并授权发布 原文来自公众号麻大湿讲数据(ID:madashi_data)。
客户是最宝贵的资源,没有客户资源就没有生存和发展的土壤,面对海量客户,我们只能将有限的资源用于最有价值或最需投入的客户身上,因此,首先要进行客户细分。
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
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。
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
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!
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
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
计算矩阵最大特征根
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...
介绍2X2矩阵的各种常见或不常见用法,几乎能做任何事情
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
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、神经网络等
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
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。
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。
麻赛,不懂业务的设计师不是好的数据运营。
从事过手机厂商一线业务,后就职某一线互联网公司数据运营,当前专职写公众号,输出最接地气的数据应用方法。