操作デモ: RFM ユーザー価値モデルの原理と応用

多くのユーザー価値分析モデルの中で、RFM モデルは広く使用されています。RFM モデルは、顧客価値と顧客収益性を測定するための重要なツールおよび手段です。RFM モデルでは、R (Recency) は顧客が購入した時期、F (Frequency) は一定期間内に顧客が購入した回数、M (Monetary) は一定期間内に顧客が購入した金額を示します。

一般的な分析 CRM は顧客の貢献度の分析に重点を置いていますが、RFM は顧客の行動に基づいて顧客を区別することに重点を置いています。実際のアプリケーションでは、ビジネスに応じて参照データのディメンションのバリエーションが多数存在します。

RFMモデルの重要性

RFM モデルは、顧客の全体的なプロファイルを比較的動的に表示し、パーソナライズされたコミュニケーションとサービスの基礎を提供します。同時に、顧客とのやり取りに費やす時間が十分に長い場合、顧客の長期的な価値をより正確に判断し、3 つの指標の状態を改善することで、より多くのマーケティング決定をサポートします。

RFM モデルの適用は、顧客維持のための重要な指標となるユーザー行動レポートを確立することを目的としています。

そのため、RFM モデルは、継続的な消費と新規ユーザーの維持を促進するためにマーケティングで広く使用されています。また、ビジネスユーザーの健全性を監視するための重要な指標としても役立ちます。レポートで、最終購入がごく最近の顧客数が増加していることが示されれば、その企業は着実に成長している企業であることを意味します。逆に、最終購入が 1 か月前の顧客数が減少している場合は、その企業が不健全な方向に向かっている兆候です。

ここでもう 1 つ付け加えておきたいことがあります。単一機能の消費を伴う垂直型ビジネスでは、取引量のみの短期的な目標を追求し、ユーザーとの長期的な関係の構築を怠るという罠に陥りがちです。ユーザーとの継続的なインタラクションを維持し、ユーザーの忠誠心を獲得することが、ビジネスにとってより長期的な目標です。

顧客の絶対的な貢献額を使用して顧客が解約したかどうかを分析すると、顧客の行動を誤って解釈することがあります。各製品の価格は異なる場合があり、異なる製品のプロモーションには異なる割引があるため、相対的なグレーディング（たとえば、R、F、M はそれぞれ 5 つのレベルに分割されます）を使用してレベル範囲内の消費者の変化を比較すると、相対的な行動をよりよく示すことができます。

企業はRとFの変化から顧客の消費の変化を推測し、離脱の可能性に基づいて顧客をリストアップし、M（支出額）の観点から分析することができます。そして、貢献度が高く、離脱の可能性も高い顧客に焦点を絞り、集中的に訪問や連絡を行うことで、最も効果的な方法でより多くのユーザーを取り戻すことができます。

方法

RFM モデルを使用する目的は、一般的に、最も価値のあるユーザーをセグメント化し、限られたマーケティング リソースで投資を集中させ、価値出力を最大化することです。この目的のために、通常はセグメント化されたユーザーを、RFM モデルによって与えられたグレードに従って、最高から最低まで並べ替え、すべてを正常に保つ必要があります。一定期間にわたってビジネス結果がランキングと一致している場合は、セグメント化によって、価値のあるユーザーを全体のユーザーから比較的正確に分離できることを意味します。

通常、運用チームは、メンバーの運用効率を向上させ、予算を適切な場所に費やせるように、ディメンションを継続的に検証および修正します。

ユーザーの行動は常に変化しています。ユーザーが最後に購入してから 1 か月が経過すると、データベースには 2 か月の購入履歴を持つ顧客として記録されます。逆に、3 か月前の購入履歴を持つ顧客が同日に次の購入を行うと、1 日前の購入履歴を持つ顧客になり、非常に短い期間で新しいマーケティング情報を受け取る可能性があります。私たちは、モデルを継続的に調整して人口をセグメント化し、ビジネスの結果を比較してモデルの精度を検証しています。モデル適用プロセスには、アルゴリズムと決定木モデルが含まれます。

K-means アルゴリズムは、ハード クラスタリング アルゴリズムであり、プロトタイプ ベースの目的関数クラスタリング方法の代表的なものです。データ ポイントからプロトタイプまでの一定の距離を最適化された目的関数として使用し、関数の極値を見つける方法を使用して、反復操作の調整規則を取得します。

K 平均法アルゴリズムは、類似度の尺度としてユークリッド距離を使用します。評価指標 J が最小になるように、特定の初期クラスター中心ベクトル V に対応する最適な分類を探します。このアルゴリズムは、クラスタリング基準関数として誤差二乗和基準関数を使用します。そうですね、これは難しすぎる言葉だと認めます。興味のある方は、元の単語の百科事典を調べてみることをお勧めします。

決定木モデルは、論理的推論のプロセスを決定し、利用可能な情報に基づいてさまざまな代替オプションの信頼性を決定する非常に基本的な数学的法則です。

多くのビジネス上の意思決定には不確実性が伴いますが、意思決定ツリーは不確実性に直面したときに最善の行動方針を選択するのに役立ちます。意思決定者は未知の結果がどのようなものになるかは知りませんが、通常、起こり得る結果とその発生確率についてはある程度理解しています。この情報を使用して、最大の利益をもたらすオプション、つまりユーザーが次回も消費を続けるかどうかを選択できます。

場合

会員運営チームの予算は、ユーザー規模が大きい割には厳しいことが多いため、予算が限られており、少数の主要ユーザーにしかサービス情報を提供できない場合は、RFM モデルが役立ちます。

このようなマーケティングによるコスト削減は相当なものになる可能性があります。これら3つのコア指標を組み合わせて、顧客を複数のカテゴリーに分類し、データ分析を行い、マーケティング戦略を策定します。

垂直機能型インターネットビジネスを例にとると、データ分析のために 100 万人のユーザーのサンプルがランダムに選択されました。

• 時間間隔: サンプルを抽出した時点をユーザーの最終消費時間で割って、平均時間間隔が何日であるかを確認します。
• 消費頻度: ユーザーが消費する平均回数、最大回数、最小回数。
• 消費量: ユーザーの平均消費量はいくらですか。また、それぞれ最大消費量と最小消費量はいくらですか。

K 平均法を使用すると、サンプル セットがクラスター化され、通常は 8 つのカテゴリに分割されます。

クラスタリング結果はトレーニング セット (30%) とテスト セット (70%) に分割され、トレーニング セットに基づいて決定木モデルが生成されます。

RFM 分析により、顧客基盤は、一般維持顧客、一般開発顧客、一般価値顧客、一般維持顧客、重要維持顧客、重要開発顧客、重要価値顧客、維持対象顧客の 8 つのレベルに分類されます。

ビジネス成果を比較することで継続的にモデルを見直し、改善しながら、マーケティング手法を用いて、重要な価値ユーザー層（短時間、高頻度、高消費を考慮）をさらに拡大します。

結論

消費、消費頻度、消費額は、消費者価値を測定する最も重要かつ最も簡単な方法であり、これら3つの指標がマーケティング活動に対する指導的意義を十分に示していますが、これら3つの指標が破られないということではありません。たとえば、Didi（エクスプレス、自家用車、ライドシェア、複数のビジネスタイプ）とAlipay （多機能シナリオ）では、消費量と頻度に加えて、ビジネス側は補助金戦略を策定する際に、ユーザーのクロスシナリオの使用も考慮します。機能的なビジネスシナリオが多ければ多いほど、ユーザーの忠誠度が高くなります。このとき、モデルのコア指標を追加または置き換えることは、実際に補助金戦略に適用できます。他の人は5元のクーポンを入手できるのに、あなたは1元しか入手できないのはそのためであり、他の人はエクスプレスクーポンを入手できるのに、あなたは空港送迎車のクーポンしか入手できないのはそのためです。

モバイルアプリケーション製品プロモーションサービス： APPプロモーションサービス青瓜メディア広告

この記事の著者@戴某DEMOは(APP Top Promotion)によって編集・公開されています。転載の際は著者情報と出典を明記してください。