细分:分而治之

布莱恩:你们都不一样!

人群:是的，我们都是不同的!

巨蟒剧团的《布莱恩的一生》

你能像我们对待客户那样对员工进行细分吗?这样人才开发之类的活动就能改善并符合每个员工的个人资料?

在这篇文章中，我将通过一个非常实际的例子向您展示我们如何将经典的营销技术引入到人员分析环境中。

在文章的最后，不要错过文章的要点我有什么好处．

1.营销部门首先发现了这一点

我们已经知道，人力资源分析和市场营销通常是齐头并进的。再一次，我们将沿着市场营销的道路前进。欲了解更多信息，请参阅我在《People Analytics》从营销中学到的12件事．

营销活动可能是昂贵的，耗时的，最糟糕的是，无效的。太多的公司在客户和员工身上浪费了宝贵的资源，而这些客户和员工可能不会像预期的那样做出反应，仅仅是因为细分做得不对。

RFM分析是近因(Recency)、频率(Frequency)和货币价值(Monetary value)的缩写，是最容易部署的客户细分方法之一，同时也能返回最佳结果。我们正在展示如何将其应用于“内部客户”，也就是组织的员工。

2.巨蟒剧团布莱恩的一生:《你都不一样》

所有这些细分的讨论让人想起了Monty Python的《布莱恩的一生》中的一个场景。这部电影讲述了布莱恩·科恩(Brian Cohen)的故事，他是一个年轻的犹太人，与耶稣基督同一天出生，后来被误认为是弥赛亚。

“你们都是不同的”。Marisa Echarri绘制的插图

这部电影在1979年上映时包含了宗教讽刺，引发了争议。包括爱尔兰和挪威在内的一些国家禁止了这部电影的放映。当然，审查制度促进了它的传播。

瑞典人甚至把这部电影宣传为:“有趣的是，它在挪威被禁止了。”

在一次即兴布道中，布莱恩向相信自己是弥赛亚的人群发表讲话:

布莱恩：求你了，求你了，求你了!我有一两件事要说。

人群中：告诉我们!把他们两个都告诉我们!

布莱恩：听着，你全搞错了!你不需要跟着我，你不需要跟着任何人!你们得为自己着想!你们都是独立的个体!

人群中：是的!我们都是独立的个体!

布莱恩：你们都不一样!

人群中：是的，我们都是不同的!

人群中的人：我不是…

人群中：嘘!

3.最近、频率和货币价值

RFM分析是最容易部署的客户细分方法之一，同时也能返回最好的结果。

我们可以通过三个指标来确定谁是我们最好的客户:最近度(R)、频率(F)和货币价值(M)。

这三个指标是客户细分中最重要的因素:

• 近因(R):距离上次购买已经过了多少天。最近购物的顾客更有可能购买新产品。
• 频率(F):一段时间内购买的数量。购买了更多产品的客户更有可能购买新的产品。
• 货币价值(M):也就是说，他们在一段时间内花费的总金额。

4.用r自己做，真实状态的例子

下载数据集(.CSV)和R文件

RFM技术在市场营销中被广泛应用，但传统上它还没有应用于任何其他领域。我们已经将这种技术转移到人员分析领域，特别是销售人员。

通过这种方式，您可以根据RFM分析的三个基本参数对特定组织中的员工进行分类。

在本案例中，我们将分析结果应用到房地产中介中，根据每个中介的表现来实施定制化的培训和经济补偿计划。

注意:如果你不知道R，不用担心。我会详细讲解每一步，这样你就能对我们正在做的事情有一个概念上的理解。最终的结果和它的含义(我将在本文后面描述)非常有趣，并且对我们如何管理人员有实际的应用!

脚本非常简单。它不需要额外的包装。

加载数据集(rfm- relstate .csv)RStudio和应用:

RFM <- read.csv(" RFM -realstate.csv "， sep= "; "， encoding = " utf-8 ")

数据集中有127名雇员。

相关变量:

str (rfm)

$ R -最后一次销售的日期。我们正在处理这件事

$ F -销售数量自

$ M -销售总额

这是原始文件的样子:

视图(rfm)

从现在开始，我们根据这三个RFM变量制定一个排名，根据每个员工所在的组给他们分配一个值。在这种情况下，每个变量的值被分成大小相等的四组。

我们将需要一些数据转换。

首先，我们将最后的销售日期减去当前日期，以获得自上次销售以来已经过去的天数

rfm $ R < - as.Date (as.character(“21/02/2017”),格式=“% d / Y % m / %”)——as.Date (as.character (rfm $ R),格式=“% d / Y % m / %”)

rfm$R <- as.numeric(rfm$R)

然后，我们聚合并创建必要的R、F和M变量

rfm。R =聚合(rfm[，6]，list(rfm$EmployeeID)，min)

名称(rfm.R) = c(“EmployeeID”、“近因”)

rfm。F = aggregate(rfm[，7]，list(rfm$EmployeeID)，min)

名称(rfm.F) = c(“EmployeeID”、“频率”)

rfm。M =聚合(rfm[，8]，list(rfm$EmployeeID)，sum)

名称(rfm.M) = c(“EmployeeID”、“货币”)

我们将R、F和M列合并到一个数据框架中

temp = (rfm合并。R, rfm。F,“EmployeeID”)

RFM =合并(临时、rfm.M“EmployeeID”)

我们为每个变量(本例中为4)创建分段

RFM$rankR <- cut(RFM$Recency，分位数(RFM$Recency, probs=0:4/4)，labels=FALSE, include.low =TRUE)

RFM$rankF <- cut(RFM$Frequency，分位数(RFM$Frequency, probs=0:4/4)，labels=FALSE, include.low =TRUE)

RFM$rankM <- cut(RFM$Monetary, quantile(RFM$Monetary, probs=0:4/4)，labels=FALSE, include.low =TRUE)

因此，在销售最近率、最频繁销售的25%和总销售额的25%方面得分前25%的员工将属于444部分，即最佳组。

每个变量的最高值对应于最有利的细分市场，所以越近的销售，最近细分市场的数字越高;销售频次越高，频率段的数量越多;代理商的销售额越高，货币部分的数字就越高。

虽然我们选择了4个等级(四分位数)，但使用5个等级(五分位数)和10个等级(十分位数)是很常见的。

视图(RFM)

根据此分割得到4 * 4 * 4(64)组。

RFM分析是一个非常有用的工具，可以快速提供出色的结果。此外，它是一种非常简单的部署方法。

5.这对我有什么好处?

让我们看一些例子，这样您就可以弄清楚如何将其应用到您自己的组织中。

5.1人才管理

RFM可以帮助回答人才管理领域的一些问题。如:

• 哪些员工应该得到提升?
• 为了在职业生涯中更上一层楼，员工应该采取哪些行动?

RFM分割帮助组织在职业生涯规划根据进化在他们的RFM细分的员工。

当我们分析跨RFM组的员工在时间上的进展时，通常在RFM分割中存在有意义的模式。

时间的进化

我们必须在基于RFM的分组中观察人员的演变，因为RFM模型是从当前角度对员工(或客户)行为的快照。您需要在不同阶段重复分析，并使用结果来显示员工如何在不同类别之间移动。这比单一结果提供了更多深度。

最简单的方法是创建一个简单的数据文件，按日期保存每个客户的RFM分数。使用简单的查询，您可以提取一段时间内单个客户或客户组的临时RFM分数。

培训及发展

制定培训计划需要知道需要什么类型的培训。RFM分割可以成为一种合适的工具，用于将不同类型和水平的培训与正确的人员配置相匹配。

5.2 RFM作为一种客观的绩效测量类型

RFM可以被添加到性能指标列表中，作为三个不同的客观指标的组合(参见衡量绩效的六种方法）.

因此，可以使用RFM来运行许多算法依赖变量，或结果变量．

例如，您可以根据将人们提升到RFM的较高部分的有效性来分析不同形式的入职，或者使用逻辑回归计算更多的接触是否会带来RFM的有意义的上升。

而且，很明显，反过来说，RFM(尤其是RFM的进化)可以是一个良好的预测(独立变量)的营业额或敬业度。

赢家包揽一切

RFM只是一种经验丰富的细分类型。在我们的人力资源实践中，RFM应该与其他形式的社会人口细分(如年龄、性别、职位、工资)或不同形式的聚类分析相竞争。

无论我们进行什么细分，最终，只有在它有助于更好地解释影响业务底线的相关指标时，它才会是实际的。

大量的试验和错误即将出现。我承诺会在一篇新文章中发表一些关于我们自己对不同细分市场进行基准测试的实践，在那里我将把RFM的结果与各种基于聚类的细分市场进行对比，以获得更好的模型来解释业绩、参与度或流失率。