CRM方法：用RFM分析模型保持有价值客户
肖东军
2004/12/02
在客户关系管理过程中，商家不断追逐获得客户的信息，而客户往往不愿意主动透露自己的信息或意图，除非客户能立即看到这样做给自己带来的好处。即使商家使出浑身解数，获得的往往也是一些外在的客户行为数据，对于客户内心真实想法及消费趋势，商家仍然知之不多。这正应了一句俗话："知人知面不知心"。
为了得到客户的"心"（如客户满意度、忠诚度等），从客户那里获得更大的生命周期价值，CRM提供了许多分析模型和预测模型。在这里向大家介绍一种相对简单可行、且行之有效的方法：RFM分析模型。RFM中，每个英文字母代表一种相对容易获得的已成交客户的行为参数。R(Recency
最近)表示客户最近一次购买的时间距当前有多远，也就是停止采购的时间，例如20天、8周、3个月等；F(Frequency 频率)表示客户在最近一段时间内购买的次数；M(Monetary
Value货币价值)表示客户在最近一段时间内每次购买的平均金额。
作为一种对客户分类的方法，RFM分析模型起初主要用于直效营销(Direct Marketing)领域，目的是提高老客户交易的次数。
广东一家办公设备及耗材零售企业，在省内建立了9家连锁配送中心，业务发展迅速，有过成交记录的老客户也多了起来，通过向客户用邮政信函发送商品目录、开展直效营销的成本越来越高。该公司希望找到一种更有效的方法，来区分客户，以便在"更恰当的时间、向恰当的客户传递恰当的商品信息"，从而刺激重复交易，同时也适当降低邮寄费用。他们把客户最近一次购买日期到当天的天数算出来，得到R这个参数。
R≤7天的为 R1级客户
8天≤R≤30天的为 R2级客户
R≥30天的为 R3级客户
对于R1级的客户，该公司会立即再邮寄一份商品目录及奖励积分计划，对于R2级的客户则会在一周内再邮寄一份商品目录及奖励积分计划，对于R3级以下的客户则不采用这重追随购买的邮寄方式。
根据国外的统计结果，R1级客户对直效邮件的回函率是R2级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的商品信息。如果及时跟进的邮件内容，采用"交叉销售"（Cross-Sell）或"提升销售"（Up-Sell）的策略，推荐与客户购买需求相关度高的商品，或者提供额外的重复购买奖励，效果更加显著。如果采用M货币价值这个参数对客户分类，则平均交易金额高的客户的反馈率并不见得比平均交易金额低的客户来得多。
采用F购买次数作为参数对客户进行分组，采取不同的邮寄策略也是很有意义的。例如过去6个月购买超过5次以上的客户，今后将每月邮寄一次商品目录；而购买不足2次的客户，将只会每两个月邮寄一次。
RFM非常适用于提供多种商品的企业，这些商品单价相对不高，或者相互间有互补性，具有多次重复购买的必要，这些企业可能提供如下商品：日用消费品、服装、小家电等；RFM也适用于这类企业，它们既提供高价值耐用商品、同时又提供配套的零部件或维修服务，如下：精密机床、成套生产设备、打印机等；RFM对于商品批发、原材料贸易、以及一些服务业（如旅行、保险、运输、快递、娱乐等）的企业也很适用。
RFM分析模型不断丰富发展，已经不局限于直效营销领域了。如今它更常用于监测客户消费行为异动、防范重要客户流失方面。
全胜公司是一家小型化工原料贸易企业，年销售额4000多万元，最有核心竞争力的产品是食品添加剂，如柠檬酸等，顶端客户是几家国际知名大型的饮料制造企业在当地的工厂，由高层管理人员亲自跟进，客户关系维护得很好，能稳定地占有较理想的客户份额。但是该公司还经营其他多条产品线，其他非顶端客户近1000家，来自不同的行业，采购规模和习惯各不相同，要集中有限的企业资源、保持高价值客户的忠诚度、防范高价值客户流失真不是一件容易的事情。利用RFM分析模型，则可有效地改进这方面的工作。
步骤一：分别计算出过去12个月所有已成交客户贡献的总采购金额，可以利用公式计算：
M×F= TM（Totle Monetary Value，总采购金额）
*M=过去12个月内的平均采购金额
*F=过去12个月内的采购次数
总采购金额也可以通过其他统计途径（例如从进销存软件或销售自动化SFA软件）获得。计算出各个客户的总采购金额后，可以利用EXCEL将客户名单按总采购金额进行降序排列，把1000家客户中最前面的1%约10家客户定义为顶端客户，把其次的4%约40家客户定义为高端客户，把再次的15%约150家客户定义为中端客户，其余的800家客户归入低端客户。
下表是降序排列后第11名起的几家客户的情况，它们是40家高端客户的一部分。
|
|
|
|
|
M |
F |
TM |
| 序号 |
等级 |
客户编号 |
客户简称 |
平均采购金额 |
购买次数 |
总采购金额 |
| 11 |
高端 |
DL90483 |
K公司 |
37,147 |
15 |
557,200 |
| 12 |
高端 |
CA48954
|
L公司 |
65,850 |
8 |
526,800 |
| 13 |
高端 |
CA48911 |
M公司 |
23,384 |
21 |
491,056 |
| 14 |
高端 |
DG08383
|
N公司 |
41,865 |
11 |
460,510 |
| 15 |
高端 |
ZS48183 |
O公司 |
24,566 |
17 |
417,623 |
| 16 |
高端 |
SZ66001
|
P公司 |
17,766 |
22 |
390,860 |
| 17 |
高端 |
ZH73201 |
Q公司 |
16,909 |
23 |
388,905 |
表1
依据总采购金额给客户排名
步骤二，把客户关系保持的重点首先放在前高端及中端用户那里，因为顶端客户的忠诚度高、客户份额高，再额外花精力的话边际效益不明显；低端客户数量多、贡献小，暂时没有太多精力照料。对于高端和中端的约190家客户，分别计算出它们过去12个月每次购买到下次购买的平均周期，公式为：
365天÷F= P
*F=过去12个月的采购次数
*P=Period平均采购周期
分别计算出这190家客户最近一次购买日期D到今天的天数：
Today - D= R
*D=Date最近购买日期
*R=停止采购天数
将P（Period平均采购周期）、D（Date最近购买日期）和R（停止采购天数）依次填写到步骤一制作的客户列表中，并利用EXCEL的公式计算出两者的差△：
P-R=△
|
|
|
|
|
M |
F
|
TM
|
P
|
D
|
R
|
△ |
| 序号 |
等级 |
客户编号 |
客户简称 |
平均采购金额 |
购买次数 |
总采购金额 |
平均采购周期 |
最近购买日期 |
停止采购天数 |
P-R |
| 11 |
高端 |
DL90483 |
K公司 |
37,147 |
15 |
557,200 |
24 |
2004-11-4 |
23 |
1 |
| 12 |
高端 |
CA48954 |
L公司 |
65,850 |
8
|
526,800
|
46
|
2004-10-8
|
50
|
-4 |
| 13 |
高端 |
CA48911 |
M公司 |
23,384 |
21 |
491,056 |
17 |
2004-10-15 |
43 |
-26 |
| 14 |
高端 |
DG08383 |
N公司 |
41,865 |
11
|
460,510
|
33
|
2004-10-25
|
33
|
0 |
| 15 |
高端 |
ZS48183 |
O公司 |
24,566 |
17 |
417,623 |
21 |
2004-11-21 |
6 |
15 |
| 16 |
高端 |
SZ66001 |
P公司 |
17,766 |
22
|
390,860
|
17
|
2004-11-19
|
39
|
-22 |
| 17 |
高端 |
ZH73201 |
Q公司 |
16,909 |
23 |
388,905 |
16 |
2004-11-13 |
14 |
2 |
*Today今天=2004-11-27
*统计周期=过去365天
表2 对比客户停止采购天数和平均采购周期
从表2中可以看到：
△>0，即使停止采购的天数小于平均采购周期的有K、O、Q三个公司；
△=0，即使停止采购的天数等于平均采购周期的有N公司；
△<0，即停止采购的天数大于平均采购周期的有L、M、P三个公司
K、O、P三个公司在安全警戒线范围内，暂时可以不用关注。而L、M、P三个公司需要立即引起关注。因为它们已经有些日子没有按照过去的行为习惯继续采购了。进一步观察，我们发现L公司仅仅超过其平均采购周期4天，相对于46天的平均采购周期来说仍然属于正常的波动范围，不必过于焦虑，当前可以把它与N公司同等对待，稍加留意其近期动向即可。而M、P两个公司不仅超过了其平均采购周期，而且超过的天数（26天和22天）比平均采购周期（17天）还大一倍以上。这说明这两个客户流失的风险比较大，需要重点关注。统计员发现此类情况后，应立即指派工作任务给负责维护M和P公司关系的销售代表，让销售代表采取必要的方式了解客户暂停购买的原因。
客户暂停购买的原因可能是客户本身遭受困难无力采购，也可能是客户调整产业方向，也可能是由于某些事件导致满意度下降而被竞争对手乘虚而入，也可能是正常的淡旺季波动。销售代表进行调查、跟进后，判断原因并向公司提出合理化建议，以规避财务风险、尽量扩大客户生命周期价值。假如原因是客户遭受到了暂时性的困难，则可在控制应收款风险的基础上，适当调整策略协助客户度过难关，当客户业务重上正轨后，必然投桃报李，更加忠诚；假如原因是客户调整业务方向，对某种特定的原料采购下降，则要研究本公司的产品线中，有哪些适用于客户新的发展方向，有针对性地推荐适销对路产品，延长客户的生命周期；假如是由于某些事件处理不当造成客户满意度下降，则要设法向客户解释、弥补，并采取有力措施避免重犯，尽量挽回影响；假如是正常的淡旺季波动，则要了解清楚客户下次购买的大体时间，并预先制定销售工作计划，到未来恰当的时间提醒销售代表跟进。
RFM分析模型不是万能的，它也有其弊端。例如对M平均采购金额，以及基于F×M计算出来的TM总采购金额，还没有减去产品成本、一对一的销售、服务和营销费用、应予以分摊的某些管理费用，因此TM总采购金额还不是更为精确的客户净现值（NPV,
Net Present Value）。依据TM总采购金额进行客户排名只是相对的，在精确取得客户贡献的税前净利润前，谁能保证排名第201的客户就一定比排名第199的客户更有价值呢？谁能保证当前排名第300的客户，未来不会出现迅猛的发展从而导致采购能力的显著提升呢？谁能保证后800名的客户里面，没有那么几位目前已具有相当大的采购量，只是因为客户关系维护没有到位而目前仅仅是零星地采购，看起来似乎只是个无足轻重的小客户呢？
好在，我们是在寻找一种改进客户关系管理策略的实用方法，而不是苛求完美。而且最近理论界也出现了一些令人欣喜的成果。美国宾西法尼亚大学沃顿商学院的市场营销学教授彼特·费德（Peter
S. Fader）领导的一个小组2004年7月发表了一篇论文，成功地将客户的历史行为数据RFM与客户生命周期价值CLV建立了直接的联系模型。如果能以可操作的方式实现对客户生命周期价值的预测，则目前依据M的客户排名将更科学，从而尽量减少遗漏重点客户的风险。
当客户数量、业务笔数达到一定规模的时候，完全依赖手工收集客户行为数据（RFM等），计算客户流失风险，往往会显得力不从心。向CRM计算机软件系统寻求帮助成为一种必然的趋势。然而暂时来说，国内的CRM软件并不能立即很好地实现RFM分析模型，其他的一些分析模型如客户生命周期价值模型、客户忠诚度模型等也在研究、建立之中。少量数据基础比较扎实、软件机制比较科学的CRM软件，已经能部分提供对于RFM分析模型的一些支持了。
例如SynleadCRM企业版，当"生意机会"进入"结案成功"阶段后，会自动触发系统将对应的客户单位记录中的"上次成功交易日期"字段的数值，更新为结案成功的日期，便于我们计算R停止购买时间，如下图所示：
图1 SynleadCRM自动触发填写"上次成功交易日期"
对于过去一段时期，M平均购买金额（平均金额）、TM（合同金额）、F购买次数（合同数量）和排名的统计也实现了自动化：
图2 依据合同金额对客户单位进行降序排名
依据图2中的排名结果，可以把客户分类，如顶端客户、高端客户、中端客户等，更新到图1的单位"状态"字段中。
我们可以期待在不久的将来，用户企业能通过CRM软件的操作，更简便地得到客户价值较高、流失风险较大的客户记录列表，并针对列表的客户记录直接建立和分派跟进任务，将有价值客户的流失消灭在萌芽状态，甚至做到防患于未然。
广州朗润公司供稿 CTI论坛编辑
·
·
·
|
