CRM 顧客分眾:只有 RFM 、 NES 不夠,你還缺了…

by | 11 月 18, 2022 | AI 轉型

市售 CRM 系統,都可以用 RFM 功能,做到顧客分群,讓行銷人員知道如何安排行銷資源。
但為什麼,還是有許多客戶找上宇鯨,為他們客製化顧客分群貼標呢?

這篇文章就來告訴你,到底,想做到精準的顧客分群,你還缺了什麼?
宇鯨的 CS tagging 系統,又能如何幫助你提升業績、顧客滿意度、品牌忠誠度呢!


【應用小檔案】

  • 適用產業:電商平台(商品型、知識型、服務型…)、品牌電商(服飾、家飾、保養品、保健品….)、實體零售、服務(服飾、醫美、美容美髮…)…
  • 適用情境/場景:需要更細緻的區分顧客屬性不同,而搭配最佳的行銷、服務方式,以提升業績、顧客滿意度。做到精準行銷,讓行銷資源、人力資源都能發揮最大效益。

CRM 顧客分眾是什麼:

企業經營中,「顧客關係管理」是很重要的一環,將耗費大量行銷、精力,好不容易轉化成顧客的新客戶留住,並轉成長期持續消費的忠誠客戶,才能為企業帶來持續的業績收入。而不論是業務或行銷人員,在有限的時間精力下,會將大部分的心力,放在少數的重點客戶上。對於剩餘的大多數客戶,卻不知道如何分配時間與心力服務,以及善用個別適合的個人化服務。無形中便流失了許多潛在的優質客戶,浪費了業績提升的好機會。

因此現在的企業,更懂得顧客分群的重要。將顧客細分切分後,建立顧客結構,能更細節的挖掘出不同群體的潛在含金量。

現行作法:

坊間的 CRM 軟體,幾乎都有 RFM 功能的選項。就是為了能更細節的切分出不同的顧客,並且依照其偏好特性,進行不同的廣告投放。

所謂的 RFM ,就是將顧客以 R(Recency)、F(Frequency)、M(Monetary)的不同維度進行切分。常見如:

  • R 近期剛消費過、F 消費週期長、M 消費金額高 的客群,可定義為重要發展客戶。當客戶剛消費過,並且願意在該品牌做出高額消費,代表是顧客對品牌記憶很新、熱騰騰的時候,可以把握進行售後服務的調查,確保整體消費體驗良好,引導下次的消費體驗。
  • R 距離前次消費時間久、F 消費週期長、M 消費金額高 的客群,可定義為重要挽留客戶。因為消費金額高,代表是有潛力的重要顧客,但許久沒有回來消費,代表正在流失中,可能是快忘記品牌了。當企業能判斷出這群客戶時,便能藉由行銷活動(例如發送折價券),吸引客戶回來消費,回到正常的固定消費行為。

而常見搭配 RFM 使用的 NES,可以用來定義:New(新客)、Exsiting(既有客戶)、Sleeping(沈睡客戶),則常見和 RFM 搭配後,可以分群出「重點保持客戶」、「重要發展客戶」、「重要挽留客戶」,及「其他一般客戶」。

不論是 RFM 還是 NES ,都屬於「靜態貼標」

靜態貼標的作法是用「絕對值」來作為分類標準,能夠簡單的一刀切。而能當作靜態標籤的屬性,必須是「容易取得」、「不常改變」、「難以更改」。例如:性別、年齡、居住地,都是幾乎不會變動的特性。或交易紀錄中能被數值化的資料(例如,累計花費總額、消費累計次數…),都能在加總計算後,基於和「絕對值」的比較,而落入不同的分群中(例如,消費金額小於3萬元,高於1萬元、消費次數多於5次,少於10次)。都屬於靜態標籤。

但如果是用「相對值」做切分標準的,則是「動態標籤」。例如:消費金額落在全體顧客消費金額「前5%」。

現行作法的優點:

最主要好處是設置簡單、容易設置。

現行作法(靜態貼標)的問題:

  • 無法反應市場的真實情況:隨著整體消費者行為的改變,「絕對值」的定義可能逐漸遠離最新的市場情況。例如:過去平均每單消費滿200元即屬於重要客戶,但隨著整體消費水準的提高,可能高於500元才屬於重要客戶。也就偏離了實際消費者市場現況。
  • 分群不夠細緻:每個顧客都有多面向的行為,包含對不同商品的喜好(例如:染護保養洗髮精、去油去屑洗髮精…)、對價格敏感度的不同(9折、8.5折、折50元、折200元…)、偏愛使用的優惠方式不同(例如:買一送一、滿千送百、紅利積點…)。但靜態標籤,例如 RFM:只能針對「進站/來店的前次時間」、「平均頻率」、「單次的花費總金額」去做切分,上述的細節行為都無法納入考慮,做更細緻的分群。
  • 難以常態更新:上述行為隨著時間,都會改變。即使企業能以人工的方式額外處理,這也必須成為常態性的工作,不能流於一次性的貼標。否則時間長了,就會偏離顧客真正的行為偏好,而導致分群結果不只失效甚至可能誤導。

因此,動態貼標才能真正解決上述問題。而宇鯨的「CS tagging」系統,即可依照顧客的行為偏好做到精準分群,並且自動持續追蹤偏好的改變,做出相對應的分群更新。

CS tagging(Customer Segmentation tagging 顧客分群貼標)運作方式:

CS tagging 能將品牌商品/服務/行銷方式…的資訊細化後,用AI自動貼標至每個顧客身上,並於偏好行為改變後,隨之調整更新。

以商品標籤為例:一位常態回購「去屑」「抗油」洗髮精的顧客,因為新造型染髮後,系統發現該顧客新偏好,而貼上新標籤「染護」。隨著顧客後續造型改變,不再染髮而是養護髮質後。系統也能發現舊偏好「染護」不再,而卸下舊標籤,並將發現的新偏好「頭皮養護」標籤貼上。

結論:

經過上面的解釋,相信你更了解CRM系統內建的靜態貼標方式,為什麼不能做到真正細緻的顧客分群!如果希望進一步討論了解,CS tagging 可以如何協助,歡迎聯繫宇鯨智能!

看更多相關文章

2025資策會研究報告:臺灣製造業28%已實踐 AI;最期望改善績效、降低成本;主流 AI 應用聚焦品檢、生產;AI 普及挑戰在數據、成本效益

2025資策會研究報告:臺灣製造業28%已實踐 AI;最期望改善績效、降低成本;主流 AI 應用聚焦品檢、生產;AI 普及挑戰在數據、成本效益

資策會最新調查顯示,28%台灣製造業已實踐 AI,46%正在規劃中,反映 AI 轉型已成產業趨勢。導入 AI 後,企業在增加營收、減緩缺工壓力及降低成本三方面成效最顯著。目前製造業AI應用主要聚焦品檢與生產效率,前十大應用中有半數與製造生產相關。然而,八成企業面臨數據挑戰,突顯數據準備與整合的重要性。在當前缺工缺才環境下,AI 轉型不再是提升競爭力的選項,而是維持市場地位的必要策略。企業應採取「數據驅動+ AI 互補人力」的方法,從整合數據開始,以價值導向選擇切入點,並通過疊代式方法持續擴展 AI 應用,建立長期競爭優勢。

AI 轉型選題指南:數據價值與企業應用的關鍵

AI 轉型選題指南:數據價值與企業應用的關鍵

企業 AI 轉型成功關鍵在於選對切入點。AI 作為數據處理工具,可創造從描述性到處方式的四層分析價值。企業應聚焦於「人為判斷」環節——這些本質是預測的過程正是 AI 所長。選擇應用起點需平衡價值與可行性,特別是數據質量。從小處著手,在解決問題的同時建立數據基礎,為未來 AI 應用奠定根基。

企業未來競爭力的關鍵:打造專屬 AI Agent 的策略與實踐

企業未來競爭力的關鍵:打造專屬 AI Agent 的策略與實踐

在這個AI技術迅速演進的時代,企業面臨的不只是單純的數位轉型,更是如何運用智能技術實現真正的業務成長。波士頓顧問集團(BCG)提出的 AI 轉型策略方向,讓我們看見 AI 為企業創造價值的多元路徑。但對於正在成長的企業來說,AI 轉型的核心不僅僅是技術導入,而是如何解決實際的營運挑戰,特別是在當前缺工、缺才與高流動率的環境下,打造自己的 AI Agent 可能是最具前瞻性的競爭優勢來源。

No-Code + AI:突破企業內部開發瓶頸的新時代解方

No-Code + AI:突破企業內部開發瓶頸的新時代解方

本篇文章深入探討「No-Code + AI」如何成為新時代的關鍵解方,協助企業突破工程師資源短缺、加速內部系統建置與數位轉型。透過降低開發門檻、培養多元角色的 No-Code + AI 人才,企業不僅能快速推出敏捷應用,更能強化組織競爭力,搶先佈局智慧化時代。

小數據知識庫 vs 大數據:成長型企業應該選擇的知識管理策略

小數據知識庫 vs 大數據:成長型企業應該選擇的知識管理策略

本篇文章聚焦「小數據知識庫」與「大數據」的差異,說明中小企業在運用生成式 AI 時,如何透過精準的知識管理策略,挖掘隱性資訊並提高團隊效率。透過小數據知識庫,即使沒有龐大的數據量與高昂的硬體資源,也能有效減少人員流動帶來的知識流失,並優化新人培訓。文中同時討論了員工對知識累積的迷思、AI 的實務應用,以及為企業長遠發展奠定基礎的重要性。

大家都在談論 ChatGPT,但你知道背後的原理「大型語言模型」(LLM)是什麼嗎?快速掌握大型語言模型(LLM)的歷史演進。

大家都在談論 ChatGPT,但你知道背後的原理「大型語言模型」(LLM)是什麼嗎?快速掌握大型語言模型(LLM)的歷史演進。

本篇文章深入探討「大型語言模型(LLM)」的歷史演進,從早期統計模型、Markov chain、RNN 到現今運用 Transformer 架構的 BERT、GPT 系列,並介紹 ChatGPT 等熱門應用。文中說明大型語言模型在自然語言理解(NLU)與自然語言處理(NLP)領域的優勢與限制,包括資料偏見與資訊時效性等議題,同時強調透過 AI、數據與自動化,企業未來在業務流程中能取得更高的效率與創新可能性。