基于“數量—質量—效益”的金融產品客戶細分

摘 要：本文在分析傳統RFM局限性的基礎上，嘗試引入經濟增長與結構調整中普遍關注的數量、質量、效益維度，對傳統RFM分析模式進行改進。之后，以一個無法應用傳統RFM分析模式進行客戶群細分的樣本為例，考慮使用“數量-質量-效益”型RFM進行客戶群細分。結果顯示：三維度的雙變量分析區分度較好、同期驗證表現平穩，非同期驗證PSI系數為0.078，模型結構穩定。實踐表明，基于“數量-質量-效益”型RFM分析模式可以較好的應用于商業銀行客戶細分與數據庫營銷實踐。

關鍵詞：客戶細分；RFM模型；客戶關系管理；數據庫營銷；商業銀行

中圖分類號：F832 文獻標識碼：A〓 文章編號：1003-9031（2015）12-0021-04 DOI：10.3969/j.issn.1003-9031.2015.12.04

一、引言

在“以客戶為中心”的日常客戶關系管理、客戶忠誠度識別與產品數據庫營銷中，廣泛使用的經典RFM分析模式可以有效的幫助決策管理者、營銷人員實現目標客戶群的細分管理。在金融業務實踐中使用傳統RFM分析模式也會伴隨產生一些需要考慮的問題，諸如：1.金融類產品與服務是否可以照搬已經成熟應用于快速消費等行業的RFM模式；2.RFM分析模式是否適用于金融產品的整個生命周期；3.業務目標如何實際作用并影響RF

M分析模式等等。為了回答并解決這些問題，不同于傳統RFM模式，本文參考借鑒經濟增長與結構調整中所著重關注的三個維度：數量、質量、效益，嘗試將其應用于RFM分析模式；并嘗試通過這一改進，對傳統RFM的應用領域與問題做有益補充。

二、傳統RFM模式及其局限

經典的RFM模式由美國數據庫營銷研究所Arthur Hughes（1994）提出，該方法力圖通過突出客戶對商品的消費近期特性（Recency）、消費頻率特性（Frequency）以及消費貨幣量屬性（Monetary）來衡量客戶現階段的顯性價值與長期潛在價值；也常使用此方法刻畫客戶群一段時間以來對某類商品的忠誠度階梯（loyalty ladder）[1]。從客戶關系管理（CRM）的角度看，RFM作為一種分析工具，核心是對所關注的客戶群進行細分管理，通過客戶細分發掘客戶表現與行為差異，使營銷人員有針對性的開展可落地的客戶關系維護與差異化營銷。對企業來說，那些最近有過購買行為，一段時間內經常購買以及產生更多消費進行購買的客戶是企業所要關注的目標客戶，對應的客戶價值及客戶忠誠度也越高[2-3]。

傳統RFM模式在業務實踐中也存在一定的局限性。一是應用場景的局限。經典RFM主要集中于快速消費類、消耗型消費品等①，由于服務品類的特殊性和無法同一性，對于周期性服務類商品、互聯網線上服務等②，使得傳統意義下的RFM在數據采集與分析維度（消費近期性、消費頻率和消費貨幣量）上，需要進行一定的修正或調整[4-6]。二是沒有考慮產品潛在的生命周期因素。從傳統RFM所設定的三個分析維度看，其假定客戶群與商品已經整體處于均衡狀態，從產品生命周期視角可以認為該均衡狀態本質上處在成熟期，期間客戶群與產品整體上互動充分，對于客戶群在近期性、頻率性和貨幣性上的分布形態暴露充分且穩定，所以在成熟期內的客戶行為特征可以通過傳統RFM進行分析。而如果考慮產品生命周期處于導入期或成長期，期間往往伴隨“三性”分布“正在生長”的變化特征，特別是近期性R，在導入期或成長期內的客戶群大部分可能處于“活躍”狀態，因此如果再選擇R維度進行分析，很可能無法準確穩定的捕捉到該周期下客戶群與商品交互的細分行為特征。三是使用RFM需要結合具體業務目標與計劃。雖然使用RFM是為了獲得客戶細分及匹配的業務目標或計劃，但在開展RFM分析前，一般會較早的形成一些基本業務指導方向，進而導致影響RFM的分析維度。例如，通過RFM模式進行數據庫營銷（database marketing），當業務定義營銷目標為基于活躍客戶的拓戶式營銷（而不是基于已有客戶的提升式營銷）時，就已經在RFM分析前考慮到了近期性R這一特征，進而造成了R維度數據在RFM中的失效。

考慮到金融產品和服務是一類周期型服務類商品，具有間歇的、重復購買的特性，金融產品和服務的客戶關系管理與客戶細分適合于使用RFM模式進行分析。同時，針對不同業務問題的關注點和著力點，RFM模式也是靈活可變的。如前所述，當我們遇到的業務問題場景諸如：（1）某類金融產品恰好處在導入期或成長期，R維度沒有足夠且穩定的數據支持；（2）某種金融服務需要對已有活躍客戶進行匹配等，這些場景從本質上看R維度均是無效的。本文的創新之處是：著重考慮這一類無法使用傳統RFM中R維度的問題，并嘗試基于客戶使用金融產品的“數量-質量-效益”維度，對傳統RFM分析模式在一定程度上忽略了產品生命周期與業務目標的情況進行必要的改進，也是對傳統RFM應用于不同業務領域和業務問題的有益補充。

三、基于“數量-質量-效益”的RFM模式應用

以某類個人金融產品客戶群為例，采用RFM模式進行客戶細分的營銷預測③，實踐中因R維度無效而無法使用傳統RFM方法，本文嘗試選擇“數量-質量-效益”的RFM模式進行客戶群細分。為方便表述，將該類金融產品的客戶群定義為S客戶群。具體操作流程按順序分解為：（1）明確業務問題；（2）明確建模備選指標；（3）設置樣本組（觀察期、表現期、非同期驗證）；（4）創建寬表；（5）基于雙變量分析確定RFM指標；（6）構造RFM；（7）模型的檢驗與評價；（8）模型應用。操作流如圖1所示。為方便介紹操作流程，我們把業務問題簡單的抽象為對一類R無效的樣本群進行客戶細分的營銷預測建模。

（一）指標選擇與樣本組設置

與傳統RFM模式不同，在指標選取方面，因為R維度的近期性指標不具備使用條件，進而我們側重選取“數量—質量—效益”三維度的指標作為備選。具體來說，一方面，金融產品因其對客戶群S具有參與和購買的重復性或周期性，所以客戶一段時間內持有或購買金融產品的交易金額（份額）和交易次數等指標可以直接作為數量與質量的備選指標；另一方面，客戶群S中不同客戶購買金融產品所產生的差異化手續費，因其能夠較為直接的體現每筆交易“客戶承擔的成本”或“客戶對銀行的貢獻”，所以從這一視角能夠衡量一段時間內客戶進行此類金融交易活動對銀行效益的貢獻。由此，我們進一步設定，將客戶一段時間內參與金融交易所產生的交易金額、交易次數、交易手續費，分別作為體現“數量-質量-效益”三個維度的指標。需要說明，對于效益維度指標的選取，主要把相關業務所發生的費用作為指標；對于數量和質量維度的指標選取，則可以根據具體的業務問題進行選擇，例如，當未來針對客戶購買金融產品的金額大小定制相應策略時，意味著通過RFM關聯金額來預測和細分客戶，即從業務實踐和使用傾向上，將金額作為質量型指標；同樣的，當未來著重考慮圍繞交易筆數定制策略，則習慣于將筆數作為質量型指標。因此，本文在論述過程中，不妨把交易金額或份額作為數量維度指標，把交易的筆數或次數作為質量維度指標。如表1所示，把基于“數量-質量-效益”的RFM分析模式與傳統RFM分析模式在三個維度設計上的區別進行了歸納。

為了便于后續對客戶群S開展細分管理及差異化營銷，需要在建模階段對RFM進行同期和非同期驗證，以保證模型的穩定性和預測能力。類似于關志新、劉寅、王秋雯（2014）的做法[8]，建立寬表以前，需要設置建模觀察期與表現期。具體地，把樣本觀察期設定在表現期之前1年，觀察期主要用于考察客戶群S在“數量-質量-效益”各維度指標上的詳細表現，為后續雙變量分析確定指標分段提供依據；樣本表現期為6個月，該期間數據主要用于基于RFM進行指標預測。對表現期內的樣本客戶預留30%作為模型的同期驗證樣本；同時，限定被篩出的兩個子樣客戶群的開戶時間需在觀察期以前有一定的積累①，以保證兩部分樣本群客戶有足夠可觀察的金融行為表現。另外，為考察模型的外推預測能力是否穩定，針對訓練集選擇了表現期之后的6個月數據作為非同期驗證數據。各樣本組的基本屬性如表2所示②。

（二）雙變量分析、RFM建模與檢驗

建模前，需要進行雙變量分析。一是對每個維度的指標進行合理分段，該分段后續則可直接作為各維度內細分客戶群的確定條件和篩選依據；二是要考察每一分段下的預測指標是否存在遞增或遞減趨勢。最終需要通過雙變量分析確定：（1）每段內的客戶占比至少滿足5%；（2）預測指標應同各維度下的分段指標呈現遞增或遞減趨勢。雙變量分析示意如表3所示。

通過對S客戶群在“數量—質量—效益”三個維度的雙變量分析，對應獲得了每個維度形成的x、y、z個分段，進而根據排列組合的方式獲得了x*y*z個細分客戶群。為了全面地展現細分客戶群的表現結構及與預測指標的比較，將客戶細分展現結構提煉為表4所示結構。

從應用實踐角度考慮，如果所構造的RFM分析模式能夠通過同期與非同期檢驗，則可以著重考察表現期預測指標的排序情況及對應的客戶細分條件，并以此作為未來細分客戶關系管理以及差異化營銷的客戶分群依據。

為了考察RFM模式對客戶細分及表現期預測指標的穩定性，如前所述，采用同期預留30%樣本作為測試集的方式進行檢驗。檢驗的關鍵性指標為訓練集與測試集在表現期內預測指標的變化情況，最終的檢驗圖示見圖2。通過直觀觀察兩樣本集曲線的抖動情況，可以認為基于“數量-質量-效益”對S客戶群的客戶細分在測試集表現平穩，同期檢驗通過。

為了考察RFM模式對客戶細分及表現期預測指標的外推預測能力，采用構造不同表現期數據帶入測算的方式進行非同期檢驗。客戶細分的非同期檢驗主要對考察期內各細分子群的占比變動情況進行觀察，我們采用人群穩定性系數PSI進行判別[9]。PSI在業界常用的判別標準為：當PSI小于0.1時，即認為模型結構隨時間推移不會產生重大改變，具備外推能力；當PSI介于0.1-0.25之間，可認為模型結構在考察期內有一定的結構變化，需要對其內在結構進行必要的調整和審查；當PSI大于0.25時，則認為該模型結構存在較大變化，不具備外推

能力。PSI的計算方法為：PSI=Σ[Ln（Actual/Expected）* （Actual-Expected）]。

通過對每一個客戶細分條件得到的穩定性系數進行加總，基于“數量-質量-效益”維度對S客戶群進行客戶細分的非同期PSI為0.078，可以認為整個分群內的子群結構隨時間推移沒有產生重大變化，可以依靠客戶細分對預測指標進行外推預測。非同期檢驗的展現結構見表5。

基于“數量—質量—效益”型RFM分析模式，我們完成了S客戶群的客戶分群及指標預測。從三維度指標在建模各階段的表現看，“數量—質量—效益”型RFM分析模式可以較好的達到傳統RFM的使用標準，同時基于更新的維度指標內容，也豐富了客戶細分的解釋力。

四、評述與展望

傳統RFM分析模式在商業銀行客戶與產品管理應用中存在維度指標與業務場景的脫節、未考慮產品生命周期等問題。本文分析了實踐中使用傳統RFM的局限性，引入數量、質量、效益分析維度對傳統RFM分析模式嘗試進行改進。我們對一個無法應用傳統RFM分析模式進行客戶群細分的樣本使用“數量-質量-效益”型RFM分析模式進行客戶群細分探索。結果顯示，三個維度的雙變量分析表現良好，模型的同期驗證表現穩定，非同期驗證的PSI系數為0.078，模型結構也適用于外推預測。通過實踐，認為“數量-質量-效益”型RFM分析模式可以較好的應用于商業銀行客戶群細分與數據庫營銷實踐，這一模式也為精細化產品創新管理與客戶關系管理提供了可能的思路。

實踐中，除了可以運用“數量-質量-效益”模式進行分析外，還可以嘗試靈活選擇“數量-質量-效益+”的模式進行一些有益探索。例如，可根據對業務目標的理解加入目標客戶群的相關重要屬性或特征標簽，并作為“附加分”作用于客戶細分環節，由此也可以更為豐富全面的描述目標客戶群，有針對性的提升產品創新管理與客戶關系管理的精細化水平。■

（特約編輯：陳國權）

參考文獻：

[1]Hughes， A.. Strategic Database Marketing[M]. Chicago： Probus Publishing， 1994.

[2]Bult， J. R.， Wansbeek， T.. Optimal Selection for Direct Mail[J]. Marketing Science，1995（4）： 378-394.

[3]McCarty， J. A， Hastak.， M. Segmentation Approaches in Data-Mining： A Comparison of RFM， CHAID， and Logistic Regression[J]. Journal of Business Research， 2007（6）： 656-662.

[4]Yeh， I. C.， Yang， K. J.， Ting， Taoming. Knowledge Discovery on RFM Model using Bernoulli Sequence[J]. Expert Systems with Applications， 2009（36）： 5866-5871.

[5]蔡淑琴， 馬玉濤， 王瑞. 在線口碑傳播的意見領袖識別方法研究[J]. 中國管理科學， 2013（4）： 185-192.

[6]趙萌， 齊佳音. 基于購買行為RFM及評論行為RFM

P模型的客戶終身價值研究[J]. 統計與信息論壇， 2014（9）： 91-98.

[7]Stone， B.，. Successful Direct Marketing Methods[M]. Lincolnwood， IL： NTC Business Books ，1995.

[8]關志新，劉寅，王秋雯.商業銀行個人客戶特征身份的識別——基于Logistic模型的研究[J].金融論壇，2014（7）：70

-75.

[9]蘭軍，嚴廣樂.基于客戶特征分群的銀行客戶流失分析[J].技術經濟與管理研究，2014（5）：105-108.