RFM 模型

第二章 文獻回顧

本章首先對於RFM 模型相關文獻進行回顧，再進一步探討資料採礦以及 資料採礦結合RFM 模型的相關文獻。

第一節 RFM 模型 一、RFM 之定義

無論是傳統的零售業者或是現在的電商，每天的交易都會產生許多資料，當 我們面對這麼多雜亂的交易資料，如何從中分析找出對企業有貢獻的客戶非常重 要，而RFM 模型則是最常被用來分析顧客，找出對企業具有貢獻及忠誠度的方 法，該模型被應用在許多不同的領域，例如電腦安全(Kim, Im, & Park, 2010)、

汽車工業(Chan, 2008)。RFM 是一個歷史悠久的模型，在直效行銷領域中已經 使用超過30 年(Hughes, 1996)，其概念最早由 Cullinan (1977)提出，隨著資料 庫系統逐漸成熟，從1990 年以後開始被眾多學者廣為討論，Bult and Wansbeek (1995)為 RFM 提出了基本的定義(1)R 為 Recency，表示最近一次消費，代表消 費者上次購買的時間。(2)F 為 Frequency，表示消費頻率，代表顧客於企業消費 的次數。(3)M 為 Monetary，表示消費金額，指的是顧客於企業所消費的總金額，

一般認為最近一次消費是最重要的指標，但是有研究發現RFM 指標的重要性會 隨著不同的產業以及產品的性質而有所不同(Lumsden, Beldona, & Morrison, 2008)，而其應用在資料庫的行銷時也被證明非常有用(Blattberg, Kim, & Neslin, 2008)。

建構一個 RFM 模型的流程如下，將資料庫中的資料按照 RFM 三個指標進 行排序，接著將排序後的資料分成五個相同的區間，前 20%的資料編碼為 5，下 一個 20%為 4，以此類推，最後將資料庫中每個顧客的 RFM 指標用 5 到 1 做排 序，以此為顧客進行分類，其中555 表示為最佳顧客群，111 為最差顧客群(Hughes,

6

1996; Kahan, 1998)，其示意圖如圖 2-1。

圖 2-1 五等分法示意圖

7

該消費者為企業製造愈多的營收。

二、RFM 之應用

RFM 可以讓企業了解顧客過去的行為，根據 RFM 知道那些顧客是未來可以 持續聯絡的，因此很常被應用在資料庫行銷，是開發行銷策略的工具之一，最常 被使用的情況就是對於特定顧客的銷售計劃，像是利用電子郵件行銷或促銷信等 等，進而提高回應率(Sohrabi & Khanlari, 2007)。除了用來行銷顧客之外，RFM 也有其他應用，有些研究將 RFM 模型用來計算顧客終身價值(CLV)，Liu and Shih (2005)開發了一種新的推薦方法，利用集群、關聯法則等技術與決策方法 結合，並且應用了RFM 模型評估顧客的 CLV。不同產業應用 RFM 進行分析的 案例也不少，Lumsden et al. (2008)利用 RFM 模型於旅遊業進行分析，根據旅 行社會員購買的動機辨別會員價值；在金融業方面，Hsieh (2004)則是利用類神 經網路的技術分析銀行的信用卡顧客，以顧客的還款行為與RFM 指標作為評分 依據去預測未來潛在有用的顧客；在汽車業方面，Chan (2008)將對顧客的定位 及顧客的區隔結合，利用顧客終生價值還有辨別顧客行為的 RFM 為依據分析 Nissan 的銷售，結果發現相較於隨機選擇顧客行銷，利用以上方法選擇有價值的 顧客成效更好。

三、RFM 之限制

RFM 是為了找出有價值的顧客而誕生的方法，因此比較關注最佳顧客，反 而忽略評分較低的顧客，例如分數為1-1-1 的顧客群(Wei et al., 2010)，而邱 宏彬、蘇建源 (2004)也提到，五等分法將顧客分成 125 群，但是當交易紀錄或 實際顧客人數較少時，這樣的方法反而因為人數未達規模有失精準，因此本研究 將會以集群分析代替原來五等分的分群方式，更精準的描述顧客。

8

Frawley, Piatetsky-Shapiro, and Matheus (1992)

資料挖礦是一個非常重要的過程，在於從資料庫中挖掘 出未發現、隱含的資訊。

Grupe and Mehdi Owrang (1995) 資料採礦是從現存資料庫中挖掘出以前尚未得知的事 實與未發現的新關係。

Fayyad, Piatetsky-Shapiro, and Smyth (1996)

知識挖掘的其中一個步驟之一，透過選取適當資料，進 行資料處理，並從中挖掘出特徵及模式。

McCluskey and Anand (1999) 資料採礦是正在發展中的技術，結合機器學習、統計學、

演算法及數學等，在大量資料中，利用半自動化的流程 挖掘未知有用的知識。

Berry and Linoff (2004) 為了要發現出資料中蘊含的有意義的模式或規則，而必 須從大量資料之中以自動或是半自動的方式來探索和 分析資料

資料來源:本研究整理

二、資料採礦的流程

對於定義有一定了解之後，我們要講述關於資料採礦的流程。跨產業資料探 勘標準作業程序(Cross Industry Process for Data Mining, CRISP-DM)是一套 被業界廣泛使用的流程，主要是由幾家為在歐美的公司在1996 年聯合發展而成，

例如: NCR Corporation (美國和丹麥)、DaimlerChrysler AG (德國)…等等，其