RFM模型

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于RFM模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、【分析方法or思維】RFM模型——用戶價值分析

• 2、基于RFM模型的客戶分群和K-Means聚類分析

• 3、【知識分享】RFM模型與顧客生命周期管理（一）

• 4、用戶體系搭建（二）——如何用RFM劃定用戶層級

一、【分析方法or思維】RFM模型——用戶價值分析

  RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，模型主要是利用客戶的最近一次消費（Recency）、總體消費頻率（Fequency）以及消費全額（Monetary）3項指標(biāo)來描述該客戶的價值狀況。 RFM代表近度，頻率和額度，這些指標(biāo)表征了客戶的一些消費行為和習(xí)慣。頻率和額度會影響客戶的生命周期價值，新近度會影響保留率，而保留率是忠誠度的衡量標(biāo)準(zhǔn)。

   RFM是一種客戶細(xì)分技術(shù)，用以幫助營銷人員快速識別用戶類型及群體分類，并幫助營銷人員根據(jù)客戶細(xì)分類型的共性、個性提供一定的營銷策略。因而，RFM的最終成果是客戶的分類及分類分析。

二、基于RFM模型的客戶分群和K-Means聚類分析

數(shù)據(jù)源是來自Kaggle的一個跨國數(shù)據(jù)集，其中包含2010年12月12日至2011年12月9日期間發(fā)生的所有在英國注冊的非商店在線零售業(yè)務(wù)的交易。該公司主要銷售獨特的全場禮品，并且大部分客戶是批發(fā)商。分析目的是按照RFM模型對客戶進(jìn)行分級，以用戶的實際購買行為數(shù)據(jù)作為基礎(chǔ)，進(jìn)行用戶群體的劃分，再基于不同分類信息，分解成不同群體針對運營，從而使企業(yè)能更有效的獲取客戶、使客戶更加滿意、留住客戶成為高價值客戶、避免客戶流失。

數(shù)據(jù)一覽

數(shù)據(jù)形狀為：542k 行x 8列，8個字段分別為發(fā)票號，發(fā)票日期，商品碼，商品描述，數(shù)量，單價，顧客ID，國家。

R(Recency): 表示客戶最近一次購買的時間距離現(xiàn)在有多遠(yuǎn)

F(Frequency): 表示用戶在定義時間段內(nèi)購買產(chǎn)品或服務(wù)的次數(shù)

M(Monetary): 表示用戶在定義時間段內(nèi)購買產(chǎn)品或服務(wù)的金額

按照每個指標(biāo)取值不同分為八類客戶，包括重要價值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶等八類用戶

0.計算每單的總價，添加Amount列。查看整體數(shù)據(jù)情況，發(fā)現(xiàn)描述和顧客ID列有缺失值，顧客ID類型為浮點型不符合業(yè)務(wù)邏輯

8.求出每位顧客在時間周期內(nèi)消費次數(shù)，得到F值，（數(shù)據(jù)源中一個訂單會包含多種產(chǎn)品，但是每種產(chǎn)品訂單都會產(chǎn)生一條記錄，注意去重）

9.表合并

df_data=pd.merge(df_f_2,df_f_3,on='InvoiceNo',how='left')

11.對得到三個指標(biāo)進(jìn)行分區(qū)，映射級別

按照RFM分值對顧客分類

2.客戶消費情況

3.每個指標(biāo)的分布情況

綜上確定聚類K值為3

用K-Means進(jìn)行無監(jiān)督聚類后，可以看出整體分為三類，與RFM模型分類結(jié)果較為相似，可以重點關(guān)注偏離集群的幾個點，以及藍(lán)色類別中出現(xiàn)的幾個紅色類別數(shù)據(jù)，這部分與RFM模型的差異可能是由于RFM模型判斷時間的主觀性造成的，在實際建模的過程中需要再考慮一下RFM的分級條件。

三、【知識分享】RFM模型與顧客生命周期管理（一）

作為一名電商的產(chǎn)品經(jīng)理，負(fù)責(zé)的業(yè)務(wù)主要是CRM...唉，在這個運營無腦，公司不給錢的年代，做CRM簡直是個絕對苦勞無功勞的活。這讓典型摩羯座的顧阿姨怎么辦...

在瑣碎的日常工作之外，需要適度的額外學(xué)習(xí)與整理來充實自己。應(yīng)周會分享的契機(jī)，自己找了網(wǎng)上與書上與CRM有關(guān)的材料，做出了這份“RFM模型與顧客生命周期管理”的屁屁踢~借這個平臺與大家分享。

RFM模型與顧客生命周期管理

RFM模型是顧客關(guān)系管理中最常用的一個模型，因其具有普適性，可幫助那些基礎(chǔ)CRM運營同學(xué)在不具備專業(yè)數(shù)據(jù)挖掘能力前就能運用此類方法。

內(nèi)容會圍繞四部分展開：

第一部分對RFM模型進(jìn)行內(nèi)涵闡述；第二部分對RFM的運用方法進(jìn)行說明；第三部分是對第二部分的承接，顧客細(xì)分后就需要對顧客放入具體的生命周期中；第四部分，闡述如何對不同生命周期的顧客進(jìn)行營銷。

一.RFM模型

在進(jìn)入第一部分前，我們先問問自己為何要進(jìn)行客戶細(xì)分？

與團(tuán)隊管理一樣，團(tuán)隊成員人數(shù)只有個位數(shù)的時候，大家靠默契就能運作；當(dāng)團(tuán)隊成員人數(shù)到達(dá)兩位數(shù)時，需要規(guī)章制度對職場行為進(jìn)行規(guī)制以確保穩(wěn)定；當(dāng)團(tuán)隊成員人數(shù)到達(dá)三位數(shù)時，需要企業(yè)文化與企業(yè)精神讓員工在“靈”的層面理解公司愿景。

簡短地用假大空的話說了說意義，下面我們詳細(xì)闡述RFM模型：

表給中還給出了影響指標(biāo)變化的因素與指標(biāo)的應(yīng)用場景。這個后文會繼續(xù)詳述。

1. 最近一次消費（Recency）

最近一次消費的計算方式是以計算當(dāng)日減去顧客上一次在店鋪的消費日期。計算時取付款時間更為準(zhǔn)確。

我們可以很容易地理解到：R值越小，說明顧客下單間隔越小。如果R值為0，則可以說明該顧客天天在本店鋪下單；如果R值很大，則可認(rèn)為該顧客已經(jīng)遺忘了本店鋪，就算是買東西也想不到來本店鋪買。

我們來舉個栗子：文中的柱狀圖取了某店鋪三年內(nèi)的R值分布情況。從形狀來看，呈現(xiàn)周期性且規(guī)律型的波浪型，且振幅隨著時間的延長而變小。店鋪對客戶的營銷有著穩(wěn)定的季節(jié)性，從圖表看，大概是統(tǒng)計周期的每年的第二個月，在這個月能吸引顧客下單，故R值在當(dāng)月占比會特別高。

2. 消費頻率（Frequency）

消費頻率的高低是客戶對品牌忠誠度（如：旗艦店）與店鋪忠誠度的體現(xiàn)。

然而，決定消費頻率高低的一個重大因素是品類寬度。如：對手機(jī)、電腦等3C類別商品，平均購買周期可能在1年左右；而對于紙巾、零食等流百類商品，平均購買周期可能只有1周甚至更短。因此，跨品類進(jìn)行F值的比較是沒有意義的。

對于大平臺而言，其涉及的售賣品類會比較豐富；而對于一般小平臺而言，一般只會涉足某一細(xì)分品類。平臺畢竟有限，故對于一般網(wǎng)店而言，會將F值用顧客的“累計購買次數(shù)”替換。

我們來舉個栗子：文中的柱狀圖統(tǒng)計了一段時間內(nèi)顧客到店消費的次數(shù)分布。新客（購買一次）占比為65.6%，老客（購買超過一次）占比為34.4%。購買超過4次以后，流失達(dá)到穩(wěn)定。故CRM運營童鞋要考慮如何對顧客進(jìn)行營銷，使其在店鋪購買可達(dá)4次。

3. 消費金額（Monetary）

消費金額統(tǒng)計的是某一顧客在一段時間內(nèi)的累計消費金額。數(shù)值越大，代表顧客對店鋪的價值貢獻(xiàn)和消費能力越高。

由于統(tǒng)計周期較長，不利于對于應(yīng)時性的分析。故：對一般店鋪而言，一般選擇客戶在店鋪的累計購買次數(shù)與客單價替代原始的M值定義。

我們來舉個栗子：文中的柱狀圖統(tǒng)計了一段時間內(nèi)某個消費區(qū)間內(nèi)的客戶數(shù)與消費金額。累計消費1000元以下的客戶占比為65%（近2/3），貢獻(xiàn)的店鋪收入比例占31.6%（近1/3）。在“二八法則”中，我們提到說20%的顧客貢獻(xiàn)店鋪80%的收入——其背后含義即說明，小部分忠誠顧客貢獻(xiàn)了店鋪主要的營收。圖表就是對這一法則的現(xiàn)實證明。

四、用戶體系搭建（二）——如何用RFM劃定用戶層級

RFM是很傳統(tǒng)的數(shù)據(jù)分析模型，幾乎所有文章都會提到它，然而市面上RFM模型很多只是講解了如何通過RFM解決和劃定用戶群體，但是很少有詳細(xì)說明RFM模型的計算方式，本文講解RFM模型的含義及應(yīng)用以及如何使用SPSS計算RFM模型。

1、RFM模型概述

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。在眾多的 客戶關(guān)系管理 的分析模式中，RFM模型是被廣泛提到的。該機(jī)械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標(biāo)來描述該客戶的價值狀況。（摘自百度百科）

以上是百度百科對RFM模型的描述，說的比較復(fù)雜，簡單的來講RFM是通過統(tǒng)計用戶最近購買時間（R），購買的次數(shù)（F），購買的金額（M）這三個維度來描述用戶在群體中的位置。對于這三個維度的描述具體如下：

基于這三個維度，將每個維度分為高低兩種情況，我們構(gòu)建出了一個三維的坐標(biāo)系。

通過圖表很直觀的發(fā)現(xiàn)，我們把客戶分為了2的三次方也就是8個群體。

2、RFM模型取數(shù)方法

根據(jù)RFM模型的定義，我們可以很容易的推導(dǎo)出，RFM模型的數(shù)據(jù)取數(shù)內(nèi)容主要包括三個字段即：最近購買時間、最近購買次數(shù)、消費金額。但是在實際工作中也會有問題是我們要計算每個用戶的購買時間、購買次數(shù)費事費力，所以一般也可以通過統(tǒng)計訂單來進(jìn)行計算。

當(dāng)我們通過訂單進(jìn)行統(tǒng)計時需要包含以下字段

當(dāng)我們準(zhǔn)備好以上數(shù)據(jù)時就可以開始準(zhǔn)備計算RFM模型

考慮不少人不是很了解SPSS，下面也將包含一些SPSS基礎(chǔ)功能的講解

1、設(shè)置度量標(biāo)準(zhǔn)

SPSS分為數(shù)據(jù)視圖和變量視圖，在開始前需要在變量視圖中設(shè)置數(shù)據(jù)類型

SPSS中數(shù)據(jù)類型包括度量、名義、序號，

2、設(shè)置變量類型及寬度

變量類型是定義該變量是何種類，點擊類型彈出變量類型選擇彈窗

寬度定義變量的展示位數(shù)，對于Order_id、User_id等需要注意變量長度，讓這兩個字段完全展示。

另外對于，Create_time這一字段應(yīng)選用日期這一類型并選擇yyyy:mm:dd

我們可以直接將excel里的數(shù)據(jù)直接復(fù)制過來。

4、選擇分析模型分析

Step1：選擇分析模型

完成數(shù)據(jù)準(zhǔn)備后選擇 直銷——RFM分析，不同漢化版本翻譯可能稍有不同

Step2：選擇數(shù)據(jù)格式

由于我們使用的是訂單記錄，所以我們選用交易數(shù)據(jù)

Stpe4:SPSS執(zhí)行RFM分析

SPSS完成分析后，會生成一個新的數(shù)據(jù)文件，記錄每個客戶的最近一次交易日期、交易總次數(shù)、交易總金額、RS/FS/MS分值、RFM匯總分值。

RFM匯總分值=RS分值 100+FS分值 10+MS分值。

選用分析—描述統(tǒng)計——描述這一方法計算RS\FS\MS均值

最終可得如下結(jié)果

選擇"重新編碼為不同變量"，先對客戶的RS進(jìn)行高低轉(zhuǎn)化。

依據(jù)上表，逐個設(shè)置各客戶類型所對應(yīng)的數(shù)據(jù)規(guī)則。

設(shè)置客戶類型=1的數(shù)據(jù)規(guī)則，操作如下：

重復(fù)以上操作設(shè)定不同數(shù)據(jù)類型

最后將將客戶類型編碼1、2、3、4、5、6、7、8轉(zhuǎn)換成實際客戶類型：

最終，可得出如下結(jié)果

以上就是關(guān)于RFM模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

colourful英語怎么說讀音

RFM模型的理解

aso和rf陽性是什么意思（aso和rf都是陰性）

私家別墅景觀設(shè)計報價（私人別墅景觀）

抖音外賣推廣員怎么做