RFM 模型的內(nèi)容 根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷研究所 Arthur Hughes 的研究， 客戶 數(shù)據(jù)庫(kù)中有三個(gè)神奇的要素，這三個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的 指標(biāo) ： 最近一次消費(fèi) (Recency) 消費(fèi)頻率 (Frenquency) 消費(fèi)金 額 (Monetary) 編輯 最近一次消費(fèi) 最近一次消費(fèi)意指上一次購(gòu)買的時(shí)候 顧客上一次是幾時(shí)來(lái)店里、上一次根據(jù)哪本郵購(gòu)目錄購(gòu)買東西、什么時(shí)候買的車，或在你的超市買早餐最近的一次是什么時(shí)候。 理論上，上一次消費(fèi)時(shí)間越近的顧客應(yīng)該是比較好的 顧客 ，對(duì)提供即時(shí)的 商品 或是服務(wù)也最有可能會(huì)有反應(yīng)。營(yíng)銷人員若想業(yè)績(jī)有所成長(zhǎng)，只能靠偷取 競(jìng)爭(zhēng)對(duì)手 的市場(chǎng)占有率，而如果要密切地注意 消費(fèi)者 的 購(gòu)買行為 ，那么最近的一次消費(fèi)就是營(yíng)銷人員第一個(gè)要利用的工具。歷史顯示，如果我們能讓消費(fèi)者購(gòu)買，他 們就會(huì)持續(xù)購(gòu)買。這也就是為什么， 0 至 6 個(gè)月的顧客收到營(yíng)銷人員的溝通信息多于 31 至 36 個(gè)月的 顧客 。 最近一次消費(fèi)的過(guò)程是持續(xù)變動(dòng)的。在顧客距上一次購(gòu)買時(shí)間滿一個(gè)月之后，在數(shù)據(jù)庫(kù)里就成為最近一次消費(fèi)為兩個(gè)月的 客戶 。反之，同一天，最近 一次消費(fèi)為 3 個(gè)月前的客戶作了其下一次的購(gòu)買，他就成為最近一次消費(fèi)為一天前的顧客，也就有可能在很短的期間內(nèi)就收到新的折價(jià)信息。 最近一次消費(fèi)的功能不僅在于提供的 促銷 信息而已，營(yíng)銷人員的最近一次消費(fèi)報(bào)告可以監(jiān)督事業(yè)的健全度。優(yōu)秀的營(yíng)銷人員會(huì)定期查看最近一次消費(fèi)分析，以掌握趨勢(shì)。月報(bào)告如果顯示上一次購(gòu)買很近的客戶， (最近一次消費(fèi)為 1 個(gè)月 )人數(shù)如增加，則表示該 公司 是個(gè)穩(wěn)健成長(zhǎng)的 公司 ；反之，如上一次消費(fèi)為一個(gè)月的客戶越來(lái)越少，則是該公司邁向不健全之路的征兆。 最近一次消費(fèi)報(bào)告是維系顧客的一個(gè)重要指標(biāo)。最近才買你的 商品 、服務(wù)或是光顧你商店的消費(fèi)者 ，是最有可能再向你購(gòu)買東西的顧客。再則，要吸引一個(gè)幾個(gè)月前才上門的顧客購(gòu)買，比吸引一個(gè)一年多以前來(lái)過(guò)的顧客要容易得多。營(yíng)銷人員如接受這種強(qiáng)有力的營(yíng)銷哲學(xué) 與顧客建立長(zhǎng)期的關(guān)系而不僅是賣東西，會(huì)讓顧客持續(xù)保持往來(lái)，并贏得他們的忠誠(chéng)度。 編輯 消費(fèi)頻率 消費(fèi)頻率是顧客在限定的期間內(nèi)所購(gòu)買的 次數(shù) 。我們可以說(shuō)最常購(gòu)買的顧客，也是滿意度最高的顧客。如果相信品牌及商店忠誠(chéng)度的話，最常購(gòu) 買的消費(fèi)者，忠誠(chéng)度也就最高。增加顧客購(gòu)買的 次數(shù) 意味著從競(jìng)爭(zhēng)對(duì)手處偷取市場(chǎng)占有率，由別人的手中賺取 營(yíng)業(yè)額 。 根據(jù)這個(gè)指標(biāo)，我們又把客戶分成五等分，這個(gè)五等分分析相當(dāng)于是一個(gè) “忠誠(chéng)度的階梯 ”(loyalty ladder)，其訣竅在于讓消費(fèi)者一直順著階梯往上爬，把銷售想像成是要將兩次購(gòu)買的顧客往上推成三次購(gòu)買的顧客，把一次購(gòu)買者變成兩次的。 編輯 消費(fèi)金額 消費(fèi)金額是所有數(shù)據(jù)庫(kù)報(bào)告的支柱，也可以驗(yàn)證 “帕雷托法則 ”(Paretos Law)公司 80的收入來(lái)自 20的顧客。它顯示出排名前 10的顧客所花費(fèi)的金額比下一個(gè)等級(jí)者多出至少 2倍，占公司所有 營(yíng)業(yè)額 的 40以上。如看累計(jì)百分比的那一欄，我們會(huì)發(fā)現(xiàn)有 40 的顧客貢獻(xiàn)公司總營(yíng)業(yè)額的 80；而有 60的客戶占營(yíng)業(yè)額的 90以上。最右的一欄顯示每一等分顧客的平均消費(fèi)，表現(xiàn)最好的 10的顧客平均花費(fèi) 1195 美元 ，而最差的 10僅有 18 美元 。 如果你的預(yù)算不多，而且只能提供服務(wù)信 息給 2000 或 3000 個(gè)顧客，你會(huì)將信息郵寄給貢獻(xiàn) 40收入的顧客，還是那些不到 1的顧客？ 數(shù)據(jù)庫(kù)營(yíng)銷 有時(shí)候就是這么簡(jiǎn)單。這樣的營(yíng)銷所節(jié)省下來(lái)的成本會(huì)很可觀 。 結(jié)合這三個(gè)指標(biāo)，我們就可以把顧客分成 5 5 5 = 125 類，對(duì)其進(jìn)行 數(shù)據(jù)分析 ，然后制定我們的營(yíng)銷策略。 最近一次消費(fèi)、消費(fèi)頻率、消費(fèi)金額是測(cè)算消費(fèi)者價(jià)值最重要也是最容易的方法，這充分的表現(xiàn)了這三個(gè)指標(biāo)對(duì)營(yíng)銷活動(dòng)的指導(dǎo)意義。而其中，最近一次消費(fèi)是最有力的預(yù)測(cè)指標(biāo)。 編輯 RFM 模型的應(yīng)用意義 在眾多的 客戶關(guān)系管理 (CRM)的分析模式中， RFM 模型是被廣泛提到的。 RFM 模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。該模型通過(guò)一個(gè)客戶的近期購(gòu)買行為、購(gòu)買的總體頻率以及花了多少錢三項(xiàng)指標(biāo)來(lái)描述 該客戶的價(jià)值狀況。 RFM 模型較為動(dòng)態(tài)地層示了一個(gè)客戶的全部輪廓，這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù)，同時(shí)，如果與該客戶打交道的時(shí)間足夠長(zhǎng)，也能夠較為精確地判斷該客戶的長(zhǎng)期價(jià)值 (甚至是終身價(jià)值 )，通過(guò)改善三項(xiàng)指標(biāo)的狀況，從而為更多的 營(yíng)銷決策 提供支持。 在 RFM 模式中， R(Recency)表示客戶最近一次購(gòu)買的時(shí)間有多遠(yuǎn) ， F(Frequency)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的次數(shù)， M (Monetary)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買的金額。一般的 分析型 CRM 著重在對(duì)于客戶貢獻(xiàn)度的分析， RFM 則強(qiáng)調(diào)以客戶的行為來(lái)區(qū)分客戶。 RFM 非常適用于生產(chǎn)多種商品的 企業(yè) ，而且這些商品單價(jià)相對(duì)不高，如 消費(fèi)品 、化妝品、小家電、錄像帶店、超市等；它也適合在一個(gè)企業(yè)內(nèi)只有少數(shù)耐久商品，但是該商品中有一部分屬于消耗品，如復(fù)印機(jī)、打印機(jī)、汽車維修等消耗品； RFM 對(duì)于加油站、旅行保險(xiǎn)、 運(yùn)輸 、快遞、快餐店、 KTV、行動(dòng)電話 信用卡 、 證券公司 等也很適合。 RFM 可以用來(lái)提高客戶的交易次數(shù)。業(yè)界常用的 DM(直接郵寄 )，常常一次寄發(fā)成千上萬(wàn)封郵購(gòu)清單，其實(shí)這是很浪費(fèi)錢的。根據(jù)統(tǒng)計(jì) (以一般郵購(gòu)日用品而言 )，如果將所有 R(Recency)的客戶分為五級(jí)，最好的第五級(jí)回函率是第四級(jí)的三倍，因?yàn)檫@些客戶剛完成交易不久，所以會(huì)更注意同一公司的產(chǎn)品信息。如果用 M(Monetary)來(lái)把客戶分為五級(jí)，最好與次好的平均回復(fù)率，幾乎沒(méi)有顯著差異。 有些人會(huì)用客戶絕對(duì)貢獻(xiàn)金額來(lái)分析客戶是否流失，但是絕對(duì)金額有時(shí)會(huì)曲 解 客戶行為 。因?yàn)槊總€(gè) 商品價(jià)格 可能不同，對(duì)不同產(chǎn)品的促銷有不同的 折扣 ，所以采用相對(duì)的分級(jí) (例如 R、 F、M 都各分為五級(jí) )來(lái)比較消費(fèi)者在級(jí)別區(qū)間的變動(dòng)，則更可以顯現(xiàn)出相對(duì)行為。企業(yè)用 R、 F 的變化，可以推測(cè)客戶消費(fèi)的異動(dòng)狀況，根據(jù) 客戶流失 的可能性，列出客戶，再?gòu)?M（消費(fèi)金額）的角度來(lái)分析，就可以把重點(diǎn)放在貢獻(xiàn)度高且流失機(jī)會(huì)也高的客戶上，重點(diǎn) 拜訪 或聯(lián)系，以最有效的方式挽回更多的商機(jī)。 RFM 也不可以用過(guò)頭，而造成高交易的客戶不斷收到信函。每一個(gè)企業(yè)應(yīng)該設(shè)計(jì)一個(gè)客戶接觸頻率規(guī)則，如購(gòu)買三天或一周內(nèi)應(yīng)該發(fā)出一個(gè)感謝的電話或 Email，并主動(dòng)關(guān)心消費(fèi)者是否有使用方面的問(wèn)題，一個(gè)月后發(fā)出使用是否滿意的詢問(wèn)，而三個(gè)月后則提供 交叉銷售 的建議，并開(kāi)始注意客戶的流失可能性，不斷地創(chuàng)造主動(dòng)接觸客戶的機(jī)會(huì)。這樣一來(lái)，客戶再購(gòu)買的機(jī)會(huì)也會(huì)大幅提高。 企業(yè)在推行 CRM 時(shí)，就要根據(jù) RFM 模型的原理，了解客戶差異，并以此為主軸進(jìn)行企業(yè)流程重建，才能創(chuàng)新業(yè)績(jī)與利潤(rùn)。否則，將無(wú)法在新世紀(jì)的市場(chǎng)立足。 編輯 RFM 模型案例分析 編輯 案例一 :基于 RFM 的電信客戶市場(chǎng)細(xì)分方法 1 對(duì)于電信企業(yè)而言 ,不同的客戶具有不同的 內(nèi)在價(jià)值 ,企業(yè)的首要問(wèn)題就是采取有效方法對(duì)客戶進(jìn)行分類 ,發(fā)現(xiàn)客戶內(nèi)在價(jià)值的變化規(guī)律與分布特征 ,并以此制定客戶的差別化服務(wù)政策 ,通過(guò)政策的實(shí)施將客戶分類的結(jié)果作用于企業(yè)實(shí)踐。 針對(duì)電信行業(yè)提出一種基于改進(jìn) RFM 模型的客戶分類方法。應(yīng)用 層次分析法 來(lái)確定 RFM模型中每個(gè)變量的權(quán)重 ,在此基礎(chǔ)上 ,應(yīng)用 K 均值聚類法來(lái)對(duì)客戶進(jìn)行分類 ,之后分析每一類客戶的行為 特征和價(jià)值 ,并且對(duì)不同的顧客類別采取不同的策略。 一、電信行業(yè) RFM 模型。 客戶分類方法主要有基于顧客 利潤(rùn)率 的分類和基于指標(biāo)組合的客戶分類方法 2。 RFM 模型經(jīng)常使用的三個(gè)指標(biāo)是近度 (Recency)、頻度 (Fre2quency)、值度 (Monentary)3。以 RFM 模型為基礎(chǔ) ,通過(guò)客戶的 RFM 行為特征衡量分析 客戶忠誠(chéng)度 與客戶內(nèi)在價(jià)值 .按照傳統(tǒng)的 RFM 模型 ,以客戶最后一次購(gòu)買到當(dāng)前的時(shí)間間隔為近度 ,則對(duì)于每天都在使用電信業(yè)務(wù)的客戶 ,其近度為零 ,不同的客戶區(qū)分度很小；如果客戶在一定時(shí)期內(nèi)使用電信業(yè)務(wù)的次數(shù)數(shù)量非常大 ,則客戶的頻度也將是一個(gè)很大的數(shù)量 .因此按照傳統(tǒng)的 RFM 模型對(duì)電信企業(yè)客戶進(jìn)行分析是沒(méi)有意義的。從客戶交費(fèi)角度來(lái)考慮電信業(yè)客戶的 RFM 模型 ,改進(jìn)后的 RFM 指標(biāo)與傳統(tǒng)的 RFM 指標(biāo)含義比較如下表所示 : 傳統(tǒng)的 RFM 模型與電信業(yè) RFM 模型的各指標(biāo)含義比較 模型 R(近度 ) F(頻度 ) M(值度 ) 傳統(tǒng)的 RFM 模型 客戶最近一次 客戶一定時(shí)期 客戶一定時(shí)期 購(gòu)買距離分析 內(nèi)購(gòu)買該企業(yè) 內(nèi)購(gòu)買該企業(yè) 點(diǎn)的時(shí)間 產(chǎn)品的次數(shù) 產(chǎn)品的總金額 電信業(yè) RFM 模型 客戶最后一次 客戶一定時(shí)期 客戶一定時(shí)期 交費(fèi)距離分析 內(nèi)交費(fèi)的次數(shù) 內(nèi)的交費(fèi)總額 點(diǎn)的時(shí)間 以客戶交費(fèi)的近度、頻度和值度來(lái)替代客戶消費(fèi)的近度、頻度和值度 ,基于以下幾點(diǎn)考慮 : (1)客戶交費(fèi)的時(shí)間間隔較大 ,以交費(fèi)近度替代消費(fèi)近度 ,避免了客戶消費(fèi)的近度難于區(qū)分的問(wèn)題 。 (2)客戶交費(fèi)次數(shù)相對(duì)較少 ,可以減少統(tǒng)計(jì)客戶消費(fèi)次數(shù)的工作量。 (3)客戶交費(fèi)額等于客戶消費(fèi)額 .因此 ,從交費(fèi)角度構(gòu)建電信業(yè)的 RFM 模型是可取的。 二、 RFM 權(quán)重分析 對(duì) RFM 各變量的指標(biāo)權(quán)重問(wèn)題 ,Hughes,Arthur 認(rèn)為 RFM 在衡量一個(gè)問(wèn)題上的權(quán)重是一致的 ,因而并沒(méi)有給予不同的劃分。而 Stone,Bob 通過(guò)對(duì) 信用卡 實(shí)證分析 ,認(rèn)為各個(gè)指標(biāo)的權(quán)重并不相同 ,應(yīng)該給予頻度最高 ,近度次之 ,值度最低的權(quán)重 4。 認(rèn)為針對(duì)不同的行業(yè)甚至不同的公司 ,頻度、近度、值度的權(quán)重均存在一定差異 ,因此需要采用科學(xué)的方法進(jìn)行分析 .對(duì)此 ,以 層次分析法 為支撐 ,結(jié)合專家咨詢方式來(lái)解決指標(biāo)權(quán)重的確定問(wèn)題。 研究邀請(qǐng)了被研究的某電信企業(yè)的兩位地區(qū)經(jīng)理、兩位市場(chǎng)營(yíng)銷人員和一位長(zhǎng)期客戶應(yīng)用文獻(xiàn) 5的標(biāo)度含義對(duì) RFM 各指標(biāo)權(quán)重進(jìn)行比較分析。在分別得到五位評(píng)價(jià)者的兩兩比較矩陣后 ,采取取 平均的方法得到下表的評(píng)價(jià)矩陣。 評(píng)價(jià)矩陣 R F M R 1 0.71 0.46 F 1.41 1 0.85 M 2.18 1.18 1 上表所示的兩兩比較矩陣的一致性比例 C。 R 0.1,表明該判斷矩陣的一致性可以接受。由上表得出 RFM 各指標(biāo)相對(duì)權(quán)重為WF,WR,WM=0.221,0.341,0.439。其中 M 的權(quán)重最大 ,即專家們認(rèn)為客戶交費(fèi)金額的高低是影響顧客價(jià)值 高低的最主要因素。 三、客戶分類 1.基于 K-均值聚類法的客戶分類過(guò)程應(yīng)用 K-均值聚類法 6,以加權(quán) RFM 為指標(biāo) ,將具有相近的 顧客終身價(jià)值 的客戶進(jìn)行分類 ,基本思路如下 : (1)應(yīng)用 AHP 法確定 RFM 各個(gè)指標(biāo)的權(quán)重 ,并將各個(gè)指標(biāo)加權(quán)。 (2)將 RFM 各指標(biāo)標(biāo)準(zhǔn)化。 (3)確定聚類的類別數(shù)量 m。 (4)應(yīng)用 K-均值聚類法對(duì)加權(quán)后的指標(biāo)進(jìn)行聚類 ,得到 m 類客戶。 (5)將每類客戶的 RFM平均值和總 RFM平均值作比較 ,每次對(duì)比有兩個(gè)結(jié)果 :大于 (等于 )平均值和小于平均值 ,通過(guò)對(duì)比得到每 類客戶 RFM 的變動(dòng)情況。 (6)根據(jù)每個(gè)客戶類別的 RFM 的變動(dòng)情況分析該客戶類別的性質(zhì) ,如該客戶類別是傾向于忠誠(chéng)的還是傾向于背離的 ,然后在此基礎(chǔ)上定義客戶類型。 (7)對(duì)每類客戶標(biāo)準(zhǔn)化后的各個(gè)指標(biāo)取平均 ,將平均值加權(quán)求和 ,得到每類客戶的顧客終身價(jià)值總得分 ,分析各類 顧客終身價(jià)值 的 差別。 2.顧客類型識(shí)別分析 從某市通信公司 2004 年所有的電信客戶記錄中隨機(jī)抽取了 1026 名客戶的記錄進(jìn)行分析 ,數(shù)據(jù)的描述性統(tǒng)計(jì)見(jiàn)下表 數(shù)據(jù)描述 指標(biāo) 最小值 最大值 平均值 標(biāo)準(zhǔn)差 近度 2 128 60.07 20.191 頻度 0 13 5.98 1.861 值度 54.43 1499.17 704.7467 216.22068 由于 RFM 數(shù)據(jù)的量綱各不相同 ,數(shù)據(jù)的取值也存在很大的差異 .為了消除分布差異較大和量綱不同的影響 ,在對(duì)各個(gè)指標(biāo)進(jìn)行加權(quán)之前 ,需要考慮對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理 .由于 F,M 指標(biāo)對(duì)顧客價(jià)值存在正相關(guān)的影響 ,因此其標(biāo)準(zhǔn)化調(diào)整通過(guò) 進(jìn)行。其中，為標(biāo)準(zhǔn)化后的值， x 為原值 ,xs為該指標(biāo)最小值， xl為該指標(biāo)最大值。 R 對(duì)顧客價(jià)值存在負(fù)相關(guān)關(guān)系 ,因此其標(biāo)準(zhǔn)化調(diào)整公式為 。 使用 K-均值聚類法時(shí) ,需要預(yù)先判斷其聚類的類別數(shù)。在模型中客戶分類通過(guò)每個(gè)顧客類別RFM 平均值與總 RFM 平均值相比較來(lái)決定的 ,而單個(gè)指標(biāo)的比較只能有兩種情況 :大于 (等于 )或小于平均值 ,因此可能有 種類別。 標(biāo)準(zhǔn)化和確定聚類類別數(shù)后 ,進(jìn)行聚類分析 ,得到 8 類客戶 .將 8 類客戶的 RFM 平均值與總RFM 均值比較 .如果單個(gè)客戶類別的均值大于總均值 ,則給該指標(biāo)一個(gè)向上的箭頭： “ ”標(biāo)記 ,反之則用 “ ”,如下表所示 通過(guò) RFM 分析將企業(yè)的 客戶群體劃分 成重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般重要客戶、一般客戶、無(wú)價(jià)值客戶等六個(gè)級(jí)別 ,各客戶簇的客戶級(jí)別如表 4 所示 .客戶分級(jí)不僅揭示了客戶在級(jí)別上的差異 ,而且反映了客戶在行為上的特性和變化傾向。電信企業(yè)通過(guò) RFM 分析可將現(xiàn)有顧客劃分為不同的客戶等級(jí) ,針對(duì)不同等級(jí) 的客戶 ,采取不同的管理策略 .但是 ,這種分類只是確定了客戶的等級(jí) ,卻沒(méi)有各類客戶之間的一個(gè)量化的價(jià)值比較 ,因而對(duì)各類客戶做相應(yīng)的終身價(jià)值分析是非常有必要的。 3.客戶終身價(jià)值比較分析。 表 4將客戶簇 1 和簇 3 同分為重要保持客戶 ,將客戶簇 5 和簇 8同分為一般客戶 ,這樣難以對(duì)對(duì)這兩組客戶簇進(jìn)行細(xì)分 .此外 ,客戶分類后 ,并不知道每一類客戶的價(jià)值差別有多大 ,相對(duì)企業(yè)的重要性怎樣 .利用 AHP 法分析得到的 RFM 各指標(biāo)權(quán)重 ,結(jié)合各類顧客的 RFM 指標(biāo) ,根據(jù)每一類客 戶的 顧客終身價(jià)值 得分來(lái)進(jìn)行排序 .標(biāo)準(zhǔn)化后的各個(gè)指標(biāo)平均值如表 5 的 , , ,其中表示聚類后的類別。 , , 第 j 類客戶的 R,F,M 各個(gè)指標(biāo)標(biāo)準(zhǔn)化后的平均值， 是第 j 類客戶的 RFM 各項(xiàng)指標(biāo)加權(quán)后的總得分 ,運(yùn)算公式為。 。 其中 ,W_R、 W_F、 W_M 分別為由 AHP 分析得來(lái)的 R、 F、 M 指標(biāo)的權(quán)重最后 ,根據(jù)總得分的大小來(lái)對(duì)各類客戶來(lái)進(jìn)行排序 (見(jiàn)表 4). 排名靠前的客戶相對(duì)排名靠后的客戶具有更高的顧客終身價(jià)值 ,忠誠(chéng)度更高 ,對(duì)于企業(yè)來(lái)說(shuō)更為重要 .表 5 顯示 ,客戶簇 3 總得分最高 ,因此簇 3 的客戶是企業(yè)最有 價(jià)值 的客戶 ,而簇 6 客戶總得分最后 ,因此可以認(rèn)為簇 6 客戶的價(jià)值最低 .此外 ,對(duì)于處于同等級(jí)的客戶簇 1和簇 3,簇 5和蹴 8進(jìn)行了細(xì)分 .從表 5中還可以看出 ,簇 3比簇 1的價(jià)值大 ,簇 5 比簇 8 的價(jià)值大 .此外 ,通過(guò)比較各簇的總得分 ,還可以比較各客戶簇的價(jià)值 .如簇 3 的價(jià)值是簇 6 價(jià)值的 0.5693/0.3284=1.73 倍。 標(biāo)準(zhǔn)化的 RFM 加權(quán)分類 客戶 CLV 類別 (近度 ) 頻度 值度 (元 ) 總得分 排序 1 0.6038 0.5124 0.5727 0.5596 2 2 0.6804 0.3445 0.4413 0.4618 4 3 0.5029 0.7056 0.4955 0