知识交换:研究/指标

非常符合逻辑的问题——你是从事市场营销的工程师吗?

简单回答你的问题:因为五分位数和近义词以前已经使用过，很容易理解。RFM分析源自过去30年的实际洞察:
1)排名靠前的五分之一群体对你的直接营销行为的反应是排名靠后的五分之一群体的3倍
2)最近购买过商品的顾客比以前购买过的顾客更有可能再次从你这里购买

以下网页提供更多详情:
https://www.dbmarketing.com/articles/Art149.htm

当然，这并不意味着我们应该努力改进当前的做法。首先，RFM分析似乎经常对响应性与盈利能力的对比感到不安(你是对的，只有频率和金钱才能进入盈利能力的等式)。对我来说，2x2并置的盈利能力和对营销行动的响应能力更有洞察力

嗨,丹

我开始回复这篇文章，并意识到关于五分位数作为一个严格定义的统计术语的实际使用，有些信息缺失，而不仅仅是一个随意的选择。

我认为您将一个样本划分为(在本例中为5个)的数量可能是任意的，但为RFM目的使用5个相等的度量远不是任意的。

事实上，我相信可以证明，从可变数据中得出的线性尺度的等分更能预测购买行为。加权和非线性划分都不会产生有用的结果。我有一篇关于这方面的论文，明天我会试着找出来。

最好的祝愿



史蒂夫。“
Xspirt

亲爱的丹

对于你的问题，你已经有了几个相当不错的答案，但我想知道你是否还想了解更多的东西。我认为有一个方面需要添加到已经提供的统计观点中，那就是RFM分析试图从现有的购买记录中预测未来的购买行为。把注意力集中在它是行为的预测因素这一事实上。因此，即使选择的参数来划分客户似乎有些随意，分析也有利于在现有客户之间产生最尖锐和最清晰的区别。

事实上，使用统计五分位数，即使承认这是对数据的任意划分，也是相当重要的。其他通过使用权重或非线性尺度来分割客户数据样本的方法，在用于RFM评分时，结果是没有用的数据，因为它不能清楚地区分最有可能进行购买的群体。

80:20规则有一些轶事价值，这就是五分位数用比率表示时的含义。使用交易的近期频率和货币价值对大量数据进行分析，可以从经验上表明，如果你在持有的数据中使用5个相等波段的线性尺度，那么在购买行为或可能的购买行为中最好进行分离。这是RFM分析最重要的一点——无论其他交互作用如何，波段必须是相等的，你当然必须排除任何使用贝叶斯统计的倾向，因为你知道的变量之间的关系比简单的数字推断的更多。

早期对RFM分析的加权尝试包括将三个变量分成宽度不等的五分位——例如，使用由每个波段的商品数量或在一个波段内购买的价值定义的波段，而不是前五分之一、后五分之一等等。在预测未来购买行为方面，它并没有得出如此一致的人口统计数据。Arthur Middleton Hughes是一位公认的数据库营销专家，他在下面的演讲中给出了一个很好的实用解释:

https://www.dbmarketing.com/Speeches/Non_Profit_Feb_4_2005.ppt

RFM分析和实践的全部观点似乎都倾向于这样一个事实，即按照推荐的方式进行，它确实会产生一致的结果。缺乏一种分析，从第一原则来看，这是将过去行为作为未来行为的预测因素进行分析的最佳方式，而且对于某些情况可能有更好的模型。三个变量的等五分位数方法的优点之一是，它将答案强行分成任意尖锐的组，你知道555分比333分更能预测未来的购买行为。

它还可以从敏感性分析中获益，这在Koen引用的论文中得到了体现——通过绘制三个值在三个五分位上的独立图，梯度最陡的那个将有最好的能力来区分购买行为。因为使用的单元评分(111到555)本质上是一个矢量乘积，这意味着最赚钱的潜在客户群体比任何其他比较简单的切割和分析数据的方法都更清楚地通过五分位数尺度来定义。这一点在休斯的分析中得到了清楚的体现。

至于你问题的第二部分，最好的方法还是看数字。订阅是通过查看一段时间内的总货币支出来处理的。最近的评分是通过查看最近的更新，并在休斯的论文中再次检查。

我喜欢这种类型的分析的一点是，您可以在今天对一个正在进行的项目执行它，但如果您有足够的历史数据，您可以从现有的数据中检查该技术的有效性。如果对5年数据的前4年的RFM分析准确地预测了第5年的收益，那么您就可以粗略地了解到，它很可能是针对第6年要接近的行业的目标!

我也研究了一些替代方法，虽然我还没有得出任何可验证或可审查的结果，但我逐渐相信，使用神经网络预测购买行为也能够产生结果。这种技术的最大问题是，没有人，包括神经网络软件的制造商，知道它会选择哪种算法来将结果与变量联系起来，因此它可能使用一些碰巧有效的深奥数学，也可能使用五分位数!看看NeuralWare作为一个简单的基于表的神经网络工具的例子。只需输入历史数据，将变量与历史结果联系起来，让它预测下一年的结果。

同样，你可以用6年的数据来做这个，用前5年的数据来预测第6年的数据，一旦你确信这是可行的，就可以用它来预测第7年的数据。使用这种技术的是一个勇敢的市场统计学家，因为除非你非常深入地分析机制，否则没有人知道除了进化出最佳适合之外它在做什么!

我希望这对你的调查有帮助


史蒂夫。“
Xspirt

您可能想尝试的另一种可能性是终身价值的多元回归分析——您的数据库中可能有其他变量可以预测终身价值。

除了回归，还有其他模型你可以尝试:

https://hbswk.hbs.edu/archive/1436.html

此外，这里还有一篇文章比较了生命周期价值和RFM度量:

https://www.marketingnpv.com/articles/research/efficacy_of_clv_measure

好运！