1

RFM模型區隔消費者購買行為的區別能力研究 -- 保險銷售資料實例驗證

黃元直德明商業技術學院 講師

huang@takming.edu.tw

2

簡報流程

1. 緒論2. 文獻探討3.RFM 模型區別能力研究架構

4. 資料分類與資料分析流程5. 實證結果6. 結論與未來研究方向

3

緒論 -研究背景與動機 希望透過本研究提出一種動靜態資

料的分類方式 , 並透過保險銷售資料及區別分析逐步回歸法加以實證 , 驗證動態資料作為自變數時 , 其區別能力是否高於靜態資料。

4

緒論 -研究目的 由顧客過去的購買行為，利用 RFM

模型推導與計算，求算出個別顧客未來的可能需求並驗證其區別能力 ,此為研究目的一。

以「靜態資料」、「動態資料」有效區分其市場區隔，並且指出各顧客屬於某個區隔 , 此為研究目的二。

5

文獻探討 -關係行銷 顧客關係管理可區分為三個部份 , 其

一為「資料庫行銷」 , 其二為「一對一關係行銷」 , 其三為「事件行銷」。

「關係行銷」則強調有效行銷關係之建立。

6

文獻探討 -RFM 模型1.Arthur Hughes 顧客五等分法2.Bob stone RFM3.Shaw et al. RFM

7

RFM 模型 -Arthur Hughes 顧客五等分法

最近購買日 (Recently): 最接近現今日期的前 20% 編為 [5] 、 20%~40% 編為 [4] 、 40%~60% 編為 [3] 、60%~80% 編為 [2] 、 80%~100% 編為 [1] 。

購買頻率 (Frequency): 一定期間內顧客購買的次數，次數最多的前 20% 編為 [5], 餘依此類推。

購買金額 (Monetary Amount): 通常以平均購買金額來取代。金額最多的前 20% 編為 [5], 餘依此類推。

8

RFM 模型 -Bob stone RFM

Bob Stone 給分架構表

構面 指標分數 指標分數權重最近購買日 最近 3個月為 24 分

最近 3~6 個月為 12 分最近 6~9 個月為 6分最近 9~12 個月為 3分最近 12 個月以上為 0分

中

購買次數 購買次數×4分 高購買金額 購買金額×10%( 最高為 9

分 )低

9

RFM 模型 -Shaw et al. RFM 最近購買日從近到遠排列，前百分之二

十歸為第一類，依次分為五類 購買頻率從大到小排列，前百分之五十

歸為第一類，共分成兩類 購買金額同於頻率的分法，分成兩類 如此，每一顧客的 RFM 分數組合，由最

不具價值的顧客 (111) [3 分 ] 到最具價值的顧客 (522) [9 分 ]

10

文獻探討 -區別能力判定區別能力包含以下兩項 :1. 區別正確率 : 即根據區別函數所得到的區

別分數 ; 代表依逐步迴歸分析法進入區別函數的自變數對依變數的預測能力。

2. 自變數的重要性及影響力 : 進入區別函數的自變數比例判定其重要性 ;而依進入區別函數自變數的係數絕對質判定其影響力。

11

RFM 模型區別能力研究架構顧客資料

靜態資料 動態資料

Shaw et al. RFMBob stone RFMArthur Hughes顧客五等分法

以區別分析逐步回歸法分別檢視其區別能力：1.正確分類比例 (區別正確率 )2. 動靜態自變數入選區別函數之比例 (自變數的重要性 )3. 區別函數係數絕對值 (入選自變數的影響力 )

12

資料分類與資料分析流程市場區隔變數的分類表

Philip Kolter 的

分類方式 (1992)變數名稱

本研究分類 本研究可用自變數

人口統計變數 (Demographic)

性別、年齡、職業、 教育、家庭人數等 ( 顧客基本資料 )

靜態資料 /變數

被保人分類 要保人年齡 要保人性別 要保人地址 被保人職業 被保人職業危險等級 要保人婚姻狀況被保人首購年齡

心理變數(Psychographic)

知覺、認知、價值觀、生活型態等

地理性變數(Geographic) 居住地、人口密度等

購買地、市場密度等 動態資料 /變數( 顧客購買紀錄)

R 最近購買日F 購買頻率M 購買金額

行為變數(Behavioral)

購買時機、購買頻率、期望利益、使用量等

13

資料分類與資料分析流程本研究依變數主附險種類分類表

主險‧ 保障險‧生死合險

附加險‧生死合險 (亦可當附加險 )‧健康險‧壽險附約

Y1: 表示主險購買保障險或生死合險 Y2: 表示購買附險生死合險或未買 Y3: 表示購買附險健康險或未買 Y4: 表示購買附險壽險附約或未買

14

資料分類與資料分析流程 自變數 ( : 區別分析逐步回歸法 ) 依變數 (1)X1.X2.X3……X7.X8( 靜態資料 ) Y1 (2)AR.AF.AM( 動態資料 -ARFM 模型 ) Y2 (3)BR.BF.BM( 動態資料 -BRFM 模型 ) Y3 (4)SR.SF.SM( 動態資料 -SRFM 模型 ) Y4 (5)ARFM.BRFM.SRFM(總分 / 總價值 )

檢視 (1)至 (5) 組自變數對 Y1至 Y4 分別的「區別正確率」

區別正確率分析流程圖

15

資料分類與資料分析流程 自變數 ( : 區別分析逐步回歸法 ) 依變數 (1) X1.X2.X3…X8& AR.AF.AM Y1 (2) X1.X2.X3…X8& BR.BF.BM Y2 (3) X1.X2.X3…X8& SR.SF.SM Y3 (4) X1.X2…X8& ARFM.BRFM.SRFM Y4

檢視 (1)至 (4) 組自變數對 Y1至 Y4 分別的「自變數重要性及影響力」

自變數重要性及影響力的分析流程圖

16

實證結果區別正確率實證結果 Y1 Y2 Y3 Y4 (1) X1.X2.X3……X7.X8( 靜態資料 ) 67.0% (註 ) 58.2% 63.6%(2) AR.AF.AM( 動態資料 -ARFM 模型 ) 68.6% 70.3% 64.6% 62.5%(3) BR.BF.BM( 動態資料 -BRFM 模型 ) 69.9% 67.5% 65.0% 61.9%(4) SR.SF.SM( 動態資料 -SRFM 模型 ) 63.2% 68.0% 59.0% 63.9%(5) ARFM.BRFM.SRFM(總分 / 總價值 ) 66.2% 69.4% 64.3% 61.0%

註 :在逐步迴歸分析法中 ,無法形成區別函數 ,故沒有區別正確率。

17

實證結果自變數重要性及影響力實證結果之一

. X1……X8 VS ARFM 模型Y1 Y2 Y3 Y4

分析中的變數(係數 )註 1

X4(-0.227)X7(0.241)X8(-0.390)AR(0.458)AF(0.600)AM(0.627)

X1(-0.394)AR(0.627)AF(0.946)

X7(0.392)AF(1.028)

X6(0.335)X8(0.882)AR(0.534)AF(0.390)AM(-0.361)

入選率

靜態變數 37.5% (3/8) 註 2

12.5% (1/8)

12.5% (1/8)

25.0% (2/8)

動態變數 100.0% (3/3)

66.7% (2/3)

33.3% (1/3)

100.0% (3/3)

區別正確率 73.2% 73.4% 65.1% 59.8%註 1:分析中變數的係數採標準化的典型區別函數係數。註 2:代表 8個靜態變數有 3個入選區別函數 ,入選率 37.5% 。

18

實證結果自變數重要性及影響力實證結果之二

X1……X8 VS BRFM 模型

Y1 Y2 Y3 Y4

分析中的變數(係數 )

X4(-0.304)X8(-0.536)BF(0.310)BM(0.795)

BF(1.000) X7(0.326)X8(-0.350)BF(0.738)BM(0.511)

X6(0.359)X8(0.810)BR(0.542)BF(0.448)

入選率

靜態變數 25.0% (2/8)

0.0% (0/8) 25.0% (2/8)

25.0% (2/8)

動態變數 66.7% (2/3)

33.3% (1/3)

66.7% (2/3)

66.7% (2/3)

區別正確率 73.1% 68.7% 65.7% 59.3%

19

實證結果自變數重要性及影響力實證結果之三

X1……X8 VS SRFM 模型

Y1 Y2 Y3 Y4

分析中的變數(係數 )

X4(-0.296)X7(0.221)X8(-0.471)SR(0.541)SF(0.535)SM(0.577)

X7(0.370)SR(0.726)SF(0.851)

X7(0.357)X8(-0.430)SF(0.802)SM(0.383)

X6(0.338)X8(0.771)SR(0.535)SM(-0.341)

入選率

靜態變數 37.5% (3/8)

12.5% (1/8)

25.0% (2/8)

25.0% (2/8)

動態變數 100.0% (3/3)

66.7% (2/3)

66.7% (2/3)

66.7% (2/3)

區別正確率 71.5% 72.0% 61.7% 59.1%

20

實證結果自變數重要性及影響力實證結果之四

X1……X8 VS ARFM.BRFM.SRFM

Y1 Y2 Y3 Y4

分析中的變數(係數 )

X4(-0.215)X7(0.251)X8(-0.353)ARFM(0.890)

X7(0.363)BRFM(0.525)SRFM(0.756)

X7(0.408)ARFM(0.436)BRFM(0.709)

X6(0.365)X8(0.935)BRFM(0.554)

入選率

靜態變數 37.5% (3/8)

12.5% (1/8)

12.5% (1/8)

25.0% (2/8)

動態變數 33.3% (1/3)

66.7% (2/3)

66.7% (2/3)

33.3% (1/3)

區別正確率 73.4% 71.6% 66.4% 59.5%

21

實證結果 -其他 各模型區別正確率變化情形彙整表

動態資料 (變數 ) 依變數 區別正確率 (%)

未加靜態資料 增加靜態資料

ARFM 模型 Y1 68.6 73.2

Y2 70.3 73.4

Y3 64.6 65.1

Y4 62.5 59.8

BRFM 模型 Y1 69.9 73.1

Y2 67.5 68.7

Y3 65.0 65.7

Y4 61.9 59.3

SRFM 模型 Y1 63.2 71.5

Y2 68.0 72.0

Y3 59.0 61.7

Y4 63.9 59.1

ARFM.BRFM.SRFM Y1 66.2 73.4

Y2 69.4 71.6

Y3 64.3 66.4

Y4 61.0 59.5

22

結論與未來研究方向 「區別正確率」結論 經由區別分析正確分類比例 ( 區別正確率 ) 的預測

判別 , 得知顧客購買行為紀錄的動態資料較顧客基本資料的靜態資料更能明顯區別顧客購買主附險種類的消費行為 , 即動態資料自變數判別消費者選購行為的預測力高於靜態資料自變數。

依「區別正確率實證結果」 , 可得到以下結論 , 以印證上述論點。

(2) ＞ (3) ＞ (5) ＞ (4) ＞ (1) 即 66.5%＞ 66.1%＞ 65.2%＞ 63.5%＞ 62.9%【＞ : 表示區別正確率優於 , 以平均區別正確率判

定】

23

結論與未來研究方向 「自變數重要性」結論 本研究係以自變數入選區別函數的比率 ( 入選率 ),

定義「自變數重要性」 , 由實證結果得知 , 動態資料自變數的重要性高於靜態資料自變數。

依「自變數重要性及影響力實證結果」 , 可得到以下結論 , 以印證上述論點。

(4)=(2) ＞ (3) ＞ (5) ＞ (1) 即 75.0%=75.0%＞ 58.3%＞ 50.0%＞ 21.9%【＞ : 表示自變數重要性優於 , 以平均入選率判定】

24

結論與未來研究方向 「自變數影響力」結論 本研究係以自變數入選區別函數的係數絕對值大小 ,

定義「自變數影響力」 , 由實證結果得知 , 動態資料自變數的影響力高於靜態資料自變數。

依「自變數重要性及影響力實證結果」 , 可得到以下結論 , 以印證上述論點。

(5) ＞ (3) ＞ (2) ＞ (4) ＞ (1) 即 0.645＞ 0.620＞ 0.619＞ 0.588＞ 0.418【＞ : 表示自變數影響力優於 , 以入選變數係數絕對

值之平均係數判定】

25

結論與未來研究方向「區別能力」結論 綜合評價表

A:特優 B: 優 C: 尚可 D: 差 E: 很差

評價項目自變數

區別正確率

自變數重要性

自變數影響力

區別能力(總評價 )

(1) 靜態資料 D E C D

(2)ARFM 模型 A A A A

(3)BRFM 模型 A C A B

(4)SRFM 模型 B A B B

(5)ARFM.BRFM.SRFM

A C A B

26

結論與未來研究方向 其中 : 區別正確率 自變數重要性 自變數影響力評價 ( 平均區別正確率 %) ( 平均入選率 %) ( 平均係數 ) A 65 以上 70 以上 0.6 以上 B 60-65( 不含 ) 60-70( 不含 ) 0.5-0.6( 不含 ) C 55-60( 不含 ) 50-60( 不含 ) 0.4-0.5( 不含 ) D 50-55( 不含 ) 40-50( 不含 ) 0.3-0.4( 不含 ) E 50 以下 40 以下 0.3 以下

27

結論與未來研究方向其他結論 由「各模型區別正確率變化情形彙整

表」得知 ,當靜態資料與動態資料同時運用 , 區別正確率會提高 1%至 4%左右(當依變數為 Y4 時例外 ); 此現象 , 可做為業者運用市場區隔變數進行區別分析時的參考。

28

結論與未來研究方向 未來研究方向1. 本研究的資料來源主要來自台北市東區某家壽險公司 , 所以實證結果並不一定適用於其它區域 ; 未來可增加研究樣本 , 以擴大推論的範圍。

2.該公司歷史資料的某些欄位不足，無法增加其他動態變數的相關分析 , 未來相關研究可增加一些動態變數 , 如購買地點、購買時機等，以擴大探討各類市場區隔變數的區別能力。

3. 本研究重點僅探討三組 RFM 模型的區別能力，後續研究可利用 DM( 資料挖掘 ) 之決策樹分析，其結果可與區別分析結果加以比較。