正文

銀行rfm模型應(yīng)用實例（rfm模型概述及應(yīng)用分析）

發(fā)布時間：2023-04-18 17:09:07 稿源：創(chuàng)意嶺閱讀： 106

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于銀行rfm模型應(yīng)用實例的問題，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(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、4種常見的用戶分層方法(RFM核心模型)
2、RFM模型分析與客戶細分
3、RFM模型的應(yīng)用意義
4、基于RFM的客戶價值分析報告

銀行rfm模型應(yīng)用實例（rfm模型概述及應(yīng)用分析）

一、4種常見的用戶分層方法(RFM核心模型)

一.什么是用戶分層？

用戶分層是以用戶價值（比如說：活躍用戶、高價值用戶）為中心來進行切割的，在同一分層模型下，一個用戶只會處于一個層次中。還有一種說法是用戶分群，它是以用戶屬性（用戶身上的某一類標簽，比如：喜歡在地鐵上看書的用戶）為中心進行劃分，1個用戶可能會同時擁有多個屬性。

用戶分層的本質(zhì)是一種以用戶和特征、用戶行為等為中心對用戶進行細分的精細化運營。

二.4種常見的用戶分層方法？

分層實施的兩大核心：

第一，我們找到一個分層的模型之后，處于不同層級的用戶，需要能夠被通過數(shù)據(jù)字段或標簽等方式識別區(qū)分出來。

第二，面向每一類用戶的運營機制或策略是明確穩(wěn)定的。

用戶分層的兩個維度：

第一個維度：業(yè)務(wù)主鏈條標準化程度是高還是低

舉個栗子：像手機里的鬧鐘，定了鬧鐘之后，響了就取消掉，鬧鐘的過程簡單且標準化程度非常高。再比如，像一些閱讀類APP它的用戶所在的地區(qū)，用戶的年齡及身份不同，用戶的需求也會不同，它的業(yè)務(wù)主鏈條標準化程度低，是一個非標的產(chǎn)品，并且有時它的業(yè)務(wù)鏈條非常長還非常的復(fù)雜。

第二個維度：用戶在產(chǎn)品中互相影響的可能性是高還是低

有一些產(chǎn)品用戶是會在產(chǎn)品當中發(fā)生關(guān)系的，而有些產(chǎn)品呢就不會，有時候同一類型的產(chǎn)品，用戶之間的影響也可能會不同。

舉個栗子：像理財類的產(chǎn)品，用戶之間的影響非常的低，但是像抖音、知乎這樣的產(chǎn)品，用戶之間的關(guān)系程度就高一些。

當我們知道用戶處在哪個維度之后，我們就可以知道運用哪一種分層方式了。

第一類：用戶個性化特質(zhì)&需求區(qū)隔分層

這一類的分層方式就比較適合適用在業(yè)務(wù)主鏈條標準化程度低的，業(yè)務(wù)主鏈條比較多樣，業(yè)務(wù)比較復(fù)雜這樣的產(chǎn)品當中。

我們對用戶進行個性化特質(zhì)的區(qū)隔分層，要首先清楚用戶個性化區(qū)隔的常見維度有哪些：

由上圖可以發(fā)現(xiàn)，自然屬性里進行區(qū)隔要依靠的是用戶的基礎(chǔ)數(shù)據(jù)，個性化需求里面的顯性和隱性消費偏好要依賴的是用戶的行為數(shù)據(jù)。場景則是依賴于時間、地理位置進行區(qū)分的。

那進行個性化區(qū)隔分層的依據(jù)是什么呢？

我們要看看用戶是否會因為上面所陳列的這些行為和屬性的不同，導(dǎo)致其需求、使用動機、使用偏好等會出現(xiàn)較大差異。

那怎么判斷呢？要么靠常識和用戶洞察，要么靠數(shù)據(jù)。

進行用戶個性化區(qū)隔分層時的兩種選擇：

第一種：選擇一個維度對用戶進行劃分，分別給予定向解決文案。像美柚這款產(chǎn)品，用戶在不同的階段，比如：我在備孕、我懷孕了、我是辣媽等不同的維度進行相關(guān)信息的區(qū)分和推送。

第二種：選擇兩個有相關(guān)性的維度通過交叉區(qū)隔對用戶進行劃分，再分別給予定向的解決方案。比方如某基金理財類的產(chǎn)品：通過兩個維度來切割對用戶進行劃分。

第二類：用戶身份區(qū)隔分層

這一類的分層方式就比較適合運用在用戶在產(chǎn)品中互相影響的可能性高的產(chǎn)品當中。

一款產(chǎn)品當中，如果用戶之間是可見，可被影響的，我們賦予用戶身份的特質(zhì)（加V、勛章等）才會有意義。

說到用戶身份區(qū)隔分層就會提到用戶金字塔模型：

用戶金字塔模型是按照用戶的價值貢獻度大小或用戶影響力的稀缺程度由下到上搭建一個金字塔模型，再賦予每一類用戶對應(yīng)的角色和權(quán)益，搭建一個良性關(guān)系。

那如何梳理并搭建一個產(chǎn)品的用戶金字塔模型呢？

首先，先梳理出產(chǎn)品的業(yè)務(wù)邏輯（這個產(chǎn)品當中有哪幾類業(yè)務(wù)角色，這個業(yè)務(wù)角色當中他們是怎么發(fā)生關(guān)系的），然后逐次思考：

第三類：用戶價值區(qū)隔分層

通過判斷用戶的價值高中低，來對用戶完成分層。這一類和第四類的分層方式是通用的，所有產(chǎn)品都可以應(yīng)用。

用戶價值區(qū)隔分層有兩種做法：

第一種：依靠用戶生命周期定義對用戶進行價值區(qū)隔

生命周期的定義我們上面說過，用戶生命周期的定義，必然與用戶的價值成長路徑有關(guān)。不同的產(chǎn)品用戶價值成長路徑也會不同

用戶生命周期的定義無非就兩種：

第一種是強付費類的產(chǎn)品

我們把用戶從進入到付費, 持續(xù)付費到流失這樣一個典型的路徑畫出來，然后給不同的用戶劃分不同的階段，每個階段被定義成用戶生命周期里的層次。

第二種：是流量類的產(chǎn)品

第二種：通過關(guān)鍵用戶行為對用戶進行價值區(qū)隔。

這兩種方式的有共性也有差異性，共性是：都需要找到某一種方式對于我們當前站內(nèi)的用戶的用戶價值進行判斷。并對用戶價值的區(qū)間（是高還是低）做界定。然后對不同價值區(qū)間的用戶做針對性的運營。不同的是：去判斷用戶價值第一種依靠的是用戶的生命周期的模型，第二種是通過幾個關(guān)鍵用戶的行為做交叉分析。

通過關(guān)鍵用戶行為對用戶進行價值區(qū)隔是找到產(chǎn)品中能夠衡量用戶價值的關(guān)鍵行為，對其進行交叉分析和評估，最終形成某種分層模型，比如經(jīng)典的RFM模型。

那什么是RFM模型呢？

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，它通過 Recency-距離最近一次交易、Frequency-交易頻率、Monetary-交易金額這三項指標來描述該客戶的價值狀態(tài)，依據(jù)這三項指標劃分8類客戶價值。

實施RFM用戶分層的操作步驟是什么？

第一步：抓取用戶R、F、M三個維度下的原始數(shù)據(jù)。

首先，我們需求提出數(shù)據(jù)的需求，并定義出F中的“一段時間”是多久以及用戶類型，然后拉出該時間段內(nèi)所有的訂單數(shù)據(jù)，數(shù)據(jù)字段包括用戶ID、下單時間和訂單金額。這里需要注意的是定義一段時間，我們可以拍腦袋，也可以參考業(yè)務(wù)進展和需求，一般如果業(yè)務(wù)比較穩(wěn)定的情況下，多以自然年或季度、半年等為單位來進行定義。

第二步：定義R、F、M的評估模型與中值

我們需要根據(jù)業(yè)務(wù)特性或數(shù)據(jù)分布情況來劃分數(shù)據(jù)分布區(qū)間，設(shè)定評估模型，然后設(shè)定中值。

第三步：進行數(shù)據(jù)處理，獲取用戶的R、F、M值

第四步：參照評估模型與中值，對用戶進行分層。

第五步：針對不同層級用戶制定運營策略，推進落地。

第四類：AARRR模型分層

AARRR模型通常是在增長的語境下看到的，我們也可以通過這個模型對用戶進行粗放的分層。

第一種AARRR模型：

第二種AARRR模型：

兩種模型并沒有絕對的好與壞，只是適用的場景不同，像滴滴這種產(chǎn)品，用戶上一就收費，收入放在前面比較好。

如果是流量型的產(chǎn)品，有了流量才能增值用第一種AARRR模型比較好一些。

想用好AARRR模型來用用戶分層的話，一定要找到合適的數(shù)據(jù)指標，來描述和定義處于每一層級的用戶。

鏈接：https://www.jianshu.com/p/5bb31f906aee

二、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(yù)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(luò)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(yù)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(yù)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(wù)的洞察都不為過，好的數(shù)據(jù)挖掘一定是市場導(dǎo)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(wù)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(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(dǎo)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(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(fù)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(dǎo)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(dǎo)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!

三、RFM模型的應(yīng)用意義

RFM模型較為動態(tài)地顯示了一個客戶的全部輪廓，這對個性化的溝通和服務(wù)提供了依據(jù)，同時，如果與該客戶打交道的時間足夠長，也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值)，通過改善三項指標的狀況，從而為更多的營銷決策提供支持。

在RFM模式中，R(Recency)表示客戶購買的時間有多遠，F(xiàn)(Frequency)表示客戶在時間內(nèi)購買的次數(shù)，M (Monetary)表示客戶在時間內(nèi)購買的金額。一般的分析型CRM著重在對于客戶貢獻度的分析，RFM則強調(diào)以客戶的行為來區(qū)分客戶。

RFM非常適用于生產(chǎn)多種商品的企業(yè)，而且這些商品單價相對不高，如消費品、化妝品、小家電、錄像帶店、超市等；它也適合在一個企業(yè)內(nèi)只有少數(shù)耐久商品，但是該商品中有一部分屬于消耗品，如復(fù)印機、打印機、汽車維修等消耗品；RFM對于加油站、旅行保險、運輸、快遞、快餐店、KTV、行動電話信用卡、證券公司等也很適合。

RFM可以用來提高客戶的交易次數(shù)。業(yè)界常用的DM(直接郵寄)，常常一次寄發(fā)成千上萬封郵購清單，其實這是很浪費錢的。根據(jù)統(tǒng)計(以一般郵購日用品而言)，如果將所有R(Recency)的客戶分為五級，最好的第五級回函率是第四級的三倍，因為這些客戶剛完成交易不久，所以會更注意同一公司的產(chǎn)品信息。如果用M(Monetary)來把客戶分為五級，最好與次好的平均回復(fù)率，幾乎沒有顯著差異。

有些人會用客戶絕對貢獻金額來分析客戶是否流失，但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同，對不同產(chǎn)品的促銷有不同的折扣，所以采用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區(qū)間的變動，則更可以顯現(xiàn)出相對行為。企業(yè)用R、F的變化，可以推測客戶消費的異動狀況，根據(jù)客戶流失的可能性，列出客戶，再從M（消費金額）的角度來分析，就可以把重點放在貢獻度高且流失機會也高的客戶上，重點拜訪或聯(lián)系，以最有效的方式挽回更多的商機。

RFM也不可以用過頭，而造成高交易的客戶不斷收到信函。每一個企業(yè)應(yīng)該設(shè)計一個客戶接觸頻率規(guī)則，如購買三天或一周內(nèi)應(yīng)該發(fā)出一個感謝的電話或Email，并主動關(guān)心消費者是否有使用方面的問題，一個月后發(fā)出使用是否滿意的詢問，而三個月后則提供交叉銷售的建議，并開始注意客戶的流失可能性，不斷地創(chuàng)造主動接觸客戶的機會。這樣一來，客戶再購買的機會也會大幅提高。

企業(yè)在推行CRM時，就要根據(jù)RFM模型的原理，了解客戶差異，并以此為主軸進行企業(yè)流程重建，才能創(chuàng)新業(yè)績與利潤。否則，將無法在新世紀的市場立足。

銀行rfm模型應(yīng)用實例（rfm模型概述及應(yīng)用分析）

四、基于RFM的客戶價值分析報告

項目背景

在面向客戶制定運營策略、營銷策略時，我們希望針對不同的客戶推行不同的策略，實現(xiàn)精準化運營，以期獲取最大的轉(zhuǎn)化率。精準化運營的前提是客戶分類。通過客戶分類，對客戶群體進行細分，區(qū)別出低價值客戶、高價值客戶，對不同的客戶群體開展不同的個性化服務(wù)，將有限的資源合理地分配給不同價值的客戶，實現(xiàn)效益最大化。在客戶分類中，RFM模型是一個經(jīng)典的分類模型，模型利用通用交易環(huán)節(jié)中最核心的三個維度——最近消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)細分客戶群體，從而分析不同群體的客戶價值。

項目目標

本項目借助某電商客戶數(shù)據(jù)，探討如何對客戶群體進行細分，以及細分后如何利用RFM模型對客戶價值進行分析。在本項目中，主要希望實現(xiàn)以下三個目標：1.借助某電商客戶數(shù)據(jù)，對客戶進行群體分類；2.比較各細分群體的客戶價值；3.對不同價值的客戶制定相應(yīng)的運營策略。

分析過程

1.數(shù)據(jù)預(yù)覽

我們的源數(shù)據(jù)是訂單表，記錄著用戶交易相關(guān)字段

通過數(shù)據(jù)可以發(fā)現(xiàn)，訂單狀態(tài)有交易成功和退款關(guān)閉的，檢查是否還有其他情況

只有這兩種情況，后續(xù)清洗中需剔除退款訂單。然后觀察數(shù)據(jù)類型與缺失情況

訂單一共28833行，沒有缺失，付款日期是時間格式，實付金額、郵費和購買數(shù)量是數(shù)值型，其他均為字符串類型

2. 數(shù)據(jù)清洗

(1)剔除退款

(2)關(guān)鍵字段提取：提取RFM模型所需要的買家昵稱，付款時間，實付金額

(3)關(guān)鍵字段構(gòu)造：構(gòu)建模型所需的三個字段，R(最近一次購買時間間隔),F(購買頻次),M(平均或累計購買金額)

首先構(gòu)造R值，思路是按買家昵稱分組，選取付款日期最大值

為了得到最終的R值，用今天減去每位用戶最近一次付款時間，就得到R值了，這份訂單是7月1日生成的，所以這里我們把“2019-7-1”當作“今天”