假设因为某种原因，你需要召回你的老客户。不同消费属性层级的老客户，需要不同的召回触动点，因此你可能需要对你的老客户进行分层处理。这个时候就引入了一个客户关系管理模型：RFM模型。本文重点分享基于RFM模型下的老客户的召回思路：如何将不同消费等级的老客户分象限以及针对不同象限的客户对症下药。
一、RFM模型概述
在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个要素：R（Recency）、F（Frequency）、M（Monetary）。
1、最近一次消费R(Recency)
客户最近一次的购买时间是什么时候。最近一次消费时间越近的顾客是最有可能对提供的商品或是服务也最有反应的群体。
如果显示上一次购买很近的客户，(消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之则是迈向不健全之路的征兆。
要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。
2、消费频率(Frequency)
客户在限定的期间内所购买的次数。最常购买的顾客，也是满意度最高的顾客。
如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。
3、消费金额(Monetary)：客户的购买金额（可分为累积购买及平均每次购买）
消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。
“↑”表示大于均值，“↓”表示小于均值
因为有三个变量，所以要使用三维坐标系进行展示，X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户，根据上表中的分类，可以用如下图形进行描述：
以上就是关于RFM模型的一个大致的框架介绍。接下来我们谈谈如何运用这个模型对实际工作的老客户做一个分类。
二、RFM标准分析
在数云等类似的CRM系统中，又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。
为了方便下面解说，把相应的象限用字母1-25表示（如下图表示）。
举个栗子：某个客户的F=1，30＜R≤90，则位于22象限。
位于21-25象限的客户，只要再购买一次，就直接变成象限16的客户；位于6-10象限的客户，只要再购买一次，就直接变成象限1的客户。
象限25属于流失客户，象限1属于绝对忠实老客户（这种客户沟通打电话最直接），重点关注象限5和10的客户（为什么你的忠实老客户流失了？）……
下面直接看这个表格，有一个更直观的感受。
RFM标准分析又衍生出一个参数：客户数/占比。因此可以分为：按客户数/占比划分象限，按平均每次购买金额划分象限；按累计购买金额划分象限。
表2.1 按累计金额划分象限的RFM标准分析
表2.1说明，购买次数越多的客户比例越少，注意象限24（加棕色），此种类型数据表示你的流失客户太多啦！该好好关爱一下新客户的营销工作了，把象限21-25的客户往象限16丢去。
表2.2 按平均每次购买金额划分象限的RFM标准分析
表2.2从M（消费金额）的角度来分析，可以把重点放在象限2和象限3（加黄色），此类客户单此贡献度高，可重点拜访或联系，以最有效的方式挽回更多的商机。
表2.3 按累计购买金额划分象限的RFM标准分析
表2.3 还是从M（消费金额）的角度来分析，可以发现人民币的主要贡献值都在于流失客户身上，也就是说，你从老客户身上压榨的油水太少啦！你的CRM维护工作做的不行噢~新客的二次召回是下一阶段重点要关注的问题点。
三、基于RFM模型的老客户召回逻辑
再举这么一个假设：
你有10000个客户，需要发短信或邮件最大程度（人数或者消费金额）召回他们，但是你的预算不多，最多只能选取2000-3000个顾客，那么你会如何找到最优化的客户样本？
理解了这个RFM的逻辑，ROI从1:6跳跃到1:30都是可能的，营销所节省下来的成本会很可观 。
根据不同象限周期性变化，可以推测出客户消费的异动状况，根据客户流失的可能性，列出客户。
不知道怎么取样，就干脆地毯式轰炸一遍所有象限的客户吧，统计出不同象限的投入产出比ROI是多少。下次活动心里就有谱了~
有了概念还得不断地尝试→总结→调整，达到一个最理想的状态。
下次就可以挺胸问老板：
“这次老客户召回ROI，你想要达到多少？”
参考来源
1、《电子商务网站RFM分析客户关系》 站长之家
2、百度百科：“FRM模型”
