# 客戶分群(RFM)

客戶分群中的「Recency」（最近一次消費）概念，是RFM模型（Recency, Frequency, Monetary）中的一個重要指標。RFM模型是一種常用於客戶關係管理（CRM）的數據分析方法，旨在根據客戶的消費行為來進行分群，以便企業能更有效地制定行銷策略。

## RFM 模型的 R 模型 (Recency)

Recency 指的是客戶距離「最近一次」與品牌發生交易或互動的時間。這個時間越短，表示客戶越活躍，對品牌可能越感興趣，也越有再次消費的潛力。

## 模型的製作方式

**1. 數據準備**
* 需要所有客戶的交易數據，最重要的是要有「交易日期」。
* 確保數據的準確性和完整性。

**2. 計算 Recency 值**
* 對於每個客戶，找出「最後一筆」交易日期。
* 計算從「今天」（或設定的基準日期）到該客戶最後一筆交易日期的天數（或週數、月數，依據業務週期而定）。
* 例如：如果今天日期是 2025 年 6 月 1 日，某客戶最後一次消費是 2025 年 5 月 25 日，那麼他的 Recency 值就是 7 天。

**3. 分數劃分或分級**
* **Recency 關鍵環節**
將計算出來的 Recency 值進行分類，通常分成「高」、「中」、「低」三個等級，或者使用 1-5 分的評分系統。
* **選定分級標準**
* **行業特性與產品銷售週期**
* **高頻率消費品 (例如：速食、咖啡、日用品)：** 顧客回購週期短，Recency 的區間劃分會比較短。例如，7天內消費算高 Recency，15-30天算中等，超過30天就可能被視為低 Recency 或沉睡客戶。
* **中頻率消費品 (例如：服飾、電子產品)：** 回購週期可能是一個月到數個月。例如，30天內算高，30-90天算中等，超過90天算低。
* **低頻率耐用品 (例如：家電、汽車、房產)：** 這些產品回購週期非常長，Recency 的意義可能相對較弱，或者需要將時間區間拉得很長。例如，一年內消費算高，一年以上算低。
* **數據分佈**
可以繪製 Recency 值的直方圖，觀察數據的集中趨勢和離散程度。
* 例如，大多數客戶在 30 天內都有消費，那麼將 Recency 值分為 7天、30天、90天可能比較合理。
* **業務目標與經驗**
* 希望挽留哪類客戶？
* 行銷活動通常會針對多長時間內未消費的客戶？
* 結合過往的行銷經驗和業務專家的判斷來設定這些閾值。
* **常用方法**
* **百分比分級：** 將所有客戶的 Recency 值排序，然後將前 20% 劃分為高 Recency (例如 5 分)，接下來 20% 劃分為次高 Recency (例如 4 分)，以此類推。這是一種常見的、比較彈性的做法，可以確保每個分群都有一定數量的客戶。
* **絕對值分級：** 直接設定固定的時間閾值，例如：
* R 值 = 5 (高)：距離今天 7 天內有消費
* R 值 = 4 (中高)：距離今天 8-30 天內有消費
* R 值 = 3 (中)：距離今天 31-60 天內有消費
* R 值 = 2 (中低)：距離今天 61-90 天內有消費
* R 值 = 1 (低)：距離今天超過 90 天未消費
* 以上兩種為常見分級方式，還需要根據實際業務情形，搭配策略調整。

## 動態式與靜態式模型
RFM 模型在應用上通常被認為是動態的，因為：

* **「今天」會變動**，Recency 的計算是基於「今天」這個基準日期。隨著時間推移，客戶的 Recency 值會不斷變化。
* 例如，一個客戶在昨天消費，他的 Recency 值是 1 天（高 R）。但如果之後一個月內都沒有再進行消費，一個月後 Recency 值就變成了 31 天，R 分數會隨著時間下降。
* **需要定期更新**，由於客戶的消費行為是動態變化的，RFM 模型也需要定期更新和重新計算。
* 常見的做法是**定期跑批次計算 (Batch Processing)**，例如每週、每月或每天更新一次 RFM 分數。
* 能幫助企業即時掌握客戶的最新狀態，並調整相應的行銷策略。
* **與「回推」的關係**
* 「從最新日期往前推 7 天、30 天」，為 RFM 模型動態性的體現。
* 假如在 今天 (例如 2025 年 6 月 1 日) 進行 RFM 分析時，會將所有客戶的最後一筆交易日期與 2025 年 6 月 1 日進行比較，然後根據設定的閾值 (例如 7 天、30 天、90 天) 來賦予 Recency 分數。
* 當 明天 (例如 2025 年 6 月 2 日) 重新分析時，基準日期就變成了 2025 年 6 月 2 日，所有客戶的 Recency 值都會相應地增加 1 天，除非他們在今天有新的消費。
* 所以，RFM 模型在實作時，**是不斷以最新日期 (通常是今天的日期) 下去回推**，計算每個客戶距離該日期的天數。

## R 模型重要性

* **識別客戶活躍度與流失風險：**
* Recency 直接反映客戶當前的活躍狀態。近期有消費的客戶是活躍且高潛力的，而長時間未消費的客戶則有較高的流失風險，需要及早關注。
* **制定精準個性化行銷策略：**
* **對高 Recency 客戶**， 可以透過**維繫關係、向上銷售**來深化忠誠度。
* **對中低 Recency 客戶**， 則設計**提醒、促銷或喚醒策略**，鼓勵他們再次互動，避免流失。
* **優化行銷資源配置：**
* Recency 幫助企業優先將行銷資源投入到**最活躍、最有回應潛力**的客戶群體，提升資源使用效率。
* **預測客戶生命週期價值 (CLV)：**
* Recency 越低（越近期消費），通常代表客戶活躍度越高，未來產生更多消費的可能性越大，這暗示著其更高的潛在 CLV。

Recency 模型能幫助企業**了解客戶的即時活躍狀態**，並藉由**精準的差異化行銷**來**預防客戶流失、優化資源配置**，最終提升客戶的生命週期價值。

# RFM 模型優/缺點
**RFM 模型是企業界常用且實用的客戶分群模型。** 它的優點包括：

* **簡單易懂：** Recency、Frequency、Monetary 三個指標直觀易懂，容易理解。
* **數據易於取得：** 大多數企業的交易數據庫中都包含了這些資訊。
* **實用性高：** 能夠幫助企業快速識別高價值客戶、潛力客戶、流失風險客戶等，並針對不同客群制定差異化的行銷策略。
* **成本效益高：** 相對於更複雜的客戶分析模型，RFM 的實施成本較低。

**RFM 局限性**
* 主要基於歷史交易數據，可能無法捕捉客戶的偏好、滿意度等非交易行為資訊。
* 因此，在實際應用中，許多企業會將 RFM 模型與其他客戶分析方法 (例如客戶生命週期價值 (CLV) 分析、行為分群、客戶滿意度調查等) 結合使用，以獲得更全面的客戶洞察。