邮购损益预估

在乔伊上次分享了客户价值试算表后, 很多朋友询问我是否有邮购档期计算的工具, 因为在邮购档期规划时, 会遇到很多状况:

到底应该投递多少份型录手册? 那些成本在运营时应该注意? 投资报酬率如何计算？是否可以在规划时就避免亏损?

为了解答这个困惑, 我做了这张计算表,你可以在蓝色区块输入五种不同的规划方案, 马上就可知道那个邮购档期方案可以让你有最大的利润!

邮购损益预估表 点此下载

客户终身价值计算

投入成本经营客户，到底是否合算？

经营的邮购网购事业, 何时能赚钱?

花促销费用累积邮购名单, 到底有没有用?

是否需要一张简易报表, 让你对客户经营绩效一目了然?

为了解决这个问题, 乔伊趁假日做了这张表单,

你只要填入蓝色区块, 马上就可知道你的邮购网购客户经营是赚是赔!

客户价值试算表格 点此下载

常用营运指标

在直效营销的经营当中, 我们会计算出许多营运指标
观察数值的变化, 来了解营运状况,
所有的营销决策都有数据的支持,
因此直效营销也成为最合乎科学的营销模式

下面是乔伊常用的营运指标, 提供给各位参考：

类别：

以营销活动分析
以刊登媒体分析
以刊登版面大小分析
以地区分析
以订单响应管道分析
以订单金额分析
以付款方式分析
以客户来源分析
以新旧客户分析
以20/80客户分析
以FRM客层分析
以产品类别分析
以产品价格带分析

数值指标

发放份数
预估回应率
预估营业额
营销活动成本
损益平衡点
响应客户数
响应订单数
平均订单金额
平均订单件数
响应时间分布状况
订单金额分布状况
最高订单金额
最低订单金额
退货件数
退货订单数
退货金额
退货客户数
终身贡献额 life time value
新客户获取成本
客户流失分布

联邦快递如何分析客户数据

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。

消费频率(Frenquency) 分析

消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商品忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数，意味着由竞争对手处偷取市场占有率，由别人的手中赚取营业额。

如 果测量的时间是一年，在一年之中购买三次的消费者被称为三次消费者，同『最近一次消费』报表相同，这也是一种变动性的测量。在一年的期限内，消费者在进行 第四次购买的当天，就会被移到四次消费者的档案当中。就像『最近一次消费』一样，消费频率也可以依十等份的方式进行分析。

下表是对同一群49600名消费者，依照个人总消费次数排序后，平均切为十等份族群。我们可以看到在同一时期，有60%的顾客仅与我们交易过一次。别怀疑这家公司的资料有问题，绝大多数的企业其消费频率十等份报告，都再再显示大多数的客户消费次数没有超过一次。



消费频率十等份报告与其它十等份报表有一个非常不同之处。在其它的十等份报表中，平均消费金额会随着族群排名递增，尤其是消费金额十等份报告增加的更为明显，然而在消费频率报告却是唯一的例外，在这份报告中，每等份的平均消费金额都是相当接近的。

当营销人员预备以消费频率为基础，进行区隔以便进行促销时，往往惊讶地发现，消费频率最低的顾客(最末的10%)反应却最好，怎么会这样呢？

原因出在最近一次消费。许多厂商最近往来的顾客大多是第一次购买者，他们被建入数据库的时间还不够久，不能构成消费频率的纪录。这更证明了『最近一次消费』的价值。

我们再看数据库的数据时，首先要注意的是，所看到的东西往往不是表面的那个样子。数据库营销的工具跟其它的工具依样，需要训练与经验才能够专业地运用。

把十等份分析当作是一个『忠诚度的阶梯』，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象成是要将两次购买的顾客往上推成三次的顾客，把一次购买者变成两次。

在 上面的十等份范例中，我们可以看到有六个等份的消费者仅作了一次购买。如果这29760名消费者有一半变成两次消费者，营销人员可增加超过40%的营业 额。如果再加上顾客管理，我们可以做的就不只是这些而已。消费频率可以被视为消费者产生游离变化的早期警示征兆，对维系客户而言，这是个相当重要的工具。

很多营销人员每月会替业务人员准备三份表單：

1. 依据最近一次消费及消费频率的数据显示，列出上个月即应购买顾客的表單。
2. 上个月确实有购买的顾客。
3. 没有购买的顾客。

任何出现在流失顾客名单者，都是要采取立即行动的目标。

RFM分析与易经

在 FRM 整合报告那篇文章中, 我们介绍了一种结合最后一次消费、消费频率、消费金额等数据来作顾客档案分类的报告。

这类报表是综合RFM的指数，并以最近一次消费、消费频率、消费金额的五等份报告为依据。最上层的第一等份编号为『A』，往下依序编到第五等份的『E』。如此一来，我们便可以将客户分类为125种组合，每一群客户会有不同的特色，我们可以针对不同的客户给予不同的营销活动。



但是有经验的营销人员都知道，我们是无法提供125种营销活动给每个客户族群，因此在实务上，我们会将客层浓缩，可以改用三等份的方式来建立27个客户族群。以收入扣除邮寄成本，试寄结果的分析显示，多少RFM的单位能达成收支平衡或是创造更好的结果。新产品问市时，只要邮寄给RFM中那些看起来会有利润的响应单位即可。

但是台湾的市场实在不大，所以分为27个群组来经营，也略嫌复杂。

为解决这个问题，我思索了很久，后来在读易经的时候，得到了答案，那就是改用二等份的方式来分层，无论是最近一次消费、消费频率或消费金额(RFM)都简单的分为两层，将损益平衡点当做是及格的分数，客户在RFM三项评估都分为及格(1)与不及格(0), 这样我们就可得到类似下面的报表。



如此一来可以客户族群便只剩下8类，更可以简单的以总分来切割等级，一共只有ABCD四个等级，营销人员在评估客户族群价值时，就可以更容易，也可以简化营销活动的种类。

这是我认为在实务操作上可行的客户分析模型，在此分享给各位营销人，若还不清楚的可以留言，我会针对各位不清楚的地方，再做解释。

FRM 整合报告

除了最近一次的消费(Recency) 、消费频率(Frenquency) 、消费金额(Monetary) 三种独立的分析报表外, 营销人员可以利用一种结合最后一次消费、消费频率、消费金额等数据来作顾客档案分类的报告。

下表是综合RFM的指数，并以最近一次消费、消费频率、消费金额的五等份报告为依据。最上层的第一等份编号为『A』，往下依序编到第五等份的『E』。



营销人员可以叫出可用的125个组合中的任一组合。在范例报告中，第一列表示顾客在三个报告中都被评等为A；第二列表示顾客再最近一次购买的报告中列名第二等份，在消费频率及消费金额两报告中则列名第一等份。这是提供营销人员为检视最近一次消费、消费频率、消费金额等不同价值组合而进行区隔的快捷方式。

营销人员利用这项RFM分析工具来预测促销结果。由于知道有些名单根本不会带来任何的利润，所以没有寄发信函给名单上所有的人，而是从RFM的每一个单位中，再细分出一些有利润的小单位，进行试寄。

如果公司的名单没有大到可以发展出125个单位，可以改用三等份的方式来建立27个名单。以收入扣除邮寄成本，试寄结果的分析显示，多少RFM的单位能达成收支平衡或是创造更好的结果。新产品问市时，只要邮寄给RFM中那些看起来会有利润的响应单位即可。

该指数之所以要显示上门的次数、每次交易的平均花费等数据，是因为如此一来可以让营销人员评估每一单位的价值。

举例来说，虽然CCA单位的顾客最近一次购买隔很久，但是消费频率及消费金额很高，因此还是有值得推销的可能性；BCB单位的顾客最近一次消费不是隔很近，而且消费金额也不是最高，但若能说服他们来消费，他们还是能贡献不少的价值。

消费金额(Monetary) 分析

消费频率若能与最近一次消费相结合，其参考价值及效益就比只有最近一次消费的资料来的高。但是这样还是不够的，因为消费的金额并没有被量化出来。

消费金额让我们知道每一个消费者在测量期间内的花费，它会大幅地改变我们从最近一次消费及消费频率的数据的所得及所思。

明显的例子是，当你看到一名一年内未做过最近一次购买，而前一年的消费频率是一次，但却花了10万元。我们的顾客中，就有一个是如此。

在我们去拜访他，以了解为何这么久都没有回来的时候，发现原来是业务人员没有履行售后服务的承诺，当我们对他多用了一点心之后，他又回头成为我们最佳的顾客之一。

若只看最近一次消费及消费频率的数据，营销人员可能不会将促销数据寄给这位顾客，是消费金额的资料让营销人员救回了这名宝贵的消费者。

消费金额这个工具有许多运用的方式。下表示被称作消费金额的十等份报告。49600名顾客系依据所花的金额来排名。



消费金额是所有数据库报告的支柱，也可以检验『80/20法则』----公司80%营收来自20%顾客。它显示出排名前10%的顾客所花费的金额较下一个等级者多出至少两倍，占公司所有的营业额的40%以上。若看累计百分比的那一栏，我们会发现有40%的顾客贡献公司营业额的80%；而有60%的客户占营业额的90%以上。最右的一栏显示每一等份顾客的平均消费，表现最好的10%顾客平均花费1195元，而最差的10%仅有18元。

如果营销人员的预算不多，而且只能提供服务及产品信息给2000或3000个顾客，你会将信息邮寄给贡献40%营收的顾客，还是那些不到1%的人呢？数据库营销有时候就是那么简单。企业主若以了解消费者差异为主轴进行企业再造，会发现业绩与利润都将创新高。

但也要记得，那些最近一次消费隔很久、消费频率也很低的客户，有可能也是花费最多的客户，要找出这些超级买家的一个方法是，把最上层的这4960的客户，从数据库中区隔出来，再进行十等份分析。如此，每一等份仅剩496客户，我们可以在接近上层的部分将这些黄金客户找出来。

最近一次消费、消费频率、消费金额等是测量消费者价值最初且最容易的方法，而其中，最近一次消费是最有利的指标。营销人员称这几个元素为RFM。

由于这三个工具看起来简单也很有效力，因此我要对使用顾客数据库的新手提出警告。因为RFM运用简单，因此在促销时，很容易就会将RMF的下层的消费群给忽略了。新入行的数据库营销人员经常会只针对上层消费者促销，而且这样的促销的确有效，但是这类针对同一群客户的促销越频繁，消费群的反应会渐趋疲乏，而下层消费者由于长时间没被照顾，便会变心而离去，最后的结果是，所有的客户对你将不再忠诚。

RFM分析也可以品牌类别、品牌产品、零售商、所有店面或部门、等级或甚至于存货量，来分析消费者的购买模式，也可以依据整个数据库的生命周期或选定的期间来进行消费表现的分析。

另外一个找出超级买家的方法是，将同一份的消费金额数据再进行一次十等份的购买分析。消费金额的分析是将49600名顾客分成十等份，再看每一等份的花费是多少。而下面的消费金额十等份报告则是将总消费金额分成十等份，分析每一等份的消费人数有多少，再据此排名。



在此我们有足够的证据让人相信维系客户的价值何在。如果该公司失掉其最上层的357名顾客，至少要找到1400名一般消费的顾客才够补足损失。换言之，该公司每流失一个上层的顾客，就要找到7个新顾客才能打平。仅1081个顾客，占顾客总数不到3%，就贡献了该公司20%的营业额。

这样的例子分布于相当多的产业，在台湾无论是大型卖场、配销商、基金公司或是化妆品，都拥有相同戏剧性的差异，事实上在全球各类企业里，这种消费者价值的区隔法呈现了令人讶异的一致性。

最近一次的消费(Recency) 分析

最近一次消费意指上一次购买的时候----顾客上一次是几时来店里、上一次从哪本型录购买东西、何时买的车，或上一次在你的超市买牛奶是何时。在此，零售商及型录商有其优势，因为他们直接与顾客的互动关系，让他们得以捕捉所有的讯息，而民生消费商品(Packaged goods)及品牌营销人员才正开始要找寻将这些讯息加入数据库的方法而已。

高价位的品牌可以由产品保证书的回函得到这样的讯息，民生消费商品制造商则由条形码的折价券获得一些帮助，但在不久的将来，他们会与便利商店，超市、大型卖场合作，以进一步地取得资料。

最近一次消费是相对的，也就是说，怎样的最近一次消费才有意义系依产业不同而有所差异的。百货公司及大部分的专门店要注意近两三年的数据，且要知道最近一个月或是至多几个月以内的最近一次消费是何时。电子商品零售商会保存客户数据至多5年，且以3个月或6个月为一周期追踪客户动向，汽车经销商可能以数年来计。

超级市场及民生消费商品的营销人希望其客户的最近一次消费是发生在上周。如果一名顾客超过12周未出现在超级市场，再见到他出现的机会可能只有10%；若超过24周，则降至5%。

我们可以利用最近一次消费来了解『顾客几时该来，顾客几时跟我说拜拜。』，理论上，上一次消费越近的顾客应该是比较好的顾客，对提供的商品或是服务也最有可能会有反应。或许我们都能同意，身处在成长极限这个时代的营销人员若想有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近一次消费就是营销人员第一个要利用的工具。

历史显示，如果我们能让消费者购买，他们就会持续购买。这也就是为什么0至6个月的顾客收到营销人员的沟通讯息多于31至36个月的顾客。

最近一次消费的时程是持续变动的。在顾客离上一次购买满一个月之后，在数据库里就成为最近一次消费为两个月的客户。反之，同一天，最近一次消费为三个月年的客户作了其下一次的购买，他就成为最近一次消费为一天前的顾客，也就有可能在很短的期间内就收到新的折价讯息。

最近一次消费的功用不仅在于提供实时的促销讯息而已。营销人员的最近一次消费报告(Recency report)可以监督事业的健全度。优秀的营销人员会定期查看最近一次消费分析，以掌握趋势。

月报告若显示上一次购买很近的客户(最近一次消费为一个月内)人数若增加，则表示该公司是个稳健成长的公司；反之，若上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的指标。

最近一次消费报告是维系顾客的一个重要指标。最近才买你的商品、服务或是逛你的商店的消费者，是最有可能再向你购买东西的顾客。再则，要吸引一个几个月前才上门的顾客购买，比一个一年多以前来的顾客要容易的多了。营销人员若接受这种强力的营销哲学----与顾客建立长期的关系而不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。



上表是典型的最近一次消费分析报告。在数据库里，这种形式的报告通常被称为『十等份报告』(Decile Report)。十等份报告的作用是将一整群的消费者分解，在本例中49600位消费者被分为十等份，每一等份有4960名消费者。本分析以消费者最近一次消费的时间来将消费者分等。

在注明是『上次消费是在几个月内』的第四栏里，从一、二、三个月往上递增，代表着每一个等份的最近一次消费购买的时间。在最上面的等份(1个月)包含从昨天到29天以前的区间内购买的顾客。

这个报告可改为以日、星期甚至于以年为单位来计算。这样的分析还有作为管理工具的附加价值，可以显示每一个等份在被测量的期间里所贡献的营业额及其占公司营业额的百分比。在我们研究的产业中，最近一次消费的排名最高者几乎都是公司营业额的最大贡献者。因此，每一位营销人员的目标就是尽可能地让顾客成为最近常光临的顾客。

就像我们之前提到的，时间久了之后，一个越的顾客会变成三个月的顾客，而有些三个月的顾客也可能会变成一个月的顾客，问题是，有多少一个月的顾客会一直保持都是一个月的顾客。在不同的时间点上，这种最近一次消费的分析看起来或许是很相似，但其内部的变动过程却可能会相当地不同。

聪明的营销人员会定期的检阅这类的资料，并据此评估事业的发展趋势----最近常往来的客户基础是否有扩大或是流失了？要让正在改变心意的消费者回头会是件很不容易的事，但最近一次消费的分析是营销人员的一向参考指标。

除了最近一次消费的十等份报告之外，在数据库里尚有许多以最近一次消费为基础的信息可供优秀的营销人员利用。想要留住高消费顾客的营销人员，可以先到数据库里去搜寻数据，例如，寻找去年一年里在店里消费超过10000元的顾客，或定期买某一品牌狗食的客人，及过去三个月都未曾消费的客户。接着，就可以策划适当的促销活动。

回应率的预测方法

本文作者是我们的好朋友刘玉惠, 刘小姐投身数据库营销有多年的经验, 以下就是她为我们介绍统计在直效营销上的应用:

做顾问时常有客户会问到测试名单的方法。 多数人都明白直效营销的特色在于凡事均可以透过测试后修正而做更精准的营销。 问题是, 如何测试呢?

曾有一个略通直效营销的客户向我抱怨:「名单测试根本就不准!」为了力保直效营销的声誉。我立刻询问什么原因造成他如此的不信任。 原来这位客户为遵循名单测试的原则, 在一次使用新名单前, 先随机抽取了 200 份名单寄发做测试, 得到了一个他还算满意的响应率 1.9 %。

事前他曾经计算过响应率只要高于1%以上, 就可以盈利。于是测试的 1.9 % 让他很放心的接着寄发其余的 5 万份名单。 没想到这5万份名单郄只有0.6% 的回应率。赔了钱的他自然再不相信什么名单测试了。

了解了他的情形后, 我当下拿了计算器算给他看, 显示如果他先以统计公式计算一下测试的响应率的话, 也就不会冒然地寄发其余的5万份名单。 当然很多人对统计并没有概念, 一时之间在解释清楚也蛮不容易的。

这里我就不花时间在解释统计原理上。倒是可以提供下列二个简单的数学公式, 让大家可以轻松的掌握名单测试的方法。



响应率测试公式(一) : 营销DM测试:

如果你面临的状况与上述的情况相同, 有一份新名单要测试, 或是有一个新的营销 DM 要寄发, 想以少量的部分名单测试后, 再决定是否全部寄发, 以减低一次全部寄发所造成的风险时, 你就可以利用下列公式, 轻松地算出如果全部发行的响应率。

E=1.96 (开更号(R(100-R)/N))

可能的响应率是: R-E ~ R+E

R=测试所得响应率

N=测试名单份数

以上述的情况为例:

E=1.96(开更号(R(100-R)/N))

E=1.96(开更号(1.9(100-1.9)/200))

E=1.89

可能的响应率是: R-E~R+E = 1.9-1.89~1.9+1.89 = 0.01~3.79

也就是说, 以 200 份测试得到 1.9% 的响应率时, 之后如果全部寄发的话, 有 95% 的机会响应率会在 0.01 ~ 3.79 之间。

这种状况下, 自然不应冒然寄发后续的 5 万份, 但由于预估的响应率范围太大, 同时包含可接受及不可接受的响应率, 你根本无法决定是否该继续寄发。

而预估的回应率范围太大的原因主要是测试的名单份数太少, 解决的方法很简单 - 增加测试的份数即可。

假设测试的名单份是 2000 份而非 200 份, 而测试响应率仍是 1.9% 的话,

E=1.96(开更号(R(100-R)/N))

E=1.96(开更号(1.9(100-1.9)/2000))

E=0.6 可能的响应率是: R-E~R+E = 1.9-0.6~1.9+0.6 = 1.3~2.5

由上计算可知, 在测试名单为2000份时, 全部名单寄发将有 95% 的机会响应率会落在 1.3% ~ 2.5% 之间。而你如果设定的可接受响应率是1% 时, 自然可以较放心的寄发其余的名单了。

响应率测试公式(二) : 到底哪一份名单比较好?

除了测试单一的名单数据库或营销DM 之外。还有一种情形常发生的是, 你可能想比较的是两种不同的名单或营销 DM 中哪一个可以产生较好的响应率。

这时候, 你一样随机抽取部分名单分别寄发 DM , 再将获得回应率套入下列公式中即可。

E=1.96(开更号(Ra(100-Ra)/Na+Rb(100-Rb)/Nb))

可能的响应率是:D-E ~ D+E

D=两组两组(名单或 营销DM)回应率差异值

Ra= A 组测试响应率

Rb= B 组测试响应率

Na= A 组测试份数

Nb= B 组测试份数

举例之, 假设你将两种不同的DM 平均分配寄给你从数据库中抽取出来的 4000 人, 也就是说, A组 DM 寄给抽出的其中 2000 人, B 组 DM 寄给另外的 2000 人时。

你得到的响应率分别 A 组DM 是 1.3%, 而 B组DM是 1.6%, 套入公式中后:

D=1.6 - 1.3 = 0.3

E=1.96(开更号(Ra(100-Ra)/Na+Rb(100-Rb)/Nb))

E=0.74

两组名单差异性为: D-E ~ D+E = 0.3-0.74 ~ 0.3+0.74 = -0.44 ~1.04

由于所得的值落在 -0.44 ~ 1.04 之间, 其它包含了 0, 表示95% 的机会两组名单的差异有可能是 0: 亦即没有差异, 换言之, 很可能日后继续寄发后会得到 A组高于 B 组的响应率。

测试的结果建议 A 组DM 及 B 组DM 之间在产生的响应率并没有明显地差异。所以要继续寄 A 或 B 也就无所谓了。

虽然统计原理不是一两天可以学得, 但如果能藉提供简单的公式帮助大家更灵活地运用直效营销在营销的实战中, 相信大家会更能体会直效营销的优势 。