價值？ 成本？ 讓RFM模型輕輕鬆鬆評估一切！（附實現程式碼）
在RFM模型「系列 1」- 常貴客？新客？ 讓RFM模型簡簡單單解釋一切！（附實現程式碼），我們利用了R與F的交叉分析，簡簡單單推導出不同客群的行銷方案。 並在假設條件下，該商場可以利用R與F的交叉分析，在一年多賺進168萬元的淨利。
而本次我們將專注在RFM模型中的消費金額（Monetary）分析，並回答系列1的三個問題：
- 有這麼多顧客區隔，更細部來說，這些區隔都值得我注意嗎？ 難道一次客真的要放棄嗎？可以使用消費金額（Monetary）及成本評估顧客終生價值嗎？那該如何評估？
- 如何整合時間序列分析？難道時間序列沒有其他用途嗎？
在開始進行消費金額（Monetary）分析前，要請讀者先行了解四個概念：
- 商品毛利（Gross Margin, GM）：每一件產品的毛利；簡單來說，就是「產品營收」- 「進貨的成本」。
- 顧客終身價值（Customer Lifetime Value, CLV）：每一個顧客為我們貢獻的收入；簡單來說，就是對每個顧客購買的每一件商品進行「商品毛利」之加總。
- 顧客購買（取得）成本（Customer Acquisition Cost, CAC）：為了要賣出商品，在每一個顧客上所花費的成本。
- 顧客獲利率（CLV/CAC Ratio）：每一CAC可以為我們賺進多少的CLV。
哪些顧客區隔應該要放棄？ 應該要保留？
有了上述概念後，接下來，讓我們來回答問題一：「有這麼多顧客區隔邊界，更細部來說，這些區隔都值得我注意嗎？ 難道一次客真的要放棄嗎？可以使用消費金額（Monetary）及成本評估顧客終生價值嗎？那該如何評估？」
資料：
首先來看一下上一篇R與F交叉分析的資料格式：
那我們再將CLV與CAC的資料加入考量，其中我們假定三樣商品的商品毛利：
- 瓶裝水 = 10
- 牛奶麵包 = 50
- 高麗菜 = 10
最終生成下述每個顧客CAC與CLV的資料。
每個顧客的CAC與CLV資料結構
最後結合CLV與CAC的資料表就產生出來了！也就是在這張資料表中，除了可以進行R與F的交叉分析外，我們亦可開始進行「消費金額（Monetary）」的分析啦！
最後結合CLV與CAC的資料表就產生出來了！也就是在這張資料表中，除了可以進行R與F的交叉分析外，我們亦可開始進行「消費金額（Monetary）」的分析啦！
消費金額（Monetary）模型分析：
圖片X軸為CLV與CAC之比較，而Y軸對CLV來說則為營收金額的概念，對CAC來說則為成本的概念。藍色X軸則為R，藍色Y軸則為F。除此之外，我們還將「長條圖」的粗細以購買人數多寡表示之，越粗，代表越多人在此區隔購買，越細，則代表越少人在該區域購買。
有了顧客終生價值（CLV）與成本（CAC）的比較圖，讀者可以想想，如果你是行銷資料科學家或專業經理人，有了Monetary相關的資料，接著可能會做些甚麼?
首先，我們發現：
- 常貴客確實為最賺錢的區隔
- 新顧客隨著購買頻率的增加，CLV有逐漸上漲的趨勢
- 先前客部份則非常有趣，在31–55天內，消費達5次以上的顧客，人數多，且金額甚至高過16–22天內，消費達5次以上的顧客
- 一次客則發現成本花費高，且顧客消費效益不高…，但是人數似乎又是最多的區隔…
那… 所以哪些區隔要放棄？哪些要保留？
這時候，就需要使用到顧客獲利率（CLV/CAC Ratio）來做更直觀的計算，讓我們更清楚目前商場整體獲利狀況：
從顧客獲利率比較圖中，我們可以非常清楚了解幾個思考方向：
總體
我們可以看到紅色區隔均是投入1塊錢成本，反而無法回本的區隔，所以我們就可以考慮不在繼續投資。或者不在繼續投資「嗎」？
常貴客分析
- 在常貴客0–7天內消費5次以上的顧客中，我們每投入1塊錢的成本，就會賺得3.13元，這群人總共有14人，平均消費天數為3.93天，購買頻率為7.14，也就是一天平均消費1.82次，那一天就是 14* 1.82* (3.13–1) = 54.2元的淨收。
- 在常貴客16–22天內消費5次以上的顧客中，我們每投入1塊錢的成本，就會賺得4.67元，這群人總共有5人，平均消費天數為18.4天，購買頻率為6.4，也就是一天平均消費0.35次，那一天就是 5 * 0.35 * (3.67–1) =4.67元的淨收。
- 在常貴客0–7天內消費5次的顧客中，我們每投入1塊錢的成本，就會賺得2.44元，這群人總共有17人，平均消費天數為3.82天，購買頻率為5，也就是一天平均消費0.77次，那一天就是 17* 0.77* (2.44–1) = 18.72元的淨收。
如果不考量該商場的其他布局策略，純粹以數字來評斷，讀者有沒有看出些什麼？
在常貴客的第1點與第3點比較可發現，第1點的人數明顯不足，如果能利用行銷活動將第3點的5個人轉換到第1點，如果根據過往經驗，將成本變高提高18％，花1.15元能一樣能賺得3.13元，且能夠吸引5個人，我們將可以一天多賺7.55元。
原樣：14* 1.82* (3.13–1) +17* 0.77* (2.44–1) = 73.12 轉換後＝(14+5)人* 1.82* (3.13–1.18) + (17-5)人* 0.77* (2.44-1) = 80.67
如果我們將人數「簡單」的放大10倍：
原樣：140* 1.82* (3.13-1) + 170 * 0.77* (2.44–1) =731.22 轉換後＝(140+50)人* 1.82* (3.13–1.5) + (170-50)人* 0.77* (2.44-1) = 806.69
這樣一天就多賺了75.47元，一個月就是2264元。
哇! 算出來了! 好棒棒!
但… 恩…有這樣簡單「嗎」？
這時候讀者心中一定激起了一個至關重要的疑問：「這看起來就是一個時間的綜整結果，能不能給我一個細部的趨勢變化圖? 更有利於我做行銷資源非配，而非一概而論？」
世界上最遙遠的距離，就是「從消費者的口袋到我的口袋」，但是談到RFM模型「消費金額（Monetary）」簡單明瞭的分析方法，讓消費者與我的距離越來越親近，於是我們又不由自主開心的笑了起來！
如何整合時間序列分析？
這時候就要綜整第一與第二個問題:「將消費金額（Monetary）以時間序列的方式進行趨勢整合，看出不同顧客區隔的趨勢分析，了解在每一個顧客區隔再投入資源不便的狀況下，哪一個區隔在未來是有發展性的 」。
要進行時間序列的消費金額分析，我們可將顧客的第一次購買日期當作基準，統計在這往後，該顧客的購買頻率（F）、最近一次消費天數（R）、CAC與CLV的總平均，如此我便能知道：
- 每個月份消費者的購買軌跡；例如：cliendId 1 的消費者自從2017–02就有消費紀錄，而最近有5次消費、最近一次購買是則是8天前。如此便知在2017–02時至今日，他依舊是我的常貴客。
- 我們還能知道每個顧客區隔中，到底是那一個月份進來購買的顧客會是我們最值得投資的目標對象。
- 再來就是，哪幾顧客區隔我們應該可以考量繼續或放棄投入資源。
我們假設報告的時間點先以為2017–04–11為基底，將時間序列的消費金額分析製作出來後，我們可以很清楚看到，在本月的營收：
- 最近一次購買天數0–7天且購買頻率4次的常貴客的數字從2017–01的155元平均顧客淨利一直到2017–03的370平均顧客淨利，有持續增長的趨勢存在，且該區隔的逐月新進顧客增長許多，建議可以將較多的資源比重依照月份淨值多寡進行行銷資源分配。
- 再來看看最近一次購買天數0–7天且購買頻率2次的潛在客，很清楚發現，我們可以將有限的行銷資源投放到2017–02與2017–04該區隔新進顧客，排除2017–01及2017–03的顧客。就算要重新喚這群淨值為負的顧客，也可以將淨值-28的2017–03的顧客當作資源投放的優先考量。所以並非顧客獲利率大於1以上，我們就一定要將所有資源投入到整體顧客區隔，而是可以根據月份等商場注重的變數做「區隔再區隔」，精準鎖定行銷資源的投放標的。
- 再來看一個例子，我們再看到最近一次購買天數31–55天且購買頻率2次的一次客，在四月份時，有2017–02進來消費的這群一次客產生15元的淨值，然而這一顧客區隔以總體來說，他的總顧客獲利率竟然是0.96，雖然2017–02這群一次客貢獻淨值很低，但是相對有機會將他們拉抬上來，成為潛在顧客。
- 再看最近一次購買天數16–22天且購買頻率2次的潛在顧客，雖然總顧客獲利率是0.9，但是其逐月新進顧客貢獻的淨值接有所改善，如果商場放棄掉他們，是不是又可惜了些？
所以我們從單點的顧客獲利率圖到時間序列的消費金額分析圖中，給我們的insight便是可以依照時間點的不同而妥當的去分配自己的行銷資源，而非總顧客獲利率<1就全盤放棄考量，那除了時間外，我可不可以在依照其他變數進行「區隔再區隔」？ 當然可以！時間序列可被替換成「品牌、品質、滿意程度等對商品利益有所影響的變數，精緻化行銷資源」，由此可知，商場必須要將顧客區分得更細緻，方能妥善運用行銷資源，將行銷利益最大化！
敬請期待！RFM在行銷活動（campaign）之評估
下一篇文章，我們會針對下述兩問題細細解讀給讀者：
- 我會對各種不同區隔的顧客進行行銷活動，這些行銷活動該如何評估？ 成效該怎樣計算？
- 如果我搭配預測模型的來預測顧客未來的價值，該如何圖像化?
往後的文章都會持續在行銷資料科學粉絲專頁上發表喔！
再請大家多多follow我們的粉絲專頁：行銷資料科學
Enjoy Marketing Data Science!
作者：
鍾皓軒（臺灣行銷研究有限公司 共同創辦人）
鍾皓軒（臺灣行銷研究有限公司 共同創辦人）
留言
張貼留言