胡志仁

（柳州职业技术大学贸易与旅游管理学院，广西 柳州 545006）

摘要：RFM模型是一种运用广泛的客户价值分析和客户分层方法，它根据客户历史购买数据对客户进行分析和评估，以更好地了解客户的行为模式和价值，帮助企业制定更有效的营销策略。目前大多数农产品电商企业由于资金有限、人才匮乏等原因，无法有效利用RFM模型帮助其运营。本研究通过开发一种适合农产品电商企业特点的、简单实用的RFM分析方法，降低了RFM模型的应用门槛，有助于农产品网商或网店提高用户运营能力、节约获客成本、提高复购率，从而增强市场竞争力。

关键词：RFM；网络零售；农产品；客户关系管理

一、引言

随着网络技术的不断创新和农村基础设施整体水平的快速提升，农村传统经济模式转型升级步伐加快，农产品电商的发展势头迅猛，2023年全国农产品网络零售额5870.3亿元，较上年增长12.5%，已成为世界第一大农产品电商国。农产品电商对农村经济社会的辐射面不断拓展、影响程度不断加深，2021年我国农村网商、网店已有1632.5万家。

尽管发展势头向好，但从微观层面来看，农产品电商的运营者们也面临着巨大挑战，如：产品质量不稳定、服务水平不高、品牌建设较弱、客户流失严重、获客成本越来越高等等。要解决这些问题，除了提高农产品的质量控制和标准化程度、大力推进物流基础设施建设外，还应格外重视客户关系管理，毕竟客户是最重要的资源，企业间的竞争本质上是对客户资源的竞争。

在众多的客户关系管理理论和工具中，RFM模型的应用较为广泛。本文将探讨如何运用RFM模型对农产品电商的客户进行分层，并针对不同用户群体制定个性化的营销策略，提升农产品网商、网店的运营水平和竞争力。

二、RFM模型

RFM分析是一种用于客户价值分析和客户分层的数据分析方法，它根据客户历史购买数据对客户进行分析和评估，以更好地了解他们的行为模式和价值，帮助企业制定更有效的营销策略。

RFM分析最早起源于直邮营销领域。20世纪60年代，美国的一些邮购公司开始使用RFM模型对客户进行分层，目的是提高邮购广告的效率和回报率。随着计算机技术的发展和商业数据的积累，RFM模型逐渐被应用于其他行业和领域，成为一种常用的营销数据分析方法。现今，RFM模型已经成为了客户价值评估和营销策略制定的重要工具之一，被广泛应用于电子商务、金融、医疗、旅游等行业。

RFM代表着三个分析维度，即Recency（最近购买时间）、Frequency（购买频率）、Monetary（购买金额）。

1.R（Recency，最近购买时间）

R是指客户最近一次交易至参考点（一般是当前时间）的时间间隔，通常用天数或月数表示。一般而言，R值越小，表示客户最近一次购买的时间越靠近参考点，说明该客户的活跃度越高，与企业的关系越紧密，其对企业的贡献也越大；反之，则表示客户的活跃度较低，可能需要采取更积极的营销策略以挽回其购买兴趣。因此，R值越小，通常表示客户的价值越高，企业应该更加关注和重视这些客户。

在做RFM分析之前，首先需要根据店铺销售的商品差异，确定合适的时间跨度。如果经营的是快速消费品，像日用品，可以将时间跨度确定为一个季度或者一个月。如果销售的商品更替的时间相对久些，如电子产品，可以将时间跨度确定为一年、半年或者一个季度。在确定时间跨度之后就可以提取相应时间区间内的交易数据。

2.F（Frequency，购买频率）

F是指客户在最近一段时间内交易的次数。F值越大，表示客户在一定时间内购买的次数越多，说明该客户的忠诚度和购买意愿更高，与企业的关系也更紧密；反之，则表示客户的忠诚度和购买意愿较低，需要采取更积极的营销策略以增加其购买次数。因此，F值越大通常表示客户的价值越高，企业应该更加关注和重视这些客户，并采取措施增强其忠诚度。

3.M（Monetary，购买金额）

M是指客户在最近一段时间内交易的金额。不同的行业或企业可能会根据具体情况和需要，对M值进行不同的划分和解读——可以是客户消费的总金额（总数），也可以是平均值（客单价）或最大值（最大金额）。一般而言，M值越大，表示客户在一定时间内的消费金额越高，说明该客户的价值和贡献更大，对企业的影响力也更强；反之，则表示客户的价值和贡献相对较低。

我们可以在店铺的交易记录中获取R、F、M三个指标的数据，然后确定划分每个指标高低的标准，最后通过将每位客户的三个指标与划分标准进行比较，可以将客户细分为八类（表1）。

表1 客户类型的划分

商家可以根据客户分类结果，针对不同类型的客户制定营销策略（表2）。

表2 针对不同客户类型可采用的营销策略

三、分析过程

针对农产品电商行业人才匮乏（尤其是专业的数据分析和营销人才）、分析工具和技术手段有限的特点，本文以一家真实的农产品网店为例，运用Excel作为工具进行RFM分析，分析过程简单，便于农产品电商运营人员理解和操作。

表3是该网店一段时间内155名用户的订单信息，包括订单编号、用户ID、订单付款时间、收货地址、买家实际支付金额。

表3  网店一段时期内的订单信息（部分）

以下是具体的分析步骤。

1.计算R、F、M的值

选中表格中的数据区域，插入数据透视表（选择在新工作表中插入）。

透视表中需要添加的字段有：用户ID、订单付款时间、买家实际支付金额。在添加数据透视表字段时，要把“用户ID”字段设为行标签，同时还要将其拖入“值”区域中（汇总方式为“计数”），以统计每位客户的购买次数，即F值。此外还要将“订单付款时间”和“买家实际支付金额”字段也拖入“值”区域中，其中“订单付款时间”的值取“最大值”（因为计算R值需要确定客户最近一次购买的日期）；“买家实际支付金额”的值即M值，可以取“求和”（即一名客户购买的所有订单总额）或者“平均值”（即一名客户购买订单的平均支付金额）。

通过以上步骤可以直接得到每位客户的F值和M值，而R值还需要通过进一步的计算才能得出。因为R值为客户最近一次购买的日期到统计截止日期（本例中为2022年3月31日）的时间间隔，所以可在数据透视表右侧的某一列中，对应每一笔记录，输入截止日期“2022/3/31”（可复制粘贴或在表格中自动填充完成），然后复制数据透视表中“订单付款时间”的数据并粘贴到旁边一列，两者相减，即可得到时间间隔R值。处理结果如表4。

表4 R值的计算结果（部分）

为方便后续操作，可以将透视表中的用户ID（图1中的“行标签”列，即A列）以及R值、F值（图1中的C列）和M值（图1中的D列）复制粘贴到一个新工作表中，如表5所示。

表5 用户的R、F、M值（部分）

2.区分R、F、M值的高低

用该模型对客户做价值度区分并分类，需要判定每位用户R、F、M值的高低（见表1）。因此，接下来要做的就是对R、F、M指标分段，以确定每一位客户在这三个指标上的表现。

对指标分段是RFM分析中的关键问题。指标分段的方法有很多，但由于绝大多数农产品网商或网店没有专业工具（软件），也缺少专门的数据分析人才，因此从便于操作的角度出发，可以依据“二八定律”，直接采用80%分位数来确定分段标准。

（1）判定R值的高低

使用PERCENTILE.EXC函数计算所有用户的R值20%分位数^③，返回值为38，意味着约有80%的R值大于等于38。由此可以认为，R值小于38的客户属于表现较好的客户^④。也就是说，R值小于38的用户，对店铺提供即时的商品或服务也最有可能响应，产生回购，可判定他们的R值为“高”。

接下来，可以使用IF函数来判定每位客户R值的表现，结果如表6所示。

表6 客户R值表现的判定结果（部分）

（2）判定F值的高低

参考判定R值高低的办法，对用户F值数据使用PERCENTILE.EXC函数进行计算，返回值为2，意味着约有80%的F值小于2。由此可以认为，F值大于等于2的用户表现较好，小于2次的用户F值偏低。然后再用IF函数来判定每位客户F值的表现。

（3）判定M值的高低

具体方法与判定F值高低的方法一致。

3.客户分类

这一步主要是根据R、F、M这三个指标的表现进行客户分类，具体可以利用IF函数来实现^⑤，结果如表7。

表7 用户分类的结果（部分）

4.制定营销策略

在对客户分类后，这家网店便可以有针对性地为每一类客户制定相应营销方案，表8是该网店拟定的可供选择的策略。

表8 可供选择的营销策略

当然，农产品网商或网店要应用此方法进行RFM分析，必须明确以下几点。

第一，只需有订单数据就可以开展RFM分析。

订单数据至少应包括用户名、订单日期和成交金额信息。其中，用户名用于识别具体的用户，以及判断客户的购买频次；订单日期用于计算R值；成交金额用于计算M值。其中M值可以是总金额，也可以是平均每次的成交金额（即客单价）。

第二，每次做RFM分析，都要确定三个指标表现好坏的划分标准。

区分各项指标的“高”和“低”，不能直接套用以前用过的标准。因为店铺的订单数据是动态数据，不同时期的经营情况会有所变化，所以指标好坏的划分标准也要因时而变。

第三，确定指标高低的划分标准，可用的方法有多种。

除此例用到的80%分位数的方法外，还可以使用四分位数（75%分位数）、中位数（50%分位数）的方法，以及打分法，或者根据经验划分等等。

第四，指标分段的标准直接影响客户分类结果。

如果此例中选用中位数作为划分各个指标高低的标准，那么各类型客户的数量就会大致相当。因此，是否选用了合适的指标分段方法是决定RFM分析效果好坏的关键。

四、评价

虽然RFM模型的应用非常广泛，但是对于大多数农产品网商和网店来说仍然有很高的门槛。它们基本上都属于小微型企业，由于高端人才匮乏和知识结构方面的原因，对RFM模型知之甚少，又往往因为资金有限，其使用的数据分析或客户关系管理软件中较少提供RFM分析功能。而本文提供的RFM分析方法从应用角度来说具有极大优势，具体如下。

1.无需额外支出成本采购CRM或其他营销管理软件，只需Office Excel或是WPS等办公软件即可进行分析，减轻了企业负担。

2.对人员要求不高，不需要专业的数据分析人员，也不用具备软件代码和数据分析方面的专业知识。整个分析过程都在Excel中操作，所涉及到的功能和函数不多，员工基本上在很短时间内通过自学（比如软件自带的帮助功能或搜索网上的信息）即可掌握。

3.与其他RFM分析的处理过程相比，本文所使用的方法更为实用。比如操作步骤简单，其他方法那样在区分R、F、M指标好坏时，需要对用户的R、F、M值分别进行评分，最后依据三个指标的总分（或平均分）将客户分类，而本方法在区分各指标好坏后可直接利用函数对客户分类。再比如在确定R、F、M指标分段的标准时，是运用“二八定律”将客户分为两类，没有采用等距划分的办法，从统计学的角度来看更为合理。而且也没有将指标过分细分（只分为“好”/“坏”或“高”/“低”两类），避免将客户群体分为更多类型，对于客户数量不多、资源有限的农产品网商和网店来说，可以更加容易区分出有价值的客户，资源的利用也更加有效。

注释：

①例如肯德基推出的“大神卡”付费会员计划，用户支付19元可获得限时3个月的会员权益，每天可享受3项折扣或优惠的特权。因为用户为获得会员权益支付了费用，所以会倾向于更加积极的使用会员权益购买商品。

②如饮料、个人护理用品等，品牌商必须不断推出新的产品系列或更新包装，以刺激老客户再次购买。

③因为对于R值来说，越小越好，即上次购买日期越近越好，所以此处采用20%分位数作为参数，而不是80%分位数。

④也可以用PERCENTILE.INC函数来处理，与PERCENTILE.EXC函数一样，二者都用于计算百分位数，只是它们的计算方法有区别。如果要处理的数据集中有存在奇异值或极端值，或是计算结果需要排除数据集中的重复值，应使用PERCENTILE.EXC函数。

⑤此例中写为“=IF(G2="高","重要","一般")&IF(AND(E2="高",F2="高"),"价值客户",IF(AND(E2="高",F2="低"),"发展客户",IF(AND(E2="低",F2="高"),"保持客户","挽留客户")))”。

参考文献：

[1]2024中国农产品电商发展报告：我国成全球最大农产品电商国拼多多等引领数字转型[EB/OL]. (2024-03-20)[2024-08-22]. 

[2]阿里研究院. “数商兴农”：从阿里平台看农产品电商高质量发展[EB/OL]. (2022-05-23) [2024-08-23].

基金项目：柳州职业技术学院2023年校级科研一般课题“客户关系管理视角下的广西农产品电子商务发展策略研究”（2023SB27）