rfm案例分析（rfm分析法應(yīng)用案例）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm案例分析的問題，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、淺談RFM模型

• 2、電商銷售數(shù)據(jù)分析案例(Oracle)

• 3、案例-基于KMeans的航空公司客戶價(jià)值分析

• 4、用RFM模型劃分用戶等級

一、淺談RFM模型

       個(gè)人理解中的RFM是為了研究用戶（買家）的一個(gè)算法模型，身為產(chǎn)品從業(yè)者的我們都喜歡談目標(biāo)用戶，而何謂目標(biāo)用戶，我們可以簡單把他們歸結(jié)為付費(fèi)用戶，也就是為我們產(chǎn)品帶來收入的人群。而PM一項(xiàng)很重要的職能就是分析數(shù)據(jù)，根據(jù)單一用戶的購物行為對其分析不僅要浪費(fèi)大量的人力資源，浪費(fèi)時(shí)間且不可行，而且若缺乏一套具體的算法模型也難以脫離個(gè)人主觀性。而研究用戶，洞察人性卻又是PM的主要工作內(nèi)容，在產(chǎn)品迭代過程中，通常需要根據(jù)用戶的屬性進(jìn)行歸類，也就是通過分析數(shù)據(jù)，對用戶進(jìn)行歸類，以便于在推送及轉(zhuǎn)化過程中獲得更大的收益。了解用戶的行為感受是必不可少的職責(zé)，而RFM就是一種了解付費(fèi)用戶結(jié)構(gòu)的基本方法。由于該模型設(shè)計(jì)到具體算法，網(wǎng)上大多數(shù)文獻(xiàn)說得都比較復(fù)雜分散，而且存在重大歧義，如RFM中R值的概念Josh Bycer認(rèn)為R值越大用戶回購率越高，而真實(shí)情況未必如此。本文檔主要是為了歸納匯總RFM模型的概念以及適用場景，以盡量直白的方式呈現(xiàn)給讀者。奈何才疏學(xué)淺，許多地方未必正確，不足之處望指導(dǎo)。

R-Recency（近期）-最后一次購買是多久以前；R值越大，表示客戶交易發(fā)生的日期越久，反之則表示客戶交易發(fā)生的日期越近。

F-Frequency（頻率）-購買頻率；F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。

M-Monetary（消費(fèi)）-設(shè)定時(shí)間段內(nèi)客戶的總消費(fèi)金額；M值越大，表示客戶價(jià)值越高，反之則表示客戶價(jià)值越低 。 這是衡量客戶價(jià)值最重要的指標(biāo)。

1.誰是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？

2.誰是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？

3.誰是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？

4.誰是我的重要挽留客戶，他們都有什么特點(diǎn)？

根據(jù)三維圖表，以RFM為XYZ軸，1代表高，0代表低

1.重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間較短、消費(fèi)頻次和消費(fèi)金額都較高。這是門店應(yīng)該主要關(guān)注的VIP客戶。

2.重要保持客戶（011）：最近消費(fèi)時(shí)間較長，消費(fèi)頻次和消費(fèi)金額都較高。說明這是個(gè)一段時(shí)間沒來的忠實(shí)客戶，我們需要主動(dòng)和他保持聯(lián)系。

3.重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較短、消費(fèi)金額高，但消費(fèi)頻次較低。忠誠度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。

4.重要挽留客戶（001）：最近消費(fèi)時(shí)間較長、消費(fèi)頻次不高，但消費(fèi)金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)吸引客戶回流。

        RFM模型的最終目的是為了區(qū)別出有價(jià)值的用戶在此基礎(chǔ)上細(xì)分用戶類型做到精準(zhǔn)運(yùn)營，實(shí)現(xiàn)效率最大化。RFM模型較為動(dòng)態(tài)地顯示了客戶消費(fèi)輪廓，這對個(gè)性化的溝通和服務(wù)提供了依據(jù)，根據(jù)用戶群體、產(chǎn)品特性，產(chǎn)品的周期去改善三項(xiàng)指標(biāo)的狀況，從而為更多的營銷決策提供支持。在RFM的分類基礎(chǔ)上，去進(jìn)行的基礎(chǔ)維護(hù)運(yùn)營，根據(jù)關(guān)鍵運(yùn)營指標(biāo)，選取重點(diǎn)需要優(yōu)化的用戶群體，進(jìn)行差異化運(yùn)營，從而刺激用戶持續(xù)的消費(fèi)、留存。RFM模型同時(shí)也能作為監(jiān)控用戶行為的有效工具，讓管理者了解客戶的行為從而反思現(xiàn)存的營銷模式，為企業(yè)后續(xù)的發(fā)展方向做出戰(zhàn)略性部署。

         RFM模型主要用于電商領(lǐng)域，但是我們也可以替換RFM相關(guān)的字段使其適用于互聯(lián)網(wǎng)產(chǎn)品。作為CRM一個(gè)模塊的RFM應(yīng)用范圍以及應(yīng)用之廣此處便不再展開。

二、電商銷售數(shù)據(jù)分析案例(Oracle)

數(shù)據(jù)來源于Kaggle的電商數(shù)據(jù)集 The UCI Machine Learning Repository ，英國在線零售商在2010年12月1日到2011年12月9日的在線銷售數(shù)據(jù)，該電商公司主要以銷售各類禮品為主，多數(shù)客戶都是批發(fā)商。

使用Oracle 對數(shù)據(jù)進(jìn)行處理與清洗，通過RFM模型、復(fù)購率、消費(fèi)生命周期等對用戶維度進(jìn)行分析，利用ABC分類、退貨率等維度展開剖析，結(jié)合Excel圖表進(jìn)行可視化展示，為精準(zhǔn)營銷與個(gè)性化服務(wù)提供支持。

根據(jù)分析目的選擇字段，數(shù)據(jù)集共8個(gè)字段，如果表格字段較多，視情根據(jù)分析目的的需要選擇合適的字段。

創(chuàng)建備用表new_ecommerce，將舊表的數(shù)據(jù)去重添加進(jìn)備用表。原有數(shù)據(jù)541909條， 去重后數(shù)據(jù)536641條，刪除重復(fù)值5268條。

檢查缺失值

CustomerID存在缺失值135037條，Description出現(xiàn)缺失值1454條。數(shù)據(jù)都很大，不可能全部刪除。Description產(chǎn)品描述不是項(xiàng)目分析，不用處理。

在實(shí)際工作中，像CustomerID客戶ID缺失，首先找業(yè)務(wù)部門或者數(shù)據(jù)來源部門確認(rèn)信息并且補(bǔ)上。本項(xiàng)目只有單一數(shù)據(jù)，無法找到相關(guān)人員確認(rèn)，暫且把NULL值替換為0。

5.1檢查日期是否在范圍內(nèi)（2010年12月1日到2011年12月9日）

交易成功，銷量不可能為負(fù)值或零值。如果銷量為零或者負(fù)值情況，那么需要和業(yè)務(wù)/數(shù)據(jù)來源部門確認(rèn)具體的原因。這里假設(shè)出現(xiàn)負(fù)值是客戶退貨情況。

檢查發(fā)現(xiàn)交易銷量小于0的發(fā)票編號大都是"C”開頭的，有部分異常銷量小于0但不是以"C"開頭，這里做刪除處理。

檢查發(fā)現(xiàn)有單價(jià)為0的免費(fèi)單，共計(jì)1174。暫且不分析免費(fèi)單，直接刪除免費(fèi)單的數(shù)據(jù)。

檢查發(fā)現(xiàn)兩筆壞賬，單價(jià)都是負(fù)值，故把它刪除。

根據(jù)分析目的，我們處理InvoiceDate日期數(shù)據(jù)。這里只做日期分析，不分析小時(shí)分鐘，故轉(zhuǎn)換為日期格式。

根據(jù)分析目的，本次分析將采用RFM模型

在RFM模式中：

R：最近一次消費(fèi)時(shí)間（最近一次消費(fèi)到參考時(shí)間的間隔）

F：消費(fèi)的頻率(消費(fèi)了多少次）

M：消費(fèi)的金額 （總消費(fèi)金額）

一般的分析型RFM強(qiáng)調(diào)以客戶的行為來區(qū)分客戶。

根據(jù)最近一次消費(fèi)與客戶數(shù)的分析結(jié)果顯示最長的天數(shù)差是373天，最短0天；80%的客戶在200天內(nèi)都有交易記錄，說明客戶忠誠度不錯(cuò)。

分析顯示，10次交易記錄以內(nèi)的客戶占絕大部分，說明客戶是很認(rèn)可產(chǎn)品和服務(wù)。

在2010年12月1日到2011年12月9日期間，交易金額主要集中在 1000英鎊以內(nèi)和1000-3000英鎊這兩個(gè)范圍內(nèi)。

分析發(fā)現(xiàn)，該電商平臺總交易客戶數(shù)4372位。交易客戶中，一般發(fā)展客戶（可以說是新客戶）最多，占總數(shù)的34%，其次是一般挽留客戶(流失客戶)29%，重要發(fā)展客戶22%，重要價(jià)值客戶10%，重要挽留客戶5%和重要挽回客戶0.16%。

每月新客數(shù)量及其占比

每月的新老客戶的銷售數(shù)量與銷售金額

用戶生命周期 = 最近一次購買時(shí)間 - 第一次購買時(shí)間

商品退貨分析

結(jié)合ABC分類進(jìn)行分析，選取退貨率大于均值且為A級的商品（主要是綜合上文提及的ABC分類和退貨率計(jì)算，通過創(chuàng)建view的形式進(jìn)行聯(lián)結(jié)后篩選，創(chuàng)建退貨率視圖為view_return_rate，ABC分類視圖為view_class），這里篩選出64個(gè)商品。

三、案例-基于KMeans的航空公司客戶價(jià)值分析

基于一份航空公司的數(shù)據(jù)，數(shù)據(jù)包含信息有客戶基本信息、乘機(jī)信息、以及積分信息等詳細(xì)數(shù)據(jù)，大約6萬多條數(shù)據(jù)，依據(jù)末次飛行時(shí)間LAST_FLIGHT_DATE，以2020.3.31為結(jié)束時(shí)間，選取寬度為2年的時(shí)間段作為分析觀測窗口。

數(shù)據(jù)中，客戶乘機(jī)信息主要重點(diǎn)字段包含：

LOAD_TIME-觀測結(jié)束時(shí)間

FLIGHT_COUNT-觀測窗口內(nèi)飛行次數(shù)

SUM_YR_1-觀測窗口票價(jià)收入1

SUM_YR_2-觀測窗口票價(jià)收入2

SEG_KM_SUM-觀測窗口的總飛行公里數(shù)

LAST_FLIGHT_DATE-末次飛行日期

AVG_FLIGHT_COUNT-平均飛行次數(shù)

BEGIN_TO_FIRST-首次飛行日期

LAST_TO_END-最后一次乘機(jī)時(shí)間至觀測窗口結(jié)束時(shí)長

AVG_INTERVAL-平均乘機(jī)時(shí)間間隔

MAX_INTERVAL-最大乘機(jī)間隔

客戶基本信息主要重點(diǎn)字段包含：

MEMBER_NO-會員卡號

FFP_DATE-入會時(shí)間

FIRST_FLIGHT_DATE-第一次飛行日期

GENDER-性別

FFP_TIER-會員卡級別

WORK_CITY-工作地城市

WORK_PROVINCE-工作地省份

WORK_COUNTRY-工作地國家

AGE-年齡

積分信息主要重點(diǎn)字段包含：

BP_SUM-總基本積分

EP_SUM_YR_1-總基本積分1

EP_SUM_YR_2-總基本積分2

AVG_BP_SUM-平均積分

EXCHANGE_COUNT-積分兌換次數(shù)

avg_discount-平均折扣率

PY_Flight_Count-PY飛行次數(shù)

LY_Flight_Count-LY飛行次數(shù)

PY_BP_SUM-PY基本積分

LY_BP_SUM-LY基本積分

EP_SUM-總精英積分

Points_Sum-總累計(jì)積分

Point_NotFlight-非乘機(jī)的積分變動(dòng)次數(shù)

1.借助航空公司客戶數(shù)據(jù)，對客戶進(jìn)行分類；

2.對不同客戶類別進(jìn)行特征分類，比較不同客戶群體的客戶價(jià)值；

首先讀取數(shù)據(jù),觀測下各字段數(shù)據(jù)類型，各自段空值情況。

探索性結(jié)果描述如下。

接下來分別從客戶信息、乘機(jī)信息、積分信息等三個(gè)角度進(jìn)行數(shù)據(jù)探索，尋找客戶信息的分布規(guī)律。

繪制各年份會員入會人數(shù)直方圖，接下來的思路是用到RFM客戶價(jià)值分析模型。因此需要對數(shù)據(jù)進(jìn)行初步探索。

提取不同級別會員的人數(shù)，畫圖。

了解會員的年齡分布狀況。繪制會員年齡分布箱型圖

選取最后一次乘機(jī)至結(jié)束的時(shí)長LAST_TO_END、客戶乘機(jī)信息中的飛行次數(shù)FLIGHT_COUNT、總飛行公里數(shù)SEG_KM_SUM，進(jìn)行探索分析，探索客戶的乘機(jī)信息分布情況。

繪制各年份會員入會人數(shù)直方圖。

繪制飛行次數(shù)分布圖。

繪制飛行公里數(shù)分布箱型圖。

客戶信息屬性之間存在相關(guān)性，選取入會時(shí)間、會員卡級別、客戶年齡、飛行次數(shù)、總飛行公里數(shù)、最后一次乘機(jī)時(shí)間至觀測窗口結(jié)束時(shí)長、積分兌換次數(shù)、總累計(jì)積分屬性，通過相關(guān)系數(shù)矩陣與熱力圖分析各屬性之間的相關(guān)性。

找出相關(guān)性系數(shù)air_dt_corr 。

畫出相關(guān)性系數(shù)熱力圖。

在衡量客戶價(jià)值的過程中，以廣泛應(yīng)用的RFM模型為基礎(chǔ)，進(jìn)行新的模型搭建。

從以上相關(guān)性關(guān)系圖中可以看出客戶屬性之間存在相關(guān)性。因此，選取客戶關(guān)系長度L、消費(fèi)時(shí)間間隔R、消費(fèi)頻率F、飛行里程M、折扣系數(shù)C五個(gè)特征作為衡量客戶價(jià)值的特征。

客戶關(guān)系長度L：會員入會時(shí)間距離觀測窗口結(jié)束的月數(shù)，數(shù)據(jù)表沒有直接給出，需要用（LOAD_TIME-FFP_DATE）；

消費(fèi)時(shí)間間隔R：LAST_TO_END，客戶最近一次乘坐飛機(jī)距觀測窗口結(jié)束的月數(shù)；

消費(fèi)頻率F：FLIGHT_COUNT，客戶在觀測窗口內(nèi)乘坐飛機(jī)的次數(shù)；

飛行里程M：SEG_KM_SUM，客戶在觀測窗口內(nèi)累計(jì)飛行的公里數(shù)；

折扣系數(shù)C：avg_discount，客戶在觀測窗口內(nèi)乘坐艙位所對應(yīng)的折扣系數(shù)的平均值；

在原有數(shù)據(jù)基礎(chǔ)上進(jìn)行屬性選取。

屬性選取之后,發(fā)現(xiàn)這些指標(biāo)不在同一量級，為了接下來進(jìn)行模型訓(xùn)練，需要先做數(shù)據(jù)標(biāo)準(zhǔn)化處理。

標(biāo)準(zhǔn)化數(shù)據(jù)的結(jié)果。

將上述數(shù)據(jù)進(jìn)行K-Means聚類。找到各個(gè)聚集點(diǎn)的質(zhì)心cluster_center。

最終質(zhì)心如圖。

圖像結(jié)果呈現(xiàn)。

質(zhì)心的分布狀態(tài)。

畫出雷達(dá)圖也就是為各個(gè)客戶群體劃分界限。接下來需要根據(jù)業(yè)務(wù)特征下定義，評估每項(xiàng)指標(biāo)的高中低界限在哪里，給每個(gè)客戶貼標(biāo)簽。

例如：

客戶群體1在特征C處的值最大，在特征F,M處的值最小，說明客戶群體1偏好乘坐高級艙位。

客戶群體2在特征F、M上的值最大，且在特征R上的值最小，說明客戶群體2的會員頻繁乘機(jī)，近期都有乘機(jī)記錄。

客戶群體3在R處的值相對最大，在特征L、F、M和C處的值都較小，說明客戶群體3已經(jīng)很久沒有乘機(jī)記錄，是入會時(shí)間短的低價(jià)值客戶群。

客戶群體4在所有特征值上都較小，且在特征L處最小，說明客戶群體4屬于新入會員較多的群體。

客戶群體5在L處最大，在R處值最小，其他特征比較適中，說明客戶群體5入會時(shí)間較長，飛行頻率也較高，是有高價(jià)值的客戶群。

四、用RFM模型劃分用戶等級

如何對用戶進(jìn)行等級分層，我們需要了解一個(gè)最常用的客戶分類模型，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)維度的用戶行為來對用戶進(jìn)行分層。RFM分別是這三個(gè)英文單詞的首字母縮寫。通過這一模型，企業(yè)可以動(dòng)態(tài)地掌握用戶對企業(yè)的長期價(jià)值，甚至預(yù)測客戶的終身價(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，說明這個(gè)用戶近期是活躍的，對企業(yè)是有印象的。最近一次消費(fèi)距當(dāng)下時(shí)間越久，就越說明這個(gè)用戶可能沉睡或流失了，需要企業(yè)通過客戶關(guān)懷、營銷活動(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，代表用戶對企業(yè)或品牌越認(rèn)可，對企業(yè)貢獻(xiàn)的銷售價(jià)值越大。反之，消費(fèi)頻率低，甚至用戶只來了一次后就再也沒來，說明用戶不活躍，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)有問題，傷害到了他?？傊?，企業(yè)需要針對消費(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，既說明用戶對企業(yè)產(chǎn)品的需求大，也能反映用戶的消費(fèi)能力，同時(shí)還說明對企業(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)金額也會越高。

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

過去，互聯(lián)網(wǎng)沒有如此發(fā)達(dá)，傳統(tǒng)企業(yè)沒有實(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)，沒辦法實(shí)時(shí)掌握用戶動(dòng)態(tài)、群體畫像，很難做精細(xì)化運(yùn)營管理。而現(xiàn)在，無論是投廣告、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，大寫字母代表高，小寫字母代表低。這樣一來就得到8組用戶分類。

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，說明他過去是個(gè)忠誠客戶，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低一些。在實(shí)際成交客戶中，如果對這8組客戶維度進(jìn)行簡化分類，我們可以把他們分為A、B、C三個(gè)等級。這樣，企業(yè)員工在維護(hù)時(shí)會更好地理解、操作。

總而言之，企業(yè)在人格上對用戶要一視同仁，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)，而是要將更高級的服務(wù)提供給那些更認(rèn)可企業(yè)、能帶來更高價(jià)值的用戶。

以上就是關(guān)于rfm案例分析相關(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數(shù)據(jù)分析模型（rfm分析表）

用戶運(yùn)營AARRR模型（用戶運(yùn)營模型rfm）

RFM價(jià)值模型（RFM價(jià)值模型的描述正確的是）

杭州悅景文化傳媒有限公司（杭州悅景文化傳媒有限公司電話）

給自己的關(guān)鍵詞（給自己的關(guān)鍵詞探索）