基于RFM模型的个人客户忠诚度研究
导读: 金融论坛 2012年第3期(总第195期) 基于RFM模型的个人客户忠诚度研究 王文贤 金 阳 陈道斌 [摘要]本文在总结个人客户忠诚研究理论的基础上,提出了基于RFM模型的多层级个人客户忠诚度衡量指标及评估模型。作者利用商业银行数据仓库积累的数据,对个人客户
金融论坛
2012年第3期(总第195期)
基于RFM模型的个人客户忠诚度研究
王文贤
金
阳
陈道斌
[摘要]本文在总结个人客户忠诚研究理论的基础上,提出了基于RFM模型的多层级个人客户忠诚度衡量指标及评估模型。作者利用商业银行数据仓库积累的数据,对个人客户忠诚度进行了实证研究,分析和评价了个人客户的总体忠诚度,以及活期存款、信用卡、定期存款、理财类和贷款的分产品忠诚度;结合客户的收入贡献,将个人客户划分为“挚友、藤壶、蝴蝶、陌生人”四类客户群体,并建议在实际业务应用中,对“挚友”客户重点维系;对“藤壶”客户重点营销,提升其价值;对“蝴蝶”客户进行“陌生人”客户要及时辨识,努力唤醒,降低维系成本。维护时侧重挽留;而对
[关键词]商业银行;客户忠诚度;数据仓库RFM;)[文章编号]1009-9190(201203-0075-06
[中图分类号]F82
[文献标志码]A
AStudyofPersonalCustomerLoyaltyBasedonRFMModel
WANGWen-xianJINYang
CHENDao-bin
[Abstract]Basedonthesummaryofpersonalloyaltytheory,thispaperproposesindicatorstomeasurepersonalcustomerloyal-tyandanevaluationmodel.Withthehugeamountsofdataaccumulatedbythecommercialbank’sdatabase,theauthorempiri-callyresearchesthepersonalcustomerloyalty,analysesandevaluatestheoverallpersonalcustomerloyaltyandtheloyaltyto-wardsdifferentproducts,suchascurrentdeposit,creditcard,termdeposit,wealthmanagementproductsandloans.Accordingtotherevenuecontributionofcustomers,theauthorpidesthepersonalcustomersintofourgroups(friend,barnacle,butterfly,andstranger),andsuggeststhat,intheactualbusiness,itshouldbethekeytomaintainthecustomer“friend”,marketthecustomer“barnacle”andincreaseitsvalue,retainthecustomer“butterfly”whenitisserved,andtimelyidentifyandwakenthecustomer“stranger”soastoreducemaintenancecost.
[Keywords]commercialbank;customerloyalty;RFM;database
近年来我国商业银行个人金融业务快速发展,个人客户规模不断增长,与此同时个人客户需求逐渐多样化,银行金融产品创新步伐不断加快,竞争对手模仿周期日趋缩短,金融产品同质化现象突出,客户选择不同商业银行产品的满意度差异不大,客户忠诚度不高。商业银行要在这种激烈的竞争中取得比较优势,在相当程度上如何认识、评价和提升个人客户的忠诚度是提升商取决于采取个性化措施提高自己拥有客户的忠诚度。因此,业银行核心竞争力的重要手段。
对于客户忠诚的研究,学术界有客户忠诚行为论、客户忠诚意愿论以及客户忠诚综合论等不同的定义,其中,行为方面的客户忠诚相对容易采集和量化,因此在营销领域主要侧重评价客户的行为忠诚度。行为忠诚的衡量指标和评分方法的研究比较丰富,但多数都是针对零售行业,专门针对商业银行客户忠诚行为的分析和模型较少。基于客户关系管理领域广泛应用的RFM模型,根据零售银行产品的不同特征,以及商业银行数据仓库
[收稿日期]2011年7月7日
[作者简介]王文贤,女,中国工商银行管理信息部,经济师,硕士(北京,),金阳,100140E-mail:wangwenxian@http://www.77cn.com.cn;男,中国工商银行管理信息部,高级经济师,博士;陈道斌,男,中国工商银行管理信息部,资深专家,副研究员,博士。
75
金融论坛
2012年第3期(总第195期)
可获取的数据对模型进行扩充和改进,本文形成适用于零售商业银行的个人客户忠诚度评估指标和模型。基于改进的个人客户忠诚度评估模型,本文利用商业银行数据仓库抽样数据进行实证研究,并进行客户忠诚度与收入贡献的综合分析,以期有效区分不同客户的忠诚度,揭示出客户忠诚度的分布规律。
一、客户忠诚度相关研究
对于客户忠诚的界定问题,不同学者对此有不同的阐释,总体来看在客户忠诚维度结构的认识上主要存在以下三种观点:一是客户忠诚行为论,定义客户忠诚为重复购买同一品牌或产品的行为。二是客户忠诚意愿论,认为客户忠诚是某个企业的客户愿意继续购买该企业产品或服务的意愿、态度和倾向。三是客户忠诚综合论,即衡量客户忠诚既要考虑客户的再次购买行为,也要考虑客户对企业及员工的情感态度(马力行、蒋馥,)。2004具体到商业银行的客户忠诚就是,客户对特定的银行某种产品或服务产生较深厚的情感,长期惠顾这家银行,而对竞争银行及其产品或服务的营销活动具有免疫能力(胡瑜惠,)。2006
对于忠诚度的衡量,最初衡量的是再购行为,但营销研究已经证实忠诚度与再购行为无法完全画等号。(1991)提出忠诚度的衡量包括行为与态度两方面,其中,行为忠诚偏向顾客实际购买的行Blackman和Crompton
为层面,态度忠诚则属于顾客心理层面。随着不同学者对忠诚度衡量指标的研究,该指标进一步细化:态度方面的忠诚,主要表现为情感的倾向、对所使用产品的推荐和对竞争产品的免疫力;而行为方面的忠诚,主要表现为重复购买、购买频率与数量等。在实际应用中后者较前者相对容易采集和量化。
为了能够更为直观、快速地判断客户忠诚度的高低,往往要基于相关的衡量指标来得到对客户忠诚度客户忠诚度综合评价多是通过评分方式获得,通常采用的方法包括专家经验评分法、权重评分的综合评价。
法和RFM模型评分法。这三种方法各有其特点,专家经验评分法是专家根据经验建立客户级指标体系和设定评分规则,对每个客户按周期给出一个评分结果,其特点是综合度高,评分结果方便使用,但不同指标的评分方法不同,数据加工方法较为复杂,且一般不针对产品特性设计,难以进行产品级别的评分;权重评分法是基于已建立的忠诚度衡量指标层次结果,邀请熟悉银行业务和客户关系管理的专家进行打分,将专家的打分结果进行汇总计算,形成指标的权重,构建过程相对比较复杂,其特点类似于专家经验评分法,也是基于客户层级的评分,一般不针对产品级别评分,所有指标采用统一分制,比如5分制、10分制或100分制等进行评分。
流失倾向和衡量客户生命RFM模型评分方法是客户关系管理领域广泛应用的一种用于评价客户忠诚度、
周期价值的计算方法,通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三类指标来动态展示一个客户的整体轮廓,即距离上一次交易的时间(简称“近度”,)、最近N个月的交易次数(简称“频度”,Recency)和最近N个月的交易金额(简称“额度”,)的综合分析,简称RFM分析(StoneandBob,FrequencyMonetary
)。RFM分析的基础是三类重要的客户行为指标:一是距离上一次交易的时间R(Recency),即从上次购买1994
到当前的时间间隔,该值越小意味着客户再次购买的可能性越大。确定计算周期,将周期内的客户距离上一次二是最近N个月的交易次数F(Frequency),即客户在某一时间段内总的购买交易的时间进行五等分进行评分。
次数,购买频率越高表示客户越忠诚。确定计算周期,将周期内客户的交易次数进行五等分评分。三是最近N个月的交易金额M(MonetaryValue),即某一时间段内客户的消费总额,该值越大意味着客户对银行的利润贡献越大,越应关注该客户。确定计算周期,将周期内客户的交易金额进行五等评分。
可利用下面两种方式对三类指标进行综合形成客户忠诚度最终评分:算法1:产生125种客户细分RFM=R×F×M,算法2:产生15种客户细分RFM=R+F+M,
由于算法1得到客户分类较多,更有利于客户差异化营销和服务。RFM评分法强调以客户过去的交易数据来区分客户的行为特征,其特点是所用到的数据易于获得,且计算逻辑简单易懂,非常适用于有众多客户的零售银行客户的忠诚度评价。但RFM模型通用指标相对简单,难以完全涵盖零售银行复杂的产品条线,因此本文将基于RFM模型,根据零售银行产品的不同特征对模型进行扩充和改进,形成适用于零售商业银行的个人客户忠诚度评估模型。76
王文贤、金阳、陈道斌:基于RFM模型的个人客户忠诚度研究
表1产品层级的忠诚度衡量指标
产品
近度指标R距离上次交易时间距离上次交易时间
频度指标F交易次数交易次数
额度指标M交易金额交易金额月均余额收入
距离上次交易时间
主动动卡次数消费次数活动卡数未激活卡数
距离上次购买时间
产品持有数目
透支余额交易金额
月均信用额度使用率收入月均余额收入
二、基于数据仓库的
RFM忠诚度评估模型的建立
本文利用RFM模型的基本原理,结合商业银行个人金融产品的特征,对RFM模型进行了改进和扩充,形成了产品层级的忠诚度衡笔者选取了5种代表性量指标,如表1所示。个人金融产品,即活期存款和信用卡这两种交易类产品,定期存款、理财类产品(包括基金、债券、本外币理财产品)以及贷款三种非交易类产品,根据各产品的特征和数据状况构建了(近度)、(频度)、(额度)的关键指标。RFM
近度指标R中,在通用指标的基础上,活期存款产品的近度指标增加了产品持有时间,体现客户与银行建立关系的时间长短;信用卡产品增加距离启卡时间指标,即客户启用信用卡到当前的时间间隔;定期存款通过距离上次购买时间体现产品持有时间,同时
通用指标
活期存款产品持有时间
银行卡
距离启卡时间
定期存款(续存视为购买)距离到期日时间距离上次申购时间
申购次数产品持有种类产品持有数目
月均余额收入
理财类产品产品持有时间
贷款
贷款剩余期限产品持有时间
还款次数产品持有数目
贷款余额收入
利用距离到期日时间扩充近度指标,一般情况下定期存款的到期日时间越长,客户越忠诚;理财类产品和贷款产品也增加了产品持有时间指标。频度指标F中,根据信用卡产品交易特点,选择主动动卡次数、消费次数、活动卡数、未激活卡数指标全面反映客户使用信用卡的忠诚度;定期存款产品属于非交易类产品,因此通过产品持有数目来反映频度指标;理财类产品通过申购次数、产品持有种类和数目指标来反映客户在银行持有产品数在交易金量和交易活跃程度;贷款产品通过还款次数和产品持有数目反映客户产品持有数量。额度指标M中,额基础指标之外,增加月均余额和客户在该产品上给银行带来的收入两个指标来补充额度指标。
产品层级的忠诚度衡量指标构建具有如下特点:一是根据不同产品特征,对衡量指标进行了扩充,如使用定期存款距离到期日时间来扩充定期存款的近度指标;二是根据交易类与非交易类产品的差异,忠诚度衡量指标也有所侧重,如动卡及消费次数等指标,而非交易类产品更侧重产品持有的种类、数目等指标(见表1)。频度指标,交易类产品侧重交易、
接下来,基于上述五类代表性个人金融产品的个人客户忠诚度衡量指标,构建出RFM个人客户忠诚度评估模型(PCLM)。利用各产品的R近度、采用五等评分得到各产品的R、通过乘积方F频度、M额度指标,F、M评分,式得到各产品的RFM评分,即产品层级的忠诚度评分。根据不同产品对忠诚度的影响程度,采用专家咨询汇总权。该模型从层级上包含客户级和产品级两重方式确定各产品合理权重得到个人客户忠诚度总体评分(见图1)个层级的客户忠诚度评价,在实际应用中既有全行客户级的忠诚度评分,也有核心个人金融产品相对独立产(PCLM)的计算公式如下:品级的忠诚度评分,满足不同产品条线管理的需要。个人客户忠诚度评估模型
RFM
赞)赞)赞)(Σwjp(Σwjp(ΣwjpPCLM=ΣWiRFMi=ΣWiRiFiMi=ΣWifjifjifji
555
i=1i=1i=1
其中,(i代表活RFMi为客户产品层级的忠诚度评分,Wi为客户忠诚度评分中各产品层级忠诚度评分的权重
银行卡、定期存款、理财类、贷款5类产品,)。Ri、频度、额度的期存款、i=1,2,3,4,5Fi、Mi为客户产品层级的近度、赞)赞j汇总分值高低排序的五等评分函数,评分,三者的乘积形成RFMi。f(Σwjp依各产品的指标即可得到j为按照wjp赞j为pj标准化后的评分,相应的Ri、其中,(j代表各项指标,…34),pFi、Mi评分,pj为忠诚度衡量指标j=1,2,wj为pj在相应近度R、频度F、额度M指标中的权重。
三、个人客户忠诚度抽样实证分析
为了验证个人客户忠诚度模型(PCLM),本文基于某商业银行数据仓库积累的客户历史交易数据,随机抽
77
金融论坛
2012年第3期(总第195期)
取了20万个客户2009年的交易数据进行研
究,形成了对商业银行个人客户忠诚度的实证评价。2009年随机抽样客户在活期存款、银行卡、定期存款、理财类产品和贷款5类个人金融产品中至少有一笔交易,并且年龄在18~55岁。
(一)个人客户忠诚度总体分布
按照PCLM计算得到的忠诚度评分结果
介于1~125分之间,
客户忠诚度评分之和与客户数相比得到的忠诚度均值为14.51,大于均值的客户人数占比为40.18%,这类客户分值分布相对比较分散;忠诚度评分小于均值的客户人数占比为59.82%,这类客户分值分布相对较为集中(见图2)。
从客户使用单个产品的忠诚度分布来看,活期存款、银行卡、定期存款、理财类和贷款产品客户忠诚度评分均值分别为36.98、35.85、
31.50、36.67和31.84分。五类产品忠诚度高于平均水平的客户占比均在35%~40%,低于平均水平的客户占比在60%~65%,
如图3所示。无论从客户总体忠诚度还是从分产品的忠诚度分布来看,该商业银行都只有少部分客户属于比较忠诚的客户,而大部分客户忠诚度相对较低。因此,对于商业银行而言,在提高客户整体忠诚度水平方面仍有大量工作要做。
(二)个人客户忠诚度分类分析
利用各产品的RFM忠诚度评分结果,对图1
个人客户忠诚度评估模型(PCLM)
个人客户进行聚类分析,得到7类特征各异的客户群(见图4
)。其中,客户群6和客户群3属于理财和银行卡
“钟爱者”,忠诚度比较高,分别是平均水平的3.54和2.52倍(见表2),其特征也比较类似,即理财类产品和银行卡产品的RFM对客户的忠诚度贡献比较大。客户群6比客户群3在这两类产品上的忠诚度更高,客户群6的理财类产品RFM是平均水平的11.89倍,银行卡产品
RFM是平均水平的6.06倍;
客户群3比客户群6忠诚度略低一些,
其理财类产品RFM是平均水平的6.63倍,银行卡产品RFM是平均水平图2
客户总体忠诚度分布
的3.76倍。
客户群2、4、5忠诚度水平相当,但忠诚的产品大有差异,体现出不同客户的产品偏好。这三类客户群忠诚度比较接近,均是平均水平的1.5倍左右,但各客户群在不同产品上的忠诚度表现差异很大,客户群2在理财类产品上的忠诚度高,是平均水平的5.84倍;而客户群4的定期存款产品RFM指标表现比较突出,是平均水平的3.56倍;客户群5在活期存款方面的忠诚度较高,是平均水平的2.62倍。78
王文贤、金阳、陈道斌:基于RFM模型的个人客户忠诚度研究
表2各类客户群的忠诚度数值
客户群客户占比(%)活期存款RFM均值银行卡RFM均值定期存款RFM均值理财RFM均值贷款RFM均值RFM均值RFM指数1234567合计
36.964.413.4912.6516.532.0823.87100.00
5.7217.4583.2428.5396.9273.7642.0036.98
5.0810.4936.196.5513.3058.327.439.62
14.787.2312.9674.0113.7217.1210.6420.76
2.0257.4265.273.864.03116.972.909.84
1.441.452.931.203.832.791.952.01
5.8319.4136.6123.4621.5451.3211.0014.51
0.401.342.521.621.483.540.761.00
客户群1和客户群7属于近60%的“低忠诚者”,但客户占比都比较大,占比分别为36.96%和其对所有产品的忠诚度23.87%。尤其是客户群1,
均低于平均水平。
四、客户忠诚度与收入贡献综合分析
我们在对忠诚度和客户为银行创造价值(这里称为“客户贡献”)之间的关系进行实证研究时发现,客户的忠诚度与客户对银行的贡献并非呈现正比关系,也就是说忠诚度高的客户不一定能为商业银行带来高贡献。为使分析结果在业务应用中更加客观,商业银行在应用忠诚度时往往会结合客户的收入贡献来对客户进行综合评价。通过结合客户贡献数据,与客户忠诚度评分结果进行交叉分析,从而将个人客户分为“挚友、藤壶、蝴四类客户群,如图5和表3所示。蝶和陌生人”
第I象限的客户收入贡献大,忠诚度高,是商业银行喜欢的“挚友”客户。这类客户相对较少,占比为13.08%,但是其忠诚度是平均水平的2.09倍,收入贡献是平均水平的4.29倍,大大高于平均水平。因此,这类客户属于商业银行的优质客户,应该重点关注、细心呵护、加强维护。
第II象限的客户忠诚度较高,但收入贡献较弱,类似于附着在礁石或船体的一种海洋小动物藤壶,因此我们形象地将这类客户称之为“藤壶”客“藤壶”类客户数量不少,占比超过1/4,从分析户。
来看,这类群体的忠诚度是平均水平的1.59倍,但收入贡献只有平均水平的0.44倍。因此,针对此类客户的重点是加强营销,提高其价值,进而为商业银行贡献更多的收入。
第IV象限的客户收入贡献很高,但忠诚度较低,他们就像美丽的蝴蝶一样在不同的商业银行间飞来飞去,因此我们称之为“蝴蝶”客户。这类客户
图5
客户总体忠诚度与收入贡献分布
注:指数指某群客户特定指标相对平均水平的高低,大于1代表高于平均水平,小于下同。1代表低于平均水平,
图3各产品的客户忠诚度分布
图4客户忠诚度聚类分析
79
金融论坛
表3
2012年第3期(总第195期)
个人客户的忠诚度和收入贡献分布
客户群I“挚友”II“藤壶”IV“蝴蝶”III“陌生人”合计
占比(%)13.0827.105.2354.59100.00
忠诚度均值30.3523.028.107.1014.51
忠诚度指数2.091.590.560.491.00
收入贡献均值343.4435.54233.5124.3080.04
收入贡献指数
4.290.442.920.301.00
数量极少,占比仅为5.23%,从分析来看,其收入贡献很高,是平均水平的2.92倍,但忠诚度较低,仅有平均水平的0.56倍。因此,针对此类客户营销策略的重点是预防流失,并“挚友”群体。尽量挖掘其价值,促进客户进入
第III象限的客户收入贡献很低,忠诚度也低,我们称之为商业银行的“陌生人”客户,
表4各产品的四种类型客户分布(%)
活期存款
银行卡11.4427.422.0959.05
定期存款17.7721.365.4055.47
理财6.3729.043.0361.56
贷款11.0424.278.3456.35
“挚友”“藤壶”“蝴蝶”“陌生人”
16.3323.808.2951.58
这类客户占了绝对多数,占比达到了54.59%。从分析来看,这类客户的收入贡献仅有平均水平的0.30倍,忠诚度仅有平均水平的0.49倍。这就需要商业银行及早辨识和分类,将其引导到低成本服务渠道上(如电子银行渠道),降低对其服务的成本。
经过对产品层级忠诚度及收入贡献的综合分析,发现“挚友、藤壶、蝴蝶和陌生人”四类客户在活期存款、银定期存款、理财类和贷款产品五类代表性金融产品上的分布各有其特点,总体分布情况如表4所示。可以行卡、
看出,“挚友”类客户在五类产品上的分布各不相同,其中,定期存款和活期存款的挚友类客户较多,占比均超过分别为17.77%和16.33%;银行卡和贷款产品的“挚友”类客户占比较接近,分别是11.44%和11.04%;理财15%,
“挚友”客户最少,仅占6.37%。上述五类产品的“藤壶”客户占比较接近,均在21%~29%,理财类产品的类产品的
“藤壶”客户最多,占比为29.04%;定期存款的“藤壶”客户最少,占比为21.36%。“蝴蝶”客户在五类产品上的占比活期存款和贷款分别有8.3%左右的客户属于此类客户,银行卡的“蝴蝶”客户最少,仅占2.09%。均在10%以下,
“陌生人”客户在五类产品中的客户占比都很高,均在50%以上,尤其是理财类产品“陌生人”客户占比超过60%。
五、结论
根据RFM评分方法的基本原理,结合商业银行五类代表性个人金融产品的不同特征,本文构建了商业银行个人客户忠诚度评估模型,提出采用多指标综合评价和计算产品层次忠诚度,并通过专家咨询建立了汇总合理权重的个人客户忠诚度总体评分模型(PCLM)。基于商业银行数据仓库积累的历史抽样数据,本文对个人客户忠诚度评估模型进行了实证研究,结果表明个人客户忠诚度评估模型可以有效区分不同客户的忠诚度高低,“挚友、藤壶、蝴蝶、陌生人”不同分类的客户揭示了客户忠诚度的分布规律。通过与客户收入贡献交叉分析得到
产品营销以及客户挽留等工作提供更有针对性支持。群,为商业银行开展差异化客户维护服务、PCLM模型适用于零售商业银行个人客户忠诚评价,模型分析过程透明、结果简便易用,易于业务推广。基于本文客户忠诚度和收入贡献交叉分析结果,实际业务应用中建议采纳的业务策略主要包括:对双高的“挚友”客户进行重点维系,同时避免过度打扰;对于众多的“陌生人”客户要及时辨识,努力唤醒的同时,注意降低维系成本;针对“藤壶”客户进行重点营销,提升其价值;针对“蝴蝶”客户,维护服务时应侧重挽留,预防流失。
[参考文献]
胡瑜惠,[J](6):2006.论商业银行顾客忠诚度的提高.商业研究,74-77.
马力行、蒋馥,[J](15):2004.客户忠诚的影响因素及其相互作用.商业研究,36-37.
[J](3):Blackman,J.,andCrompton,L.,1991.TheUsefulnessofSelectedVariablesforPredictingActivityLoyalty.LeisureScience,13205-220.[M]Stone,andBob,1994.SuccessfulDirectMarketingMethods.Lincolnwood:NTCBussinessBooks.
(责任编辑:梅
80
言校对:渐修)
网址:基于RFM模型的个人客户忠诚度研究 https://mxgxt.com/news/view/137231
相关内容
明星代言人的商业价值与企业品牌定位的匹配度模型研究手把手教你用几行Python和消费数据做客户细分
《2024年 基于社群文化的明星粉丝消费行为研究》范文
明星导演影响力与电影票房基于我国电影市场的实证研究(25页)
基于搜索引擎索引分析的互联网舆情监控研究.docx
网络舆情潜在热点主题识别研究*
明星丑闻对所代言品牌态度影响实证研究.doc
新研究发现记忆不只存在于大脑中
中国文学起源与中华文明基因形成研究项目正式启动
各主星爱情忠诚度谁高谁低