许多朋友在分析客户数据库时，经常遇到一个问题，就是看着一大堆的统计数字，却无法将统计数字转换为营销活动，这里有个联邦快递的范例，可以供大家参考：

首先联邦快递利用RFM的变化来评断客户的贡献额，计分的方法是:

将单一客户过去三个月内消费金额乘上两倍，再加上过去3至6个月间该客户的消费金额，

接下来联邦快递利用DataMining中的Cluster分析，将所有客户分为七大族群，每个族群再依贡献额细分为十等分，这七大族群分别是:

˙贡献额最高的10%稳定客群

˙过去六个月流失的中贡献额客群

˙低贡献额的季节性客群

˙高贡献额的成长客群

˙中贡献额的稳定客群

˙低贡献额且在过去六个月内的流失客群

˙低贡献额但刚回复交易的客群

联邦快递观察在过去的两年内，客户如何在七个族群中移动，以及客户如何在十等分内上下移动，一旦有任何的行为模式被分析出来，联邦快递便针对每一个族群发展一套客户策略.

举例来说:

最顶尖的10%稳定客群，是最佳而且是最有价值的客户，联邦快递的策略就是想尽办法留住他们，对他们提供最好的服务，以避免这群客户的流失。

高贡献额的成长客群是指消费金额成长超过15倍的客户们，联邦快递投入营销预算找出导致他们成长的原因，以协助其它客户提高贡献额。

过去六个月流失的中贡献额客群，是指在过去六个月贡献额降低90%的用户，这群转身而去的客户，让联邦快递损失许多应得的利润，因此必须找出什么地方出错？联邦快递透过电话营销与客户沟通来调查原因，以挽回客户的心。

找出季节性的低贡献额客群是非常有用的，因为这些客户只在一年的某些季节交易，花费营销预算去刺激他们在其它时期交易将是十足的浪费。

我们在数据库分析的同时，可以参考联邦快递的作法，将客户切割为不同特性的族群，并且针对族群特性，制订相对应的营销策略，这样分析数据库才能对企业的营运产生更多的效益。