正文

RFM中R怎么計(jì)算（rfm值計(jì)算公式）

發(fā)布時(shí)間：2023-04-21 17:06:12 稿源：創(chuàng)意嶺閱讀： 66

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于RFM中R怎么計(jì)算的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)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(duì)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(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)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(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、基于RFM模型的用戶分類(lèi)及精細(xì)化運(yùn)營(yíng)（附實(shí)例）
2、RFM模型分析與客戶細(xì)分
3、用RFM模型劃分用戶等級(jí)
4、用戶體系搭建（二）——如何用RFM劃定用戶層級(jí)

RFM中R怎么計(jì)算（rfm值計(jì)算公式）

一、基于RFM模型的用戶分類(lèi)及精細(xì)化運(yùn)營(yíng)（附實(shí)例）

一、RFM模型簡(jiǎn)介

1、釋義

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(guò)一個(gè)客戶的近期購(gòu)買(mǎi)行為、購(gòu)買(mǎi)的總體頻率以及花了多少錢(qián)3項(xiàng)指標(biāo)來(lái)描述該客戶的價(jià)值狀況。

R：最近一次消費(fèi) (Recency)：代表用戶距離當(dāng)前最后一次消費(fèi)的時(shí)間

F：消費(fèi)頻率 (Frequency)：用戶在一段時(shí)間內(nèi)，對(duì)產(chǎn)品的消費(fèi)頻次

M：消費(fèi)金額 (Monetary)：代表用戶的貢獻(xiàn)價(jià)值

一般情況下，我們將R、F、M分別分五個(gè)維度打分，通過(guò)歸一化打分之后，把用戶所打分值與所有用戶的總分均值作高低比較，再將R、F、M每個(gè)方向定義為：高、低，兩個(gè)方向，如此可將用戶分為2 2 2=8類(lèi)，如下：

當(dāng)我們將客戶分類(lèi)后，便可以針對(duì)性指定精細(xì)化運(yùn)營(yíng)策略，幫助大家了解完RFM模型后，我將用一個(gè)實(shí)例具體展示操作流程，以下實(shí)例以某玩家作品網(wǎng)站為例，爬取前十個(gè)網(wǎng)頁(yè)共240個(gè)玩家作品的昵稱(chēng)、編號(hào)、點(diǎn)贊數(shù)、積分、上傳日期時(shí)間等信息進(jìn)行分析，具體流程如下：

1 數(shù)據(jù)爬取

2 數(shù)據(jù)清洗

3 數(shù)據(jù)分析

3.1 重新定義RFM

3.2 定義RFM打分標(biāo)準(zhǔn)

3.3 歸一化打分

3.4 計(jì)算RFM均值

3.5 用戶分類(lèi)

3.6 統(tǒng)計(jì)與可視化

4 運(yùn)營(yíng)策略

1 數(shù)據(jù)爬取

2 數(shù)據(jù)清洗

3 數(shù)據(jù)分析

3.1 重新定義RFM

由于獲取的是作品相關(guān)信息（獲取信息有限），所以在此對(duì)RFM進(jìn)行重新定義：

R：最近一次上傳作品日期據(jù)今天幾天；

F：作品數(shù)（用戶最近一段時(shí)間內(nèi)上傳作品的數(shù)量）；

M：點(diǎn)贊數(shù)（用戶最近一段時(shí)間內(nèi)上傳作品的點(diǎn)贊總數(shù)）

3.2 定義RFM打分標(biāo)準(zhǔn)

3.3 歸一化打分

3.4 計(jì)算RFM均值

3.5 用戶分類(lèi)

將3.3與3.4比較得出用戶分類(lèi)

3.6 統(tǒng)計(jì)與可視化

4 運(yùn)營(yíng)策略

以上便是此次操作全過(guò)程，不當(dāng)之處，還請(qǐng)指正，謝謝！

二、RFM模型分析與客戶細(xì)分

RFM模型分析與客戶細(xì)分

根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)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(Frequency)、消費(fèi)金額(Monetary)。

RFM模型：R(Recency)表示客戶最近一次購(gòu)買(mǎi)的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的次數(shù)，M (Monetary)表示客戶在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的金額。一般原始數(shù)據(jù)為3個(gè)字段：客戶ID、購(gòu)買(mǎi)時(shí)間(日期格式)、購(gòu)買(mǎi)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(jìn)而可以進(jìn)行客戶細(xì)分，客戶等級(jí)分類(lèi)，Customer Level Value得分排序等，實(shí)現(xiàn)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)!

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(lèi)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?yàn)镽FM分析僅是項(xiàng)目的一個(gè)小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點(diǎn)對(duì)計(jì)算機(jī)的內(nèi)存和硬盤(pán)容量都有要求。

先說(shuō)說(shuō)對(duì)海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點(diǎn)體會(huì)：(僅指?jìng)€(gè)人電腦操作平臺(tái)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(chǔ)單位，一般最好在外置電源移動(dòng)硬盤(pán)存儲(chǔ);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(rèn)安裝一般都需要與C盤(pán)進(jìn)行數(shù)據(jù)交換，至少需要100G空間預(yù)留，否則讀取數(shù)據(jù)過(guò)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(yùn)行出結(jié)果是常有的現(xiàn)象，特別是在進(jìn)行抽樣、合并數(shù)據(jù)、數(shù)據(jù)重構(gòu)、神經(jīng)網(wǎng)絡(luò)建模過(guò)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(zhǔn)備階段和數(shù)據(jù)預(yù)處理時(shí)間占整個(gè)項(xiàng)目的70%，我這里說(shuō)如果是超大數(shù)據(jù)集可能時(shí)間要占到90%以上。一方面是處理費(fèi)時(shí)，一方面可能就只能這臺(tái)電腦處理，不能幾臺(tái)電腦同時(shí)操作;

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

如何強(qiáng)調(diào)一個(gè)數(shù)據(jù)挖掘項(xiàng)目和挖掘工程師對(duì)行業(yè)的理解和業(yè)務(wù)的洞察都不為過(guò)，好的數(shù)據(jù)挖掘一定是市場(chǎng)導(dǎo)向的，當(dāng)然也需要IT人員與市場(chǎng)人員有好的溝通機(jī)制;

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

每次海量大數(shù)據(jù)挖掘工作時(shí)都是我上微博最多的時(shí)侯，它真的沒(méi)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(wù)RFM分析主要思考：

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

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

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

接著我們采用RFM分析節(jié)點(diǎn)就完成了RFM模型基礎(chǔ)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(duì)RFM得分進(jìn)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(gè)RFM魔方塊。

傳統(tǒng)的RFM模型到此也就完成了，但125個(gè)細(xì)分市場(chǎng)太多啦無(wú)法針對(duì)性營(yíng)銷(xiāo)也需要識(shí)別客戶特征和行為，有必要進(jìn)一步細(xì)分客戶群;

另外：RFM模型其實(shí)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(jiǎn)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(jìn)行數(shù)據(jù)重構(gòu)。

我們可以將得到的數(shù)據(jù)導(dǎo)入到Tableau軟件進(jìn)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(jìn)行不同塊的對(duì)比分析：均值分析、塊類(lèi)別分析等等

這時(shí)候我們就可以看出Tableau可視化工具的方便性

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

這時(shí)候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個(gè)變量還是要進(jìn)行變換，因?yàn)镽、F、M三個(gè)字段的測(cè)量尺度不同最好對(duì)三個(gè)變量進(jìn)行標(biāo)準(zhǔn)化，例如：Z得分(實(shí)際情況可以選擇線性插值法，比較法，對(duì)標(biāo)法等標(biāo)準(zhǔn)化)!另外一個(gè)考慮：就是R、F、M三個(gè)指標(biāo)的權(quán)重該如何考慮，在現(xiàn)實(shí)營(yíng)銷(xiāo)中這三個(gè)指標(biāo)重要性顯然不同!

有資料研究表明：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)信用卡的實(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;

這里我們采用加權(quán)方法：WR=2 WF=3 WM=5的簡(jiǎn)單加權(quán)法(實(shí)際情況需要專(zhuān)家或營(yíng)銷(xiāo)人員測(cè)定);具體選擇哪種聚類(lèi)方法和聚類(lèi)數(shù)需要反復(fù)測(cè)試和評(píng)估，同時(shí)也要比較三種方法哪種方式更理想!

下圖是采用快速聚類(lèi)的結(jié)果：

以及kohonen神經(jīng)算法的聚類(lèi)結(jié)果：

接下來(lái)我們要識(shí)別聚類(lèi)結(jié)果的意義和類(lèi)分析：這里我們可以采用C5.0規(guī)則來(lái)識(shí)別不同聚類(lèi)的特征：

其中Two-step兩階段聚類(lèi)特征圖：

采用評(píng)估分析節(jié)點(diǎn)對(duì)C5.0規(guī)則的模型識(shí)別能力進(jìn)行判斷：

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

輸出結(jié)果后將數(shù)據(jù)導(dǎo)入Excel，將R、F、M三個(gè)字段分類(lèi)與該字段的均值進(jìn)行比較，利用Excel軟件的條件格式給出與均值比較的趨勢(shì)!結(jié)合RFM模型魔方塊的分類(lèi)識(shí)別客戶類(lèi)型：通過(guò)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(wú)價(jià)值客戶等六個(gè)級(jí)別;(有可能某個(gè)級(jí)別不存在);

另外一個(gè)考慮是針對(duì)R、F、M三個(gè)指標(biāo)的標(biāo)準(zhǔn)化得分按聚類(lèi)結(jié)果進(jìn)行加權(quán)計(jì)算，然后進(jìn)行綜合得分排名，識(shí)別各個(gè)類(lèi)別的客戶價(jià)值水平;

至此如果我們通過(guò)對(duì)RFM模型分析和進(jìn)行的客戶細(xì)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(kù)，可以將聚類(lèi)結(jié)果和RFM得分作為自變量進(jìn)行其他數(shù)據(jù)挖掘建模工作!

三、用RFM模型劃分用戶等級(jí)

如何對(duì)用戶進(jìn)行等級(jí)分層，我們需要了解一個(gè)最常用的客戶分類(lèi)模型，那就是RFM模型。

RFM模型是在客戶關(guān)系管理（CRM）分析模式中最受關(guān)注和應(yīng)用的模型之一。它主要通過(guò)最近一次消費(fèi)（recency）、消費(fèi)頻率（frequency）、消費(fèi)金額（monetary）這三個(gè)維度的用戶行為來(lái)對(duì)用戶進(jìn)行分層。RFM分別是這三個(gè)英文單詞的首字母縮寫(xiě)。通過(guò)這一模型，企業(yè)可以動(dòng)態(tài)地掌握用戶對(duì)企業(yè)的長(zhǎng)期價(jià)值，甚至預(yù)測(cè)客戶的終身價(jià)值。

R（recency）指最近的消費(fèi)時(shí)間。最近一次消費(fèi)時(shí)間越近，說(shuō)明這個(gè)用戶近期是活躍的，對(duì)企業(yè)是有印象的。最近一次消費(fèi)距當(dāng)下時(shí)間越久，就越說(shuō)明這個(gè)用戶可能沉睡或流失了，需要企業(yè)通過(guò)客戶關(guān)懷、營(yíng)銷(xiāo)活動(dòng)去觸達(dá)他，想辦法將他再次激活，盡量挽回這個(gè)用戶。

F（frequency）指消費(fèi)頻率。消費(fèi)頻率越高，消費(fèi)也越活躍，代表用戶對(duì)企業(yè)或品牌越認(rèn)可，對(duì)企業(yè)貢獻(xiàn)的銷(xiāo)售價(jià)值越大。反之，消費(fèi)頻率低，甚至用戶只來(lái)了一次后就再也沒(méi)來(lái)，說(shuō)明用戶不活躍，相應(yīng)的貢獻(xiàn)價(jià)值也就少了。這時(shí)候企業(yè)就需要進(jìn)行反思，他到底是不是企業(yè)的真正目標(biāo)用戶，是不是“薅羊毛”的用戶，又或者是不是企業(yè)的產(chǎn)品和服務(wù)有問(wèn)題，傷害到了他?？傊?，企業(yè)需要針對(duì)消費(fèi)頻率這一數(shù)據(jù)進(jìn)行分析研究，找到原因，并想辦法解決。

M（monetary）指一段時(shí)間內(nèi)的消費(fèi)金額。消費(fèi)金額高，既說(shuō)明用戶對(duì)企業(yè)產(chǎn)品的需求大，也能反映用戶的消費(fèi)能力，同時(shí)還說(shuō)明對(duì)企業(yè)和品牌的認(rèn)可。在一段時(shí)間內(nèi)，消費(fèi)金額跟消費(fèi)頻率呈正相關(guān)，消費(fèi)頻率越高，累計(jì)的消費(fèi)金額也會(huì)越高。

企業(yè)通過(guò)這三個(gè)維度合理評(píng)估用戶的長(zhǎng)期價(jià)值，把用戶分為不同的等級(jí)，并對(duì)不同等級(jí)的用戶投入不同的資源和時(shí)間來(lái)維護(hù)，這樣就能讓公司的資源效果實(shí)現(xiàn)最大化。

過(guò)去，互聯(lián)網(wǎng)沒(méi)有如此發(fā)達(dá)，傳統(tǒng)企業(yè)沒(méi)有實(shí)現(xiàn)數(shù)字化，企業(yè)很難抓取用戶的實(shí)時(shí)數(shù)據(jù)，沒(méi)辦法實(shí)時(shí)掌握用戶動(dòng)態(tài)、群體畫(huà)像，很難做精細(xì)化運(yùn)營(yíng)管理。而現(xiàn)在，無(wú)論是投廣告、做活動(dòng)，還是依靠微信、社群、小程序、App，都能實(shí)時(shí)獲得大量數(shù)據(jù)，并且有了成熟的CRM軟件之后，企業(yè)能夠輕松地對(duì)用戶消費(fèi)數(shù)據(jù)進(jìn)行分析，進(jìn)而做出正確的決策。

在實(shí)際應(yīng)用中，我們可以將RFM這三個(gè)維度，每個(gè)維度一分為二，大寫(xiě)字母代表高，小寫(xiě)字母代表低。這樣一來(lái)就得到8組用戶分類(lèi)。

重要價(jià)值客戶：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，他們是企業(yè)的VIP客戶。

重要發(fā)展客戶：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，忠誠(chéng)度不高。他們是很有消費(fèi)潛力的用戶，需要重點(diǎn)發(fā)展。

重要保持客戶：最近一次消費(fèi)時(shí)間較遠(yuǎn)，但曾經(jīng)一段時(shí)間內(nèi)消費(fèi)頻次和金額都很高，說(shuō)明他過(guò)去是個(gè)忠誠(chéng)客戶，企業(yè)需要主動(dòng)和他聯(lián)系，嘗試激活。

重要挽留客戶：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)金額高，這些可能是將要流失或者已經(jīng)流失的用戶，企業(yè)應(yīng)當(dāng)采取挽留措施。

后面的一般價(jià)值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶相比前面四組的重要性會(huì)低一些。在實(shí)際成交客戶中，如果對(duì)這8組客戶維度進(jìn)行簡(jiǎn)化分類(lèi)，我們可以把他們分為A、B、C三個(gè)等級(jí)。這樣，企業(yè)員工在維護(hù)時(shí)會(huì)更好地理解、操作。

總而言之，企業(yè)在人格上對(duì)用戶要一視同仁，尊重用戶，友善相待，但是在商業(yè)服務(wù)上則要區(qū)別對(duì)待。企業(yè)不要試圖給所有用戶一樣的服務(wù)，而是要將更高級(jí)的服務(wù)提供給那些更認(rèn)可企業(yè)、能帶來(lái)更高價(jià)值的用戶。

四、用戶體系搭建（二）——如何用RFM劃定用戶層級(jí)

RFM是很傳統(tǒng)的數(shù)據(jù)分析模型，幾乎所有文章都會(huì)提到它，然而市面上RFM模型很多只是講解了如何通過(guò)RFM解決和劃定用戶群體，但是很少有詳細(xì)說(shuō)明RFM模型的計(jì)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(jì)算RFM模型。

1、RFM模型概述

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)系管理的分析模式中，RFM模型是被廣泛提到的。該機(jī)械模型通過(guò)一個(gè)客戶的近期購(gòu)買(mǎi)行為、購(gòu)買(mǎi)的總體頻率以及花了多少錢(qián)3項(xiàng)指標(biāo)來(lái)描述該客戶的價(jià)值狀況。（摘自百度百科）

以上是百度百科對(duì)RFM模型的描述，說(shuō)的比較復(fù)雜，簡(jiǎn)單的來(lái)講RFM是通過(guò)統(tǒng)計(jì)用戶最近購(gòu)買(mǎi)時(shí)間（R），購(gòu)買(mǎi)的次數(shù)（F），購(gòu)買(mǎi)的金額（M）這三個(gè)維度來(lái)描述用戶在群體中的位置。對(duì)于這三個(gè)維度的描述具體如下：

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

通過(guò)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(gè)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(gè)字段即：最近購(gòu)買(mǎi)時(shí)間、最近購(gòu)買(mǎi)次數(shù)、消費(fèi)金額。但是在實(shí)際工作中也會(huì)有問(wèn)題是我們要計(jì)算每個(gè)用戶的購(gòu)買(mǎi)時(shí)間、購(gòu)買(mǎi)次數(shù)費(fèi)事費(fèi)力，所以一般也可以通過(guò)統(tǒng)計(jì)訂單來(lái)進(jìn)行計(jì)算。

當(dāng)我們通過(guò)訂單進(jìn)行統(tǒng)計(jì)時(shí)需要包含以下字段

當(dāng)我們準(zhǔn)備好以上數(shù)據(jù)時(shí)就可以開(kāi)始準(zhǔn)備計(jì)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(kāi)始前需要在變量視圖中設(shè)置數(shù)據(jù)類(lèi)型

SPSS中數(shù)據(jù)類(lèi)型包括度量、名義、序號(hào)，

2、設(shè)置變量類(lèi)型及寬度

變量類(lèi)型是定義該變量是何種類(lèi)，點(diǎn)擊類(lèi)型彈出變量類(lèi)型選擇彈窗

寬度定義變量的展示位數(shù)，對(duì)于Order_id、User_id等需要注意變量長(zhǎng)度，讓這兩個(gè)字段完全展示。

另外對(duì)于，Create_time這一字段應(yīng)選用日期這一類(lèi)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(guò)來(lái)。

4、選擇分析模型分析