正文

rfm模型的三個指標是什么

發(fā)布時間：2023-04-14 00:42:56 稿源：創(chuàng)意嶺閱讀： 125

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型的三個指標是什么的問題，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，寫出的就越詳細，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)，服務客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、RFM模型分析與客戶細分
2、數(shù)據(jù)分析方法3—RFM分析模型
3、會員系統(tǒng)RFM數(shù)據(jù)分析模型的什么是RFM數(shù)據(jù)分析模型
4、rfm是什么意思

rfm模型的三個指標是什么

一、RFM模型分析與客戶細分

RFM模型分析與客戶細分

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究，客戶數(shù)據(jù)庫中有三個神奇的要素，這三個要素構(gòu)成了數(shù)據(jù)分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。

RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(xiàn)(Frequency)表示客戶在最近一段時間內(nèi)購買的次數(shù)，M (Monetary)表示客戶在最近一段時間內(nèi)購買的金額。一般原始數(shù)據(jù)為3個字段：客戶ID、購買時間(日期格式)、購買金額，用數(shù)據(jù)挖掘軟件處理，加權(quán)(考慮權(quán)重)得到RFM得分，進而可以進行客戶細分，客戶等級分類，Customer Level Value得分排序等，實現(xiàn)數(shù)據(jù)庫營銷!

這里再次借用@數(shù)據(jù)挖掘與數(shù)據(jù)分析的RFM客戶RFM分類圖。

本次分析用的的軟件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT

因為RFM分析僅是項目的一個小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點對計算機的內(nèi)存和硬盤容量都有要求。

先說說對海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點體會：(僅指個人電腦操作平臺而言)

一般我們拿到的數(shù)據(jù)都是壓縮格式的文本文件，需要解壓縮，都在G字節(jié)以上存儲單位，一般最好在外置電源移動硬盤存儲;如果客戶不告知，你大概是不知道有多少記錄和字段的;

Modeler挖掘軟件默認安裝一般都需要與C盤進行數(shù)據(jù)交換，至少需要100G空間預留，否則讀取數(shù)據(jù)過程中將造成空間不足

海量數(shù)據(jù)處理要有耐心，等待30分鐘以上運行出結(jié)果是常有的現(xiàn)象，特別是在進行抽樣、合并數(shù)據(jù)、數(shù)據(jù)重構(gòu)、神經(jīng)網(wǎng)絡建模過程中，要有韌性，否則差一分鐘中斷就悲劇了，呵呵;

數(shù)據(jù)挖掘的準備階段和數(shù)據(jù)預處理時間占整個項目的70%，我這里說如果是超大數(shù)據(jù)集可能時間要占到90%以上。一方面是處理費時，一方面可能就只能這臺電腦處理，不能幾臺電腦同時操作;

多帶來不同，這是我一直強調(diào)的體驗。所以海量數(shù)據(jù)需要用到抽樣技術(shù)，用來查看數(shù)據(jù)和預操作，記?。河袝r候即使樣本數(shù)據(jù)正常，也可能全部數(shù)據(jù)有問題。建議數(shù)據(jù)分隔符采用“|”存儲;

如何強調(diào)一個數(shù)據(jù)挖掘項目和挖掘工程師對行業(yè)的理解和業(yè)務的洞察都不為過，好的數(shù)據(jù)挖掘一定是市場導向的，當然也需要IT人員與市場人員有好的溝通機制;

數(shù)據(jù)挖掘會面臨數(shù)據(jù)字典和語義層含義理解，在MetaData元數(shù)據(jù)管理和理解上下功夫會事半功倍，否則等數(shù)據(jù)重構(gòu)完成發(fā)現(xiàn)問題又要推倒重來，悲劇;

每次海量大數(shù)據(jù)挖掘工作時都是我上微博最多的時侯，它真的沒我算的快，只好上微博等它，哈哈!

傳統(tǒng)RFM分析轉(zhuǎn)換為電信業(yè)務RFM分析主要思考：

這里的RFM模型和進而細分客戶僅是數(shù)據(jù)挖掘項目的一個小部分，假定我們拿到一個月的客戶充值行為數(shù)據(jù)集(實際上有六個月的數(shù)據(jù))，我們們先用IBM Modeler軟件構(gòu)建一個分析流：

數(shù)據(jù)結(jié)構(gòu)完全滿足RFM分析要求，一個月的數(shù)據(jù)就有3千萬條交易記錄!

我們先用挖掘工具的RFM模型的RFM匯總節(jié)點和RFM分析節(jié)點產(chǎn)生R(Recency)、F(Frequency)、M (Monetary);

接著我們采用RFM分析節(jié)點就完成了RFM模型基礎數(shù)據(jù)重構(gòu)和整理;

現(xiàn)在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;這里對RFM得分進行了五等分切割，采用100、10、1加權(quán)得到RFM得分表明了125個RFM魔方塊。

傳統(tǒng)的RFM模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識別客戶特征和行為，有必要進一步細分客戶群;

另外：RFM模型其實僅僅是一種數(shù)據(jù)處理方法，采用數(shù)據(jù)重構(gòu)技術(shù)同樣可以完成，只是這里固化了RFM模塊更簡單直接，但我們可以采用RFM構(gòu)建數(shù)據(jù)的方式不為RFM也可用該模塊進行數(shù)據(jù)重構(gòu)。

我們可以將得到的數(shù)據(jù)導入到Tableau軟件進行描述性分析：(數(shù)據(jù)挖掘軟件在描述性和制表輸出方面非常弱智，哈哈)

我們也可以進行不同塊的對比分析：均值分析、塊類別分析等等

這時候我們就可以看出Tableau可視化工具的方便性

接下來，我們繼續(xù)采用挖掘工具對R、F、M三個字段進行聚類分析，聚類分析主要采用：Kohonen、K-means和Two-step算法：

這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變量還是要進行變換，因為R、F、M三個字段的測量尺度不同最好對三個變量進行標準化，例如：Z得分(實際情況可以選擇線性插值法，比較法，對標法等標準化)!另外一個考慮：就是R、F、M三個指標的權(quán)重該如何考慮，在現(xiàn)實營銷中這三個指標重要性顯然不同!

有資料研究表明：對RFM各變量的指標權(quán)重問題,Hughes,Arthur認為RFM在衡量一個問題上的權(quán)重是一致的,因而并沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權(quán)重并不相同,應該給予頻度最高,近度次之,值度最低的權(quán)重;

這里我們采用加權(quán)方法：WR=2 WF=3 WM=5的簡單加權(quán)法(實際情況需要專家或營銷人員測定);具體選擇哪種聚類方法和聚類數(shù)需要反復測試和評估，同時也要比較三種方法哪種方式更理想!

下圖是采用快速聚類的結(jié)果：

以及kohonen神經(jīng)算法的聚類結(jié)果：

接下來我們要識別聚類結(jié)果的意義和類分析：這里我們可以采用C5.0規(guī)則來識別不同聚類的特征：

其中Two-step兩階段聚類特征圖：

采用評估分析節(jié)點對C5.0規(guī)則的模型識別能力進行判斷：

結(jié)果還不錯，我們可以分別選擇三種聚類方法，或者選擇一種更易解釋的聚類結(jié)果，這里選擇Kohonen的聚類結(jié)果將聚類字段寫入數(shù)據(jù)集后，為方便我們將數(shù)據(jù)導入SPSS軟件進行均值分析和輸出到Excel軟件!

輸出結(jié)果后將數(shù)據(jù)導入Excel，將R、F、M三個字段分類與該字段的均值進行比較，利用Excel軟件的條件格式給出與均值比較的趨勢!結(jié)合RFM模型魔方塊的分類識別客戶類型：通過RFM分析將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、無價值客戶等六個級別;(有可能某個級別不存在);

另外一個考慮是針對R、F、M三個指標的標準化得分按聚類結(jié)果進行加權(quán)計算，然后進行綜合得分排名，識別各個類別的客戶價值水平;

至此如果我們通過對RFM模型分析和進行的客戶細分滿意的話，可能分析就此結(jié)束!如果我們還有客戶背景資料信息庫，可以將聚類結(jié)果和RFM得分作為自變量進行其他數(shù)據(jù)挖掘建模工作!

二、數(shù)據(jù)分析方法3—RFM分析模型

對于一個新上線產(chǎn)品的前期運營，我們一般的做法都是做活動、上新品、蹭熱點、做營銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀，真正獲取的用戶沒有幾個，最終都便宜了羊毛黨。其實客戶在不同階段的需求是不一樣的，有的客戶圖便宜，有的客戶看新品，有的客戶重服務。所以我們想要運營好一個產(chǎn)品，就需要對客戶精細化運營。

精細化運營最經(jīng)典的用戶分群工具就是RFM模型，RFM模型是衡量用戶價值和用戶創(chuàng)新能力的經(jīng)典工具，主要是由用戶最近一次購買時間、消費頻次、消費金額組成。

RFM模型是衡量客戶價值和客戶潛在價值的重要工具和手段，RFM是Rencency（最近一次消費），F(xiàn)requency（消費頻率），Monetary（消費金額）組合而成，此模型對于運營、銷售、財務、市場來說都比較重要。

R值（Recency）： 最近一次消費

表示用戶最近一次消費距離現(xiàn)在的時間，消費時間越近的客戶價值越大，1年前消費過的用戶肯定沒有1月前消費過的用戶價值大，是衡量用戶價值的一個指標。

基于R值的大小，可以看出上表中的客戶2是最有價值的，客戶3是最沒有價值的，但是如果就此說明客戶2是最有價值，而客戶3是沒有價值的是不成立的，對于客戶價值我們不能僅看R值，還需要考慮F值和M值。這里我們只舉出4個客戶為例，但在真實的客戶場景中，我們可以把客戶按照周、月、季、年等維度的占比詳細來觀察出R的趨勢變化。

F值（Frequency）： 消費頻率

消費頻率是指用戶在統(tǒng)計周期內(nèi)購買商品的次數(shù)，經(jīng)常購買的用戶也就是熟客，其價值比偶爾來一次的客戶價值大

基于F值的大小，可以看出客戶4的價值最大，客戶1的價值最小，但是如果考慮R值和M值就不能這樣認為。其實客戶對于產(chǎn)品的復購的核心因素是類目。有的類目產(chǎn)品復購率高（食品類）主要是食品屬于易耗品，消耗周期短，購買的頻率高，相對容易產(chǎn)生重復性購買。而有的類目產(chǎn)品復購率低（家電類），消耗周期長，購買頻次低。建議在對F值進行統(tǒng)計時對于不同的類目要有相應的統(tǒng)計周期。

M值（Monetary）： 消費金額

消費金額是指用戶在統(tǒng)計周期內(nèi)消費的總金額，體現(xiàn)了消費者對于企業(yè)的價值。

基于M值的大小，可以看出客戶4的價值最高，客戶1的價值最低，M值同上面的R值、F值類似，單一的值并不能說明客戶的好壞，三者結(jié)合才能更好地精細化用戶，對購買產(chǎn)品的用戶合理的分隔，采用不同的機制去運營。

RFM模型的主觀細分

根據(jù)RFM模型值得大小對客戶進行細分，如下表所示，將客戶分為了8部分去運營，對于不同的細分人群采取不同的運營策略，在實際的應用場景中，店鋪可以根據(jù)自己店鋪的實際情況來細分人群，購買人群多的就分多個人群，購買人群少的就少分幾個人群，具體的情況根據(jù)店鋪來定。

RFM模型的量化細分

上面的模型細分主要是根據(jù)RFM值的大小進行模糊的細分，而如果想要更細地對人群進行劃分，就需要對RFM進行量化處理，一般采用的方式有

1、根據(jù)經(jīng)驗定義權(quán)重

RFM值=a*R值+b*F值+c*M值

對于其中的權(quán)重a,b,c則需要經(jīng)驗豐富的業(yè)務人員來判斷

2、歸一化處理

將RFM的值進行歸一化處理，公式為

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是歸一化處理過后的值

3、AHP層次分析得出權(quán)重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

具體參考鏈接

最終按照得出值的大小進行人群細分，得出不同的人群

三、會員系統(tǒng)RFM數(shù)據(jù)分析模型的什么是RFM數(shù)據(jù)分析模型

RFM 模型是會員管理領(lǐng)域里的一種會員消費行為分析模型，其中R近度(Recency）代表最近購買時間，指上次購買至現(xiàn)在的時間間隔； F 頻度(Frequency)代表購買頻率，指的是某一期間內(nèi)購買的次數(shù)；M額度(Monetary) 代表總購買金額，指的是某一期間內(nèi)購買商品的金額。

RFM模型在反映會員購買偏好方面具有良好的表征性。

經(jīng)過研究發(fā)現(xiàn) R值越小，會員越有可能與企業(yè)達成新的交易。 F值越大，會員越有可能與企業(yè)達成新的交易。 M值越大，會員越有可能與企業(yè)達成新的交易。 RFM 模型在反映會員價值方面同樣具有良好的表征性，它是衡量會員價值和會員創(chuàng)利能力的重要工具和手段。一卡易將該模型成功應用于會員系統(tǒng)中，通過一個會員的近期購買行為、購買的總頻率以及購買的總金額等3項指標來描述該會員的價值狀況。如果與該會員打交道的時間足夠長，也能夠較為精確地判斷該會員的長期價值（甚至是終身價值），通過改善3項指標的狀況，從而為更多的營銷決策提供支持。連鎖會員系統(tǒng)的‘統(tǒng)計分析’模塊運用RFM模型做出‘會員RFM’，幫助使用者來了解會員的消費行為和消費的意向。

rfm模型的三個指標是什么