【优质】RFM模型区隔消费者购买行为的区别能力研究--保险销售资料实例验证.ppt

RFM模型區隔消費者購買行為的區別能力研究--保險銷售資料實例驗證 黃元直 德明商業技術學院 講師 huang@takming.edu.tw 簡報流程 1.緒論 2.文獻探討 3.RFM模型區別能力研究架構 4.資料分類與資料分析流程 5.實證結果 6.結論與未來研究方向 緒論-研究背景與動機 希望透過本研究提出一種動靜態資料的分類方式,並透過保險銷售資料及區別分析逐步回歸法加以實證,驗證動態資料作為自變數時,其區別能力是否高於靜態資料。 緒論-研究目的 由顧客過去的購買行為，利用RFM模型推導與計算，求算出個別顧客未來的可能需求並驗證其區別能力,此為研究目的一。 以「靜態資料」、「動態資料」有效區分其市場區隔，並且指出各顧客屬於某個區隔, 此為研究目的二。 文獻探討-關係行銷 顧客關係管理可區分為三個部份,其一為「資料庫行銷」,其二為「一對一關係行銷」,其三為「事件行銷」。 「關係行銷」則強調有效行銷關係之建立。 文獻探討-RFM模型 1.Arthur Hughes顧客五等分法 2.Bob stone RFM 3.Shaw et al. RFM RFM模型-Arthur Hughes顧客五等分法 最近購買日(Recently):最接近現今日期的前20%編為[5]、20%~40%編為[4]、40%~60%編為[3]、60%~80% 編為[2]、80%~100%編為[1]。 購買頻率(Frequency):一定期間內顧客購買的次數，次數最多的前20%編為[5],餘依此類推。 購買金額(Monetary Amount):通常以平均購買金額來取代。金額最多的前20%編為[5],餘依此類推。 RFM模型-Bob stone RFM RFM模型-Shaw et al. RFM 最近購買日從近到遠排列，前百分之二十歸為第一類，依次分為五類 購買頻率從大到小排列，前百分之五十歸為第一類，共分成兩類 購買金額同於頻率的分法，分成兩類 如此，每一顧客的RFM分數組合，由最不具價值的顧客(111) [3分]到最具價值的顧客(522) [9分] 文獻探討-區別能力 判定區別能力包含以下兩項: 1.區別正確率:即根據區別函數所得到的區別分數;代表依逐步迴歸分析法進入區別函數的自變數對依變數的預測能力。 2.自變數的重要性及影響力:進入區別函數的自變數比例判定其重要性;而依進入區別函數自變數的係數絕對質判定其影響力。 RFM模型區別能力研究架構 資料分類與資料分析流程 資料分類與資料分析流程 資料分類與資料分析流程 自變數 ( :區別分析逐步回歸法) 依變數 (1)X1.X2.X3……X7.X8(靜態資料) Y1 (2)AR.AF.AM(動態資料-ARFM模型) Y2 (3)BR.BF.BM(動態資料-BRFM模型) Y3 (4)SR.SF.SM(動態資料-SRFM模型) Y4 (5)ARFM.BRFM.SRFM(總分/總價值) 檢視(1)至(5)組自變數對Y1至Y4分別的「區別正確率」 區別正確率分析流程圖 資料分類與資料分析流程 自變數 ( : 區別分析逐步回歸法) 依變數 (1) X1.X2.X3…X8 AR.AF.AM Y1 (2) X1.X2.X3…X8 BR.BF.BM Y2 (3) X1.X2.X3…X8 SR.SF.SM Y3 (4) X1.X2…X8