当前课程知识点：大数据技术与应用 > [补充] 陈辉：数据驱动营销 > RFM会员体系 > RFM会员体系
第二部分会讲一个
叫RFM的会员体系
这里面就有问题了
就是说那个给力
是星巴克的一个客户对吧
然后那个小邵同学
他也是星巴克的客户 对吧
然后怎么区分
我们两个人对它的价值高低呢
我是用花的钱更多来衡量呢
还是用最近购买的时间
离我比较近
就是离现在比较近来衡量呢
还是用购买频次高来衡量
其实单个看某个指标
好像都有些问题
比如说花钱更多
你是用比如说
一年之内花钱更多吗
但是他如果三个月都没有来买过
这个是不是对你价值很大呢
他可能就是一个
快要离开的一个客户了
如果是购买频次的话
比如说他每次来只花一块钱
和每次来 来的次数很少
但是一次就花一百的一个人
所以我们是希望能够
把这三个不同的指标综合在一起
打一个 打一个统一的分值
用这个分值来衡量
小邵和给力两个人
对星巴克的价值
基于此我们就建立了一个
这种数据驱动的会员体系
称之为RFM分层
R指的是Recency
就是最近一次购买的时间
F指的是平均的购买的频率
比如说一个月之内购买我的次数
M指的是平均的购买金额
也是在单位时间内他购买的
就是成交的总的一个价值
我们基于这三个数
我们后面会介绍一下
它的具体的公式是什么样子
我们把它的客户分成了VIP
和高中低三类人
VIP这个可以看到
它的比率比较低
可能只有3% 2%左右
但是他是对你的商业价值来说
是非常重要的一些客户
他的购买金额频次都很高
同时也是就是最近购买的客户
而高就会差一些
比如说他有可能是
购买的金额很高 频次很高
但是已经有一段时间没有来过了
中可能是稍微再差一些
比如说他购买金额很高
就是像小邵一样
每次花一百块钱对吧
但是他不经常来
同时他的那个上次来的时间
也是比较长了
而低可能是一些
价值最低的客户
比如说他的金额又很低
频次又很 又不频繁
同时他上次来的时间也比较久远
主要是一些新的客户
我们根据这样一个分层
我们可以把客户分成四类
这四类我们
就是其实有一些很好的一些特征
比如说它随时间的变化
不是很剧烈
比如说去年你发现
这个VIP的客户占到3% 对吧
比如说你假设你用VIP定义是
一年购买金额超过100块钱
称之为VIP
但是因为你的这个企业
是在扩大的
你产品的价格是在上升的
你到第二年
第一年你发现有5%的人
称之为VIP用户
但到第二年
可能变成10% 第三年20%
所以你VIP的客户你越来越多
比例越来越高
这不是一件好的事情
因为你希望看到这个比例
尽可能保持稳定 对
我们具体怎么定义的呢
这个就是
这是一种定义方式
并不是说对所有的那个场景
和商家都适合
就是我们是按照中位数来分层
把r和f分成两层
这个太多了我不说了
核心的就是我们发现
这个VIP的话
然后我们取了一个
就是首先分层
分完层之后然后赋分值
然后通过一个简单的公式
线性的公式
r f m三个相加
这m的的权重我们取0.5
r的权重取0.3 f取0.2
什么意思
我们认为它的销售金额
是最重要的
然后其次是它的那个
是不是最近光顾的时间越近
我们认为是越重要的
最后是频率
就是比如说在三个月之内
购买的次数
我们把这三个值加一起之后
我们就得到一个总分
这个总分
我们然后划一个区间
比如说VIP的客户是最高的分
2.5分 rfm都很高
高价值客户是m很高 但不活跃
m中 但是很活跃
中价值客户是m中不活跃
m低很活跃
低价值客户是在1到1.3分之间
是m又很低又不活跃
对
这个具体设置要考虑营销场景
比如说有些人
他觉得这个r很重要
越接近的人越重要
就是认为
他认为昨天购买过的人
是最重要的
举个例子比如说大家电
对吧
大家电的特点在于
你不太可能短时间买了又买
对吧
一般来说一年买个两次
就已经很多了
所以这里面的话
其实这个r没有那么重要
而且r反而是反作用的
就是越接近的情况下
你越不应该去营销它
而是应该过了一段时间之后
再去营销它
但是对于有一些
比如说卖零食这样的 对吧
他可能就特别喜欢吃零食
所以对那些购买频次很高
比如说一个星期就购买一次
或者三天购买一次
有这样的客户
我们会把m和f的分值
拉的比较高
所以这里边的具体的设定
要考虑营销成本
就是这些值怎么出来的
这个很多时候是在做营销的时候
很多时候是拍拍脑袋出来的
就是一个经验的一个公式
但更多情况下
就是我们这里宣导的一个理念
就是要通过营销的实验
就是大家如果是做science的
你应该知道
就是终极的判定
实际上是通过实验来判定的
任何的理论你要通过实验来验证
比如说我认为这样一个指数
这样一个特征
这样一群人是我终极的客户
是我最想要的客户
我去触达他
然后发现好像不是这样的
换一个方向
再去做一次营销实验
看一下产出怎么样子的
然后好像好一点
但好像不是那么理想
我再换一个方向
通过这样不断的一种迭代求证
就可以帮助我们达到一个
最优的一个效果
就是做科学是这样子的
对吧 你看那个
我记得有一个胶水
叫什么505什么
好像是502 对
做了500多次实验得到的
其实营销也是这个样子
就是说我们要以做实验
做科学的态度来去对待营销
因为里面有太多的数据
然后我们通过拍拍脑袋
是没有办法来制定
这些数据的这个重要性
或者是来建模的
所以需要通过一些
系统化的一些营销的实验
来帮助我们确定
最理想的这样一些参数
是什么样的
这是数据观察得到的结论
就根据刚才那VIP 高 中 低的
一个具体的相对的值
这个我本来也写了
但是我们内部安全审查的时候
把我数字都给删光了
所以只保留了一些
相对的高低
留存率这里边是VIP是
显而易见
价值越高留存率是越高的
挽留的营销成本
可以发现其实这个
价值越高的客户
反映的营销成本实际上是越低的
对于那些低价值的客户 新客户
反而是要花更多的钱去挽留的
而回报率是VIP大于高
大于中大于低
所以我们针对不同的客户
应当有针对性的营销
比如说对VIP和高价值客户
应当以维系品牌自豪感为主
对
就他们可能不是那些
追求蝇头小利的人
就是我是一个很忠实的客户
然后你应该
比如说我是星巴克的忠实客户
那么你这个时候突然告诉我说
喝星巴克的人都是高大上的
那这种情况下
可能对我是比较有效的
但是如果你给我发个十块钱的
那个折扣券
可能也有用了
但是价值没有那么大 对
就是你发给我
发个十块钱的优惠券
不会到处炫耀说
我有十块钱的星巴克优惠券
但是如果你说这个
把starbucks这个高大上的
这个用户的形象树立起来了
我能会到处炫耀说
我是一个喝星巴克的人
而对于中低价值的客户
应该以关怀为主
然后提升他对品牌的忠诚度
OK 这是第二部分
就是通过数据
来将用户的价值进行分层
针对不同的层次
我们要做不同的营销
因为不同层次的用户
他的留存率 营销成本
-完整讲座
--完整讲座
-李国杰：面向大数据的数据科学--课后习题
-数据思维方式的改变
-数据的假设与采集
--数据的假设与采集
-数据的准备
--数据的准备
-数据的分析
--数据的分析
-数据的解释与验证
--数据的解释与验证
-吴甘沙：大数据分析师的卓越之道——课后习题
-个人介绍
--个人介绍
-硅谷热门公司
--硅谷热门公司
-大数据简介
--大数据简介
-大数据平台系统
--大数据平台系统
-工业实践
--工业实践
-结尾
--结尾
-董飞：硅谷公司的大数据实战分析--课后习题
-数据系统架构历史
--数据系统架构历史
-从sql到nosql
-数据库系统实现变革
-负载融合
--负载融合
-数据系统架构成本
--数据系统架构成本
-杨光信：数据系统架构——课后习题
-什么是可视化
--什么是可视化
-网络可视化
--网络可视化
-大数据带来的新挑战
-大数据网络可视化的若干案例
-时磊：大数据网络可视化—— 课后习题
-网络安全概述
--网络安全概述
-大数据安全分析平台
-大数据安全应用
--大数据安全应用
-大数据平台安全
--大数据平台安全
-彭元：网络安全与大数据——课后习题
-人工智能系统的本质功能模型
-隐性智慧，显性智慧
-人工智能：能与不能
-人工智能的技术现状
-机制主义人工智能模型
-信息转换和智能创生定律
-人工智能与大数据
--人工智能与大数据
-钟义信：“人工智能与大数据”的创新研究——课后习题
-什么是机器智能
--什么是机器智能
-大数据的重要性及特点
-大数据中的因果关系与关键技术
-大数据与机器智能
--大数据与机器智能
-大数据思维
--大数据思维
-讲座问答环节
--讲座问答环节
-吴军：数据为王和机器智能的时代——课后习题
-大数据概述
--大数据概述
-大数据相关新趋势
--大数据相关新趋势
-大数据技术创新1
--大数据技术创新1
-大数据技术创新2
--大数据技术创新2
-大数据技术创新3
--大数据技术创新3
-大数据商业价值和前景
-大数据机遇和挑战
--大数据机遇和挑战
-苏中：从大数据到认知计算——课后习题
-金融大数据概述
--金融大数据概述
-用户个人信息分类
--用户个人信息分类
-金融大数据法律框架
-实际案例和业界实践
-核心风险点
--核心风险点
-王新锐：金融大数据的法律实践——课后习题
-互联网与商业化
--互联网与商业化
-大数据与计算广告
--大数据与计算广告
-计算广告介绍
--计算广告介绍
-数据交易
--数据交易
-刘鹏：互联网变现与计算广告——课后习题
-从记账技术到区块链
-区块链确保数据真实性
-区块链确保数据安全性
-区块链衡量数据价值
-区块链的应用和总结
-杨保华：区块链与数据科学——课后习题
-个性化推荐系统
--个性化推荐系统
-推荐系统的召回与排序
-智能制作之个性化海报
-线上推荐系统其它要素
-杨紫陌：个性化内容推荐——课后习题
-个人介绍及用户理解背景
-用户理解与用户画像
-案例1：用户属性识别
-案例2：自然人识别
-案例3：WOI与社交关系识别
-陆祁：用户行为大数据——课后习题
-内容智能生态——数据、算法、应用
-大数据在内容分析的应用
-IP价值评估系统
--IP价值评估系统
-爱奇艺的剧本评估
--爱奇艺的剧本评估
-爱奇艺的智能评分
--爱奇艺的智能评分
-阳任科：大数据与AI的内容分析——课后习题
-外卖行业及场景简介
-餐饮及外卖行业大数据应用框架
-案例分析：智能营销场景的用户画像
-案例分析：智能助手场景的菜品画像
-王栋：美团外卖的大数据应用——课后习题
-旅行业务的特点
--旅行业务的特点
-美团旅行业务的用户画像构建
-用户画像的应用案例
-住宿需求预测问题
--住宿需求预测问题
-营销补贴策略建模
--营销补贴策略建模
-赵楠：商业思维与大数据技术在美团旅行业务中的结合——课后习题
-互联网金融背景介绍
-互联网金融科技
--互联网金融科技
-数据智能的三个案例
-技术展望
--技术展望
-陈彧：美团点评金融服务的大数据与人工智能——课后习题
-数据的进化历程
--数据的进化历程
-阿里DMP平台介绍
-核心技术及案例
--核心技术及案例
-数据应用
--数据应用
-毛波：阿里全息大数据构建与应用——课后习题
-在线营销
--在线营销
-竞价机制
--竞价机制
-数据价值
--数据价值
-韩定一：在线营销中的竞价机制与数据价值——课后习题
-竞价排名搜索
--竞价排名搜索
-主要技术问题
--主要技术问题
-点击率预测概述
--点击率预测概述
-点击率预测实践
--点击率预测实践
-龚笔宏：大数据在工业界中的经典案例分享——课后习题
-即时配送业务的背景及挑战
-案例1：订单分配策略
-案例2：供需平衡策略
-未来展望
--未来展望
-郝井华：即时配送中的人工智能——课后习题
-什么是数据驱动营销
-LTV留存分析
--LTV留存分析
-RFM会员体系
--RFM会员体系
-消费者微群画像
--消费者微群画像
-渠道倾向性分析及行业竞争分析
-机器学习潜客挖掘模型
-- 机器学习潜客挖掘模型
-陈辉：数据驱动营销——课后习题
-金融大数据时代
--金融大数据时代
-大数据客观信用
--大数据客观信用
-我国的金融环境
--我国的金融环境
-客观信用的实践
--客观信用的实践
-应用案例与成果
--应用案例与成果
-艾小缤：大数据评价体系在金融、征信领域的创新——课后习题
-外部链接
--外部链接
