RFM模型区隔消费者购买行为的区别能力研究保险销售资料实例验证

1、1rfm模型區隔消費者購買行為的區模型區隔消費者購買行為的區別能力研究別能力研究-保險銷售資料實例驗證保險銷售資料實例驗證 黃元直德明商業技術學院 講師.tw 2簡報流程簡報流程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緒論緒論-研究背景與動機研究背景與動機 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緒論緒論-研究目的研究目的n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

2、客未來的可能需求並驗證其區別能力,此為研究目的一。n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文獻探討文獻探討- -關係行銷關係行銷 n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。n關係行銷則強調有效行銷關係之建立。6文獻探討文獻探討-rfm-rfm模型模型1.arthur hughes顧客五等分法2.bob stone rfm3.shaw et al. rfm 7rfmrfm模型模型- -arthur hughes顧客五等分法n最近購買日(recently):最接近現今日期的前20%編為5、20%40%編

3、為4、40%60%編為3、60%80% 編為2、80%100%編為1。n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。n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。8rfmrfm模型模型- -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36個月為12分最近69個月為6分最近912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9rfmrfm模型模型-shaw et a

4、l. rfmn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n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n購買金額同於頻率的分法，分成兩類n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文獻探討文獻探討- -區別能力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。11rfmrfm模型區別能力研究架構模型區

5、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資料分類與資料分析流程市場區隔變數的分類表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

6、 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

7、 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.x3x7.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區別正確率分析流程圖15資料分類與資料分析流程資料分類與資料分析流程 自變數 ( : 區別分

8、析逐步回歸法) 依變數 (1) x1.x2.x3x8& ar.af.am y1 (2) x1.x2.x3x8& br.bf.bm y2 (3) x1.x2.x3x8& sr.sf.sm y3 (4) x1.x2x8& 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自變數重要性及影響力的分析流程圖16實證結果實證結果區別正確率實證結果區別正確率實證結果 y1 y2 y3 y4 (1) x1.x2.x3x7.x8(靜態資料) 67.0% (註) 58.2% 63.6%(2) ar.

9、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實證結果實證結果自變數重要性及影響力實證結果之一自變數重要性及影響力實證結果之一. x1x8 vs arfm模型y1y2y3y4分析中的變數(係數)註1

10、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212.5% (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

11、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實證結果實證結果自變數重要性及影響力實證結果之二自變數重要性及影響力實證結果之二x1x8 vs brfm模型y1y2y3y4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%

12、(1/3)66.7% (2/3)66.7% (2/3)區別正確率73.1%68.7%65.7%59.3%19實證結果實證結果自變數重要性及影響力實證結果之三自變數重要性及影響力實證結果之三x1x8 vs srfm模型y1y2y3y4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

13、) 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實證結果實證結果自變數重要性及影響力實證結果之四自變數重要性及影響力實證結果之四x1x8 vs arfm.brfm.srfmy1y2y3y4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(0.3

14、65)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實證結果實證結果-其他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y168.673.2y270.373.4y364.665.1y462.559.8brfm模型y169.973.1y267.568.7y365.065.7y461.959.

15、3srfm模型y163.271.5y268.072.0y359.061.7y463.959.1arfm.brfm.srfmy166.273.4y269.471.6y364.366.4y461.059.522結論與未來研究方向結論與未來研究方向 區別正確率結論 n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。n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) 即即 66.5%66.1%65.2%63

16、.5%62.9%【:表示區別正確率優於表示區別正確率優於,以平均區別正確率判定以平均區別正確率判定】23結論與未來研究方向結論與未來研究方向 自變數重要性結論 n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。n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表示自變數重要性優於,以平均入選率判定以平均入選率判定】 24結論與未來研究方向結論與未來研究方向 自變數影響力結論 n本研究係以自變

17、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。n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 0.6450.6200.6190.5880.418【:表示自變數影響力優於表示自變數影響力優於,以入選變數係數絕對值以入選變數係數絕對值之平均係數判定之平均係數判定】25結論與未來研究方向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decd(2)arfm模型aa

18、aa(3)brfm模型acab(4)srfm模型babb(5)arfm.brfm.srfm acab26結論與未來研究方向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