rfm指標(biāo)內(nèi)容（rfm模型是什么）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm指標(biāo)內(nèi)容的問題，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(gè)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(jì)劃、工作報(bào)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、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

• 2、用戶分層-RFM分層方法論

• 3、RFM模型對應(yīng)的特征在本案例中是什么?

• 4、SQL建立RFM模型指標(biāo)的兩種方法對比

一、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(fèi)行為分析模型， 其中R近度(Recency） 代表最近購買時(shí)間，指上次購買至現(xiàn)在的時(shí)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(dá)成新的交易。 F值越大，會員越有可能與企業(yè)達(dá)成新的交易。 M值越大，會員越有可能與企業(yè)達(dá)成新的交易。 RFM 模型在反映會員價(jià)值方面同樣具有良好的表征性，它是衡量會員價(jià)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(yīng)用于會員系統(tǒng)中，通過一個(gè)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(xiàng)指標(biāo)來描述該會員的價(jià)值狀況。如果與該會員打交道的時(shí)間足夠長，也能夠較為精確地判斷該會員的長期價(jià)值（ 甚至是終身價(jià)值），通過改善3項(xiàng)指標(biāo)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(jì)分析’模塊運(yùn)用RFM模型做出‘會員RFM’，幫助使用者來了解會員的消費(fèi)行為和消費(fèi)的意向。

二、用戶分層-RFM分層方法論

我們都知道，所有的運(yùn)營工作都是圍繞著用戶展開的。運(yùn)營策略從某種程度來說，就是資源對用戶的有效分配。那么，知道什么用戶應(yīng)該制定什么樣的運(yùn)營策略，就尤為重要了，而這就要依賴于我們的用戶分層了。

在運(yùn)營過程中，用戶分層的作用很明顯，它能 幫助我們把用戶分成各個(gè)層次和群體，然后我們根據(jù)各個(gè)層次和群體的不同，才能有的放矢的制定出更精準(zhǔn)、更有針對性的運(yùn)營策略。

我們在運(yùn)營工作中，經(jīng)常會聽到“用戶畫像”、“用戶分層”、“用戶分群”這幾個(gè)詞，貌似有些類似特別是后面兩個(gè)，但如果嚴(yán)格說的話，還是有區(qū)別的。

本篇準(zhǔn)確地說應(yīng)該是包括了“用戶分層+用戶分群”，這里就統(tǒng)稱為用戶分層了。而本篇我們也會通過一個(gè)實(shí)例，用一張Excel表作為工具，從零開始一步一步的完成一次用戶分層過程。

關(guān)于用戶分層，我們需先明白以下幾點(diǎn)：

一、用戶分層在不同的行業(yè)中是不一樣的，而且可能是多樣化的。

比如滴滴打車，用軟件打車的人是一種用戶；司機(jī)也是一種用戶；廣告商也是一種用戶。如果要做用戶分層的話，就需要對這三種類型的用戶分別做一套不同的用戶分層體系。

二、用戶分層在產(chǎn)品發(fā)展的不同階段會有不同的變化。

比如我們區(qū)分價(jià)值用戶和一般用戶，

初期我們產(chǎn)品少，一個(gè)月買2次化200元錢可能就是我們的價(jià)值用戶了。

隨著公司的發(fā)展我們產(chǎn)品的不斷增多，需要一個(gè)月買10次化5000元才有能算是我們的價(jià)值用戶了。

三、用戶分層需要定性和定量

如上面的例子一樣，我們需要對用戶有一個(gè)定性的過程，如價(jià)值用戶、一般用戶，或者VIP，超級VIP等等；然后必須要對此進(jìn)行定量，比如消費(fèi)多少金額才能算價(jià)值用戶。

那么如何用科學(xué)化的手段進(jìn)行一次用戶分析，以確定各用戶群體的行為特征，完成一次用戶分層的過程，就必須要說到經(jīng)典的RFM用戶模型了。如下圖：

RFM模型歷史悠久，其理論知識這里就不闡述了，簡單的說就是通過 最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)這三個(gè)指標(biāo) ，然后把每個(gè)指標(biāo)按照實(shí)際的情況，分成5檔，一共形成了125類的用戶。然后為了執(zhí)行方便，把125類的用戶歸納成8大類， 如下圖 ，最后根據(jù)這8大類用戶的情況制定運(yùn)營策略。

這里要說明的一點(diǎn)是，RFM模型不是互聯(lián)網(wǎng)時(shí)代的產(chǎn)物，事實(shí)上在傳統(tǒng)行業(yè)里也用的很廣，所以其指標(biāo)主要針對的是付費(fèi)用戶。 如果我們的互聯(lián)網(wǎng)產(chǎn)品用戶人群是免費(fèi)用戶，一樣可以用這個(gè)RFM模型并使用它的方法 ，只是指標(biāo)換成了 最后一次登錄、登錄頻率、產(chǎn)品使用時(shí)間。

接下來我們就用實(shí)例來操作一遍：

我們現(xiàn)在手上有500份付費(fèi)用戶數(shù)據(jù)，包含（用戶、最后一次消費(fèi)時(shí)間間隔、消費(fèi)頻率、消費(fèi)金額）四個(gè)字段，我們?nèi)绾芜M(jìn)行用戶分層并制定有效運(yùn)營策略呢？

第一步：我們把數(shù)據(jù)導(dǎo)入或粘貼到Excel當(dāng)中，再原有的4個(gè)表頭基礎(chǔ)上，再增加R值、F值、M值三個(gè)表頭。做好這樣一張Excel表，如下圖：

（此處只選10條數(shù)據(jù)做實(shí)例）

第二步：分別確定好RFM這三個(gè)指標(biāo)五檔的標(biāo)準(zhǔn)。

這是比較難的一步，因?yàn)椴煌男袠I(yè)不同的產(chǎn)品不同的階段都有不同的劃分標(biāo)準(zhǔn)。比如消費(fèi)金額，1000個(gè)用戶里面，最低1元，最高10000元。大部分情況下，20%的用戶占據(jù)了80%的金額，而80%的用戶占了20%的金額，是一個(gè)長尾的分布效果。所以我們不能簡單的用最高金額/5，或者用戶總數(shù)/5的平均分法，這樣分出來的結(jié)果不能代表一個(gè)擁有類似行為表現(xiàn)的群體。

這個(gè)主要還是依靠大家在本身各自行業(yè)中的理解和實(shí)際場景需求來確定了。 當(dāng)然，如果我們實(shí)在沒有什么頭緒的話，我們可以 通過散點(diǎn)圖大致分辨一下 ，如下圖：

大家可以看到，通過散點(diǎn)圖，我們可以比較直觀的看清用戶的分布（上圖為用戶的消費(fèi)金額分布）。 我們?nèi)シ謾n的時(shí)候就盡可能的將密集的一部分分在一起，這樣，該檔用戶群體的行為共性也就更大一點(diǎn)。

需要說明的是，這不是一個(gè)很嚴(yán)謹(jǐn)?shù)姆址?，需要大家在?shí)際過程中進(jìn)行不斷的調(diào)整。而如果我們面臨海量數(shù)據(jù)的時(shí)候，最好是通過聚類算法等技術(shù)手段，才能更加科學(xué)精準(zhǔn)的幫助我們進(jìn)行判斷。

以本例來說，我們最后定下了RFM各個(gè)指標(biāo)下的五個(gè)分檔標(biāo)準(zhǔn)。如圖：

第三步：分別計(jì)算出每條記錄的R、F、M值。

我們通過在Excel里面加入if判斷，自動(dòng)計(jì)算出該記錄對應(yīng)的R、F、M值，比如我們RFM分層表中，0001用戶對應(yīng)的R值，

即單元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我們來解釋一下這條if判斷語句：

同樣的算法，我們寫出計(jì)算每一條記錄F值和M值的判斷條件。

然后，我們把Excel的單元格往下拉，最后形成這樣的圖：

第四步：分別算出總的R、F、M的平均值。

這一步比較簡單，我們以上全部算完之后，再最下面增加一行，用AVERAGE（）計(jì)算出以上所有行數(shù)的平均值。如圖：

第五步：根據(jù)每條記錄的R、F、M值和所有記錄的平均值，判斷出每條記錄的R、F、M值是在平均值之上，還是平均值之下。

首選，我們先增加三個(gè)表頭，如圖：

然后，我們用每一條記錄的R值來R的平均值進(jìn)行比較，如果<平均值則顯示“低”，如果大于等于則顯示“高”。

我們還是用If判斷語句進(jìn)行自動(dòng)判斷，以上圖為例，用戶0001的“R高低值”即：

這樣，我們就變成了下圖：

這個(gè)時(shí)候，我們發(fā)現(xiàn)了一個(gè)問題，當(dāng)我們把單元格往下拉的時(shí)候，E3固然變成了E4，但E13也變成了E14，由于E13是一個(gè)固定格子的數(shù)字，我們不希望它隨著單元格的下拉而改變。我們就需要在if語句中在E13兩邊加上“$”這個(gè)符號了。

如下：

同時(shí)，為了更直觀，我們設(shè)置一個(gè)條件格式，若文本中含有“高”則背景色為紅色，若含有“低”則背景色為綠色。這時(shí)候再往下拖一下單元格，就變成這樣拉，如圖：

第六步：根據(jù)比較值，進(jìn)行八大類的歸類。

接下來，我們就要根據(jù)我們的“R高低值”“F高低值”“M高低值”，自動(dòng)計(jì)算出我們的用戶層級拉。我們先加個(gè)表頭“用戶層級”。

這一次，我們要寫一串稍微長一點(diǎn)的IF判斷語句，如下：

本文所寫的都是在Excel里面的IF判斷語句，建議大家能夠自己寫一下，不想寫或?qū)懖怀鲆矝]關(guān)系，直接保存好上面的if語句Copy一下直接用就行了（修改一下單元格的序號就可以了）。

最后，如下圖：

當(dāng)然，我們還可以在用戶層級的表頭上加上“篩選”功能，可以直接搜索到我們需要的那些用戶。大家也可以通過不同的顏色來區(qū)分不同的用戶層級，這個(gè)就自由發(fā)揮拉。

好了，到這里，我們就已經(jīng)通過用一張Excel表，完成了一次用戶分層的全過程。 這張表最后的效果是，就像一個(gè)程序一樣，我們?nèi)我廨斎肴齻€(gè)RFM數(shù)字，表格將自動(dòng)會跳出這個(gè)用戶的層級。 大家保存好這張excel表，以后用起來套一下就可以了，效率是相當(dāng)快的。大家可以嘗試自己從頭做一遍，若有需要的話可在留言區(qū)留下郵箱，我會發(fā)送給大家。

完成后上面六步之后，我們已經(jīng)得到了完成用戶分層之后的所有用戶記錄，這時(shí)我們需要做成圖表的形式，開個(gè)會、做個(gè)匯報(bào)啥的，如下圖：

回到我們上面說的，做用戶分層的目的是為了有的放矢的制定出更精準(zhǔn)、更有針對性的運(yùn)營策略。所以，我們最終我們還是回到制定運(yùn)營策略上來。我們的例子可參考下圖：

再接下來要如何具體實(shí)施和執(zhí)行，就不在本篇文章的范疇里了。

用戶分層是運(yùn)營過程中非常重要的一個(gè)環(huán)節(jié)，快速的進(jìn)行用戶分層也是我們必備的一個(gè)方法。我們把用戶分的層，其實(shí)用戶本身是不知道的。如果我們分一個(gè)層級讓用戶知道，不僅知道而且還非常喜歡，以此來不斷引導(dǎo)用戶進(jìn)行自我層級的上升。

三、RFM模型對應(yīng)的特征在本案例中是什么?

RFM模型特征

簡單性，只需要四個(gè)字段，客戶名稱、消費(fèi)時(shí)間、消費(fèi)金額和消費(fèi)頻率。客觀性，利用數(shù)學(xué)尺度，簡單且明確的描述客戶價(jià)值。

直觀，解釋性極高。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。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。該機(jī)械模型通過一個(gè)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(xiàng)指標(biāo)來描述該客戶的價(jià)值狀況。

四、SQL建立RFM模型指標(biāo)的兩種方法對比

本筆記將利用sql語言構(gòu)建RFM模型，將會有兩種辦法對用戶進(jìn)行分類。

第一種方法是基于有明確業(yè)務(wù)指標(biāo)計(jì)算RFM分值。

第二種是按二八定律設(shè)定閥值。

首先看看RFM模型是什么？

R值:Rencency(最近一次消費(fèi)) 指的是用戶在店鋪?zhàn)罱淮钨徺I時(shí)間距離分析點(diǎn)的時(shí)間間隔;

F值:Frequency(消費(fèi)頻率) 指的是是用戶在固定時(shí)間內(nèi)的購買次數(shù);

M值:Monetary(消費(fèi)金額) 指的是一段時(shí)間(通常是1年)內(nèi)的消費(fèi)金額;

根據(jù)三個(gè)值的高低之分，會得出8種類型的客戶；

一般每個(gè)指標(biāo)都會有1，2，3，4，5分的分值標(biāo)準(zhǔn)，此指標(biāo)一般根據(jù)具體業(yè)務(wù)需求進(jìn)行設(shè)置；

如：

然后根據(jù)以上標(biāo)準(zhǔn)對用戶進(jìn)行打分，并會求得各指標(biāo)均值，進(jìn)行比較，大于均值為高，少于均值為低。

接下來按照此標(biāo)準(zhǔn)用sql執(zhí)行。

首先我們導(dǎo)入相關(guān)數(shù)據(jù)，并去重?cái)?shù)據(jù)放進(jìn)新表 temp_trade；

由于時(shí)間關(guān)系，以導(dǎo)入如下數(shù)據(jù)，期間利用

SET date_time = STR_TO_DATE(time,'%Y-%m-%d %H');

set dates=date(date_time);

這兩個(gè)函數(shù)對原表（紅框）日期進(jìn)行處理；

再檢查一下關(guān)鍵字段有無缺失值

查詢后得出并無缺失。

再檢查一下用戶行為是否有1、2、3、4以外的異常值；

查詢結(jié)果無異常值；

-- 建新表，放進(jìn) 去重后的 數(shù)據(jù)

create table temp_trade like o_retailers_trade_user;

insert into temp_trade select distinct * from o_retailers_trade_user;

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

CREATE VIEW r_clevel AS

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù),

(CASE

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=2 THEN 5

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=4 THEN 4

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=6 THEN 3

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=8 THEN 2

ELSE

1 END )AS R分值

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

)a

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購買頻次 desc

CREATE VIEW f_clevel AS

SELECT user_id , 購買頻次 ,

(CASE

WHEN 購買頻次<=2 THEN 1

WHEN 購買頻次<=4 THEN 2

WHEN 購買頻次<=6 THEN 3

WHEN 購買頻次<=8 THEN 4

ELSE 5 END )AS F分值

FROM

(

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

)a

-- 1.R平均值

SELECT avg(R分值) as 'r_avg' FROM r_clevel;

-- 2.F平均值

select avg(F分值) as 'f_avg' from f_clevel;

create view RFM_table

as

select a.*,b.分值,

(case

when a.分值>2.5515 and b.分值>2.2606 then '重要高價(jià)值客戶' when a.分值<2.5515 and b.分值>2.2606 then '重要喚回客戶'

when a.分值>2.5515 and b.分值<2.2606 then '重要深耕客戶' when a.分值<2.5515 and b.分值<2.2606 then '重要挽留客戶' END

) as user_class

from r_clevel a, f_clevel b

where a.user_id=b.user_id;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

RFM_table

GROUP BY user_class

SELECT COUNT(DISTINCT user_id) AS 購買用戶數(shù)

FROM

temp_trade

WHERE behavior_type='2'

SELECT

相差天數(shù)

FROM

(

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù)

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

)a

ORDER BY 相差天數(shù) DESC

)b

LIMIT 32,1

SELECT

購買頻次

FROM

(

SELECT user_id , 購買頻次

FROM

(

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購買頻次 DESC

)a

)b

LIMIT 32,1

CREATE VIEW RF_TABLE AS

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù),購買頻次

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間 , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id)a

select user_id,

(case

when 相差天數(shù)<=19 and 購買頻次>=7 then '重要高價(jià)值客戶' when 相差天數(shù)>19 and 購買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE ;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

(

select user_id,

(case

when 相差天數(shù)<=19 and 購買頻次>=7 then '重要高價(jià)值客戶' when 相差天數(shù)>19 and 購買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE

) a

GROUP BY user_class

以上就是關(guān)于rfm指標(biāo)內(nèi)容相關(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：

RFM模型的理解

RFM模型

xrf檢測（xrf檢測儀器）

抗日戰(zhàn)爭紅色文化景觀設(shè)計(jì)（抗日戰(zhàn)爭紅色文化景觀設(shè)計(jì)圖片）

中國最頂尖的廣告公司（著名廣告策劃公司）_1