学习人人都能掌握的CRM数据分析（成全能选手！）

学习人人都能掌握的CRM数据分析（成全能选手！）

“我们很重视CRM！” 几乎所有的品牌方都达成了这样的共识。但是一看团队规模，近七成的品牌仅有一个CRM专员。

这个CRM专员既要做好营销活动的策划与管理，又要不断完善会员制度，同时还得分析会员数据。既懂业务，又有一定数理统计基础的CRM专员对大品牌而言也是可遇不可求。

好一点的情况是公司能有一套像样的CRM软件系统，但有的CRM系统要么缺少数据分析的功能，要么不够契合品牌的实际业务。

事实上企业正在使用的CRM软件并没有那么称心如意，依旧有大量的CRM从业者仍然过着手动拉取数据用EXCEL做分析的日子……

正因如此，我们立足于时尚零售行业的实际业务，为大家寻找到了一些每个人都能掌握的CRM数据分析方法。

KPI指标分析

会员基础信息数据、行为数据、交易订单数据……面对大量的会员数据，我们该从何下手？与其胡子眉毛一把抓，不如静下心来先梳理一遍自己的业务，明确目标。

是为了提升复购率？还是为了减少营销成本？只有在目标明确的前提下，我们才能更进一步。

比如我的目标是减少客户流失，接下来就可以通过分析流失率，来了解客户的总体流失情况。通过购买频率和消费金额来细分会员。通过活动响应率和平均购物折扣，来制订客户挽回的策略等等。

流失率、消费近度、活动响应率……在这个过程中，我们用到了大量的KPI指标。KPI是一个很实用的风向标。

那么像这样的KPI指标又有哪些？该如何计算？我们罗列了常用的KPI分析公式，希望能帮到大家。

拉取对应的数据，套用相应的公式，简单的EXCEL操作就能满足计算要求。KPI指标属于定量的数据，因此很容易计算，但诸如客户忠诚度、客户价值这种定性的维度又该如何计算？

RFM模型分析

相似度模型、表查询模型、朴素贝叶斯模型……适用于CRM数据分析的数学模型有很多，但综合考虑分析的难易度和数据获取的便利性，要说在客户关系管理领域中应用最广泛的，当属RFM模型。

RFM是一种通过对距离最近一次消费的时长、消费频率、消费金额三个维度的分析来描述客户价值状况的分析模型。

RFM的分析过程大致可以分为四步:

1．准备数据

从系统中拉取订单交易数据，从中筛选出店铺名称、订单编号、VIP卡号、VIP姓名、VIP种类、付款时间、实际付款金额七个关键数据。

2.数据预处理

删除因门店不规范录入造成的错误数据，以及因赠品而造成金额为0的数据。然后按照R、F、M三个维度整合数据。

根据最后付款时间计算出R（距离最近一次消费的时长）。通过筛选购买记录统计出F（累计购买次数）和M（累计付款金额）。

3.划分等级

在得到R、F、M的具体数值之后，我们需要把它划分出多个区间，有人会直接将其进行平均的五等分，但我们更推荐按照实际业务情况来划分R、F、M，每个区间最好都能得到业务上的解释。

R的划分可参考平均消费近度，F的划分可参考平均购买次数，M的划分可参考品牌自身的价格带。

4.赋值计算

赋予每个区间一个具体的数值。如R1=1、R2=2、R3=3、R4=4、R5=5……假如有个会员，已经在店内购买了3次（F2），共消费了6000元（M4），并且已经有35天（R3）没有进行再次购买，则该客户的价值为9。

算到这里，细心的朋友可能已经发现了问题。R、F、M三个维度同样重要吗？很显然，我们还需要在R、F、M之前设置一个权重相加等于1的系数，来解决三个维度所占权重不一致的问题。

权重如何设计？

应用最广泛的是通过调研业务部门，征求各个重要领导的意见来制订权重。更进一步的会利用AHP层次分析法，对R、F、M三个变量两两比较进行打分，得出判断矩阵，计算权重。

以上是通过RFM模型对客户价值进行计算的常规套路。但基于RFM模型的应用还远不止此。计算出一个数值并不是目的，最终还是为了基于价值的客户细分。

客户细分

在RFM模型的基础上演化出来的客户细分方法有很多种。

有的通过SPSS软件，用K-MEANS算法先将客户进行聚类，反过来寻求业务上的解释。

有的利用客户价值矩阵，通过平均消费金额和消费频次两个维度将客户分成乐于消费型、不确定型、优质型和经常型客户四种类型。

也有人觉得上述方法获得的客户类型太少，不够细致。通过R、F、M的三个平均値，将客户分成8种类型是一种相对精准的细分方法。

RFM都很高的重要价值客户，需要好好保持；交易金额和次数都很高，但最近无交易的客户，需要进行老客唤回；最近有交易且金额很高的深耕客户，是我们需要重点花精力的培养对象……

每一种细分都能在实际业务中找到相对应的客户类型，在此基础上，针对性的营销举措才有意义。