正文

rfm分析法的優(yōu)缺點(diǎn)（rfm模型分析案例）

發(fā)布時(shí)間：2023-04-18 20:47:18 稿源：創(chuàng)意嶺閱讀： 61

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm分析法的優(yōu)缺點(diǎn)的問題，以下是小編對(duì)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(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的客戶價(jià)值分析報(bào)告
2、rfm模型的三個(gè)指標(biāo)是什么?
3、用戶分層-RFM分層方法論
4、數(shù)據(jù)分析之聚類分析

rfm分析法的優(yōu)缺點(diǎn)（rfm模型分析案例）

一、基于RFM的客戶價(jià)值分析報(bào)告

項(xiàng)目背景

在面向客戶制定運(yùn)營(yíng)策略、營(yíng)銷策略時(shí)，我們希望針對(duì)不同的客戶推行不同的策略，實(shí)現(xiàn)精準(zhǔn)化運(yùn)營(yíng)，以期獲取最大的轉(zhuǎn)化率。精準(zhǔn)化運(yùn)營(yíng)的前提是客戶分類。通過客戶分類，對(duì)客戶群體進(jìn)行細(xì)分，區(qū)別出低價(jià)值客戶、高價(jià)值客戶，對(duì)不同的客戶群體開展不同的個(gè)性化服務(wù)，將有限的資源合理地分配給不同價(jià)值的客戶，實(shí)現(xiàn)效益最大化。在客戶分類中，RFM模型是一個(gè)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(gè)維度——最近消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)細(xì)分客戶群體，從而分析不同群體的客戶價(jià)值。

項(xiàng)目目標(biāo)

本項(xiàng)目借助某電商客戶數(shù)據(jù)，探討如何對(duì)客戶群體進(jìn)行細(xì)分，以及細(xì)分后如何利用RFM模型對(duì)客戶價(jià)值進(jìn)行分析。在本項(xiàng)目中，主要希望實(shí)現(xiàn)以下三個(gè)目標(biāo)：1.借助某電商客戶數(shù)據(jù)，對(duì)客戶進(jìn)行群體分類；2.比較各細(xì)分群體的客戶價(jià)值；3.對(duì)不同價(jià)值的客戶制定相應(yīng)的運(yùn)營(yíng)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(shí)間格式，實(shí)付金額、郵費(fèi)和購(gòu)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?。禾崛FM模型所需要的買家昵稱，付款時(shí)間，實(shí)付金額

(3)關(guān)鍵字段構(gòu)造：構(gòu)建模型所需的三個(gè)字段，R(最近一次購(gòu)買時(shí)間間隔),F(購(gòu)買頻次),M(平均或累計(jì)購(gòu)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(shí)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(dāng)作“今天”

然后處理F,即每個(gè)用戶累計(jì)購(gòu)買頻次( 明確一下單個(gè)用戶一天內(nèi)購(gòu)買多次訂單合并為一次訂單 )

思路：引入一個(gè)精確到天的日期標(biāo)簽，依照“買家昵稱”和“日期標(biāo)簽”分組，把每個(gè)用戶一天內(nèi)的多次下單合并，再統(tǒng)計(jì)購(gòu)買次數(shù)

最后處理M,本案例M指用戶平均支付金額，可以通過總金額除以購(gòu)買頻次計(jì)算出來

三個(gè)指標(biāo)合并

3. 維度打分

維度確認(rèn)的核心是分值確定。RFM模型中打分一般采取5分制，依據(jù)數(shù)據(jù)和業(yè)務(wù)的理解，進(jìn)行分值的劃分

R值依據(jù)行業(yè)經(jīng)驗(yàn)，設(shè)置為30天一個(gè)跨度，區(qū)間左閉右開

F值和購(gòu)買頻次掛鉤，每多購(gòu)買一次，分值多加一分

M值我們按照50元的一個(gè)區(qū)間來進(jìn)行劃分

這一步我們確定了一個(gè)打分框架，每一個(gè)用戶的每個(gè)指標(biāo)，都有其對(duì)應(yīng)的分值

4. 分值計(jì)算

(1)算出每個(gè)用戶的R,F,M分值

(2)簡(jiǎn)化分類結(jié)果

通過判斷每個(gè)客戶的R,F,M值是否大于平均值，來簡(jiǎn)化分類結(jié)果。0表示小于平均值，1表示大于平均值，整體組合下來有8個(gè)分組

5.客戶分層

RFM經(jīng)典分層按照R,F,M每一項(xiàng)指標(biāo)是否高于平均值，把用戶劃分為8類

Python實(shí)現(xiàn)思路如下：先定義一個(gè)人群數(shù)值，將之前判斷的R,F,M是否大于均值的三個(gè)值加起來

人群數(shù)值是數(shù)值類型，位于前面的0會(huì)自動(dòng)略過，比如1代表001的高消費(fèi)喚回客戶人群，10對(duì)應(yīng)010的一般客戶

然后在python中定義一個(gè)判斷函數(shù)，通過判斷人群數(shù)值，來返回對(duì)應(yīng)的分類標(biāo)簽

數(shù)據(jù)解讀與建議：

首先查看各類用戶占比情況

然后查看不同類型客戶消費(fèi)金額貢獻(xiàn)占比

最后導(dǎo)出數(shù)據(jù)，在tableau中數(shù)據(jù)可視化展示

通過數(shù)據(jù)可視化后，我們可以發(fā)現(xiàn)：

1.客戶流失情況嚴(yán)重，高消費(fèi)喚回客戶，流失客戶占比超過總客戶的50%

2.高消費(fèi)喚回客戶和頻次深耕客戶的金額總占比約66%，這兩部分客戶是消費(fèi)的重點(diǎn)客戶

3.流失客戶和新客戶的總?cè)藬?shù)占比約38%，但金額總占比只有約13%

建議：

1.針對(duì)高消費(fèi)喚回客戶，流失客戶采用喚回策略，推送相關(guān)信息，發(fā)禮品券等挽留客戶

2.針對(duì)高消費(fèi)喚回客戶和頻次深耕客戶，考慮繼續(xù)挖掘其消費(fèi)特性，如喜愛購(gòu)買的產(chǎn)品，消費(fèi)的時(shí)間段，后續(xù)據(jù)此加強(qiáng)店鋪產(chǎn)品與時(shí)間段的改進(jìn)，最大程度留住這兩部分客戶

3.針對(duì)流失客戶和新客戶金額總占比低，建議推出一些低價(jià)產(chǎn)品，用來拉取新客戶，保證店鋪的活躍性。

二、rfm模型的三個(gè)指標(biāo)是什么?

根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷研究所Arthur Hughes的研究，客戶數(shù)據(jù)庫(kù)中有3個(gè)神奇的要素，這3個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)：

1、最近一次消費(fèi)

最近一次消費(fèi)意指上一次購(gòu)買的時(shí)候——顧客上一次是幾時(shí)來店里、上一次根據(jù)哪本郵購(gòu)目錄購(gòu)買東西、什么時(shí)候買的車，或在你的超市買早餐最近的一次是什么時(shí)候。

理論上，上一次消費(fèi)時(shí)間越近的顧客應(yīng)該是比較好的顧客，對(duì)提供即時(shí)的商品或是服務(wù)也最有可能會(huì)有反應(yīng)。營(yíng)銷人員若想業(yè)績(jī)有所成長(zhǎng)，只能靠偷取競(jìng)爭(zhēng)對(duì)手的市場(chǎng)占有率，而如果要密切地注意消費(fèi)者的購(gòu)買行為，那么最近的一次消費(fèi)就是營(yíng)銷人員第一個(gè)要利用的工具。

歷史顯示，如果能讓消費(fèi)者購(gòu)買，他們就會(huì)持續(xù)購(gòu)買。這也就是為什么，0至3個(gè)月的顧客收到營(yíng)銷人員的溝通信息多于3至6個(gè)月的顧客。

2、消費(fèi)頻率

消費(fèi)頻率是顧客在限定的期間內(nèi)所購(gòu)買的次數(shù)。我們可以說最常購(gòu)買的顧客，也是滿意度最高的顧客。如果相信品牌及商店忠誠(chéng)度的話，最常購(gòu)買的消費(fèi)者，忠誠(chéng)度也就最高。增加顧客購(gòu)買的次數(shù)意味著從競(jìng)爭(zhēng)對(duì)手處偷取市場(chǎng)占有率，由別人的手中賺取營(yíng)業(yè)額。

分類：

根據(jù)這個(gè)指標(biāo)，我們又把客戶分成五等分，這個(gè)五等分分析相當(dāng)于是一個(gè)“忠誠(chéng)度的階梯”(loyalty ladder)，如購(gòu)買一次的客戶為新客戶，購(gòu)買兩次的客戶為潛力客戶，購(gòu)買三次的客戶為老客戶，購(gòu)買四次的客戶為成熟客戶，購(gòu)買五次及以上則為忠實(shí)客戶。

其訣竅在于讓消費(fèi)者一直順著階梯往上爬，把銷售想象成是要將兩次購(gòu)買的顧客往上推成三次購(gòu)買的顧客，把一次購(gòu)買者變成兩次的。

3、消費(fèi)金額

消費(fèi)金額是所有數(shù)據(jù)庫(kù)報(bào)告的支柱，也可以驗(yàn)證“帕雷托法則”(Pareto’s Law)——公司80%的收入來自20%的顧客。

它顯示出排名前10%的顧客所花費(fèi)的金額比下一個(gè)等級(jí)者多出至少2倍，占公司所有營(yíng)業(yè)額的40%以上。如看累計(jì)百分比的那一欄，我們會(huì)發(fā)現(xiàn)有40%的顧客貢獻(xiàn)公司總營(yíng)業(yè)額的80%；而有60%的客戶占營(yíng)業(yè)額的90%以上。

最右的一欄顯示每一等分顧客的平均消費(fèi)，表現(xiàn)最好的 10%的顧客平均花費(fèi)1195美元，而最差的10%僅有18美元。

rfm分析法的優(yōu)缺點(diǎn)（rfm模型分析案例）

應(yīng)用意義

RFM模型較為動(dòng)態(tài)地顯示了一個(gè)客戶的全部輪廓，這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù)，同時(shí)，如果與該客戶打交道的時(shí)間足夠長(zhǎng)，也能夠較為精確地判斷該客戶的長(zhǎng)期價(jià)值(甚至是終身價(jià)值)，通過改善三項(xiàng)指標(biāo)的狀況，從而為更多的營(yíng)銷決策提供支持。

在RFM模式中，R(Recency)表示客戶購(gòu)買的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶在時(shí)間內(nèi)購(gòu)買的次數(shù)，M (Monetary)表示客戶在時(shí)間內(nèi)購(gòu)買的金額。一般的分析型CRM著重在對(duì)于客戶貢獻(xiàn)度的分析，RFM則強(qiáng)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(jià)相對(duì)不高，如消費(fèi)品、化妝品、小家電、錄像帶店、超市等；

它也適合在一個(gè)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(jī)、打印機(jī)、汽車維修等消耗品；RFM對(duì)于加油站、旅行保險(xiǎn)、運(yùn)輸、快遞、快餐店、KTV、行動(dòng)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(gòu)清單，其實(shí)這是很浪費(fèi)錢的。

根據(jù)統(tǒng)計(jì)(以一般郵購(gòu)日用品而言)，如果將所有R(Recency)的客戶分為五級(jí)，最好的第五級(jí)回函率是第四級(jí)的三倍，因?yàn)檫@些客戶剛完成交易不久，所以會(huì)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(jí)，最好與次好的平均回復(fù)率，幾乎沒有顯著差異。

三、用戶分層-RFM分層方法論

我們都知道，所有的運(yùn)營(yíng)工作都是圍繞著用戶展開的。運(yùn)營(yíng)策略從某種程度來說，就是資源對(duì)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(yíng)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(yíng)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(duì)性的運(yùn)營(yíng)策略。

我們?cè)谶\(yùn)營(yíng)工作中，經(jīng)常會(huì)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(huì)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(duì)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(huì)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(duì)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(jí)VIP等等；然后必須要對(duì)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(shí)這里就不闡述了，簡(jiǎn)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(yíng)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(duì)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(yíng)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(zhǎng)尾的分布效果。所以我們不能簡(jiǎn)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(chǎng)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(duì)應(yīng)的R、F、M值，比如我們RFM分層表中，0001用戶對(duì)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(jiǎn)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(hào)了。

如下：

同時(shí)，為了更直觀，我們?cè)O(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(jí)拉。我們先加個(gè)表頭“用戶層級(jí)”。

這一次，我們要寫一串稍微長(zhǎng)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(hào)就可以了）。

最后，如下圖：

當(dāng)然，我們還可以在用戶層級(jí)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(jí)，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(huì)跳出這個(gè)用戶的層級(jí)。 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(huì)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(huì)、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(duì)性的運(yùn)營(yíng)策略。所以，我們最終我們還是回到制定運(yùn)營(yíng)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(yíng)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(jí)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(jí)的上升。

四、數(shù)據(jù)分析之聚類分析

RFM分析只能對(duì)客戶的行為進(jìn)行分析，包含的信息量有點(diǎn)少。一般來說，對(duì)人群進(jìn)行分類，要綜合考慮其行為、態(tài)度、模式以及相關(guān)背景屬性，通過使用特定的方法，發(fā)現(xiàn)隱藏在這些信息背后的特征，將其分成幾個(gè)類別，每一類具有一定的共性，進(jìn)而做出進(jìn)一步的探索研究。這個(gè)分類的過程就是聚類分析。

聚類分析，就是按照個(gè)體的特征將它們分類，目的在于讓同一個(gè)類別內(nèi)的個(gè)體之間具有較高的相似度，而不同類別之間具有較大的差異性。這樣，就能夠根據(jù)不同類別的特征有的放矢地進(jìn)行分析，并制定出適用于不同類別的解決方案。

聚類可以對(duì)變量進(jìn)行聚類，但是更常見的還是對(duì)個(gè)體進(jìn)行聚類，也就是樣本聚類。例如對(duì)用戶、渠道、商品、員工等方面的聚類，聚類分析主要應(yīng)用在市場(chǎng)細(xì)分、用戶細(xì)分等領(lǐng)域。

為了合理的聚類，需要采用適當(dāng)?shù)闹笜?biāo)來衡量研究對(duì)象之間的聯(lián)系緊密程度，常用的指標(biāo)有“距離”和“相似系數(shù)”，相似系數(shù)一般指的是相關(guān)系數(shù)。假設(shè)將研究對(duì)象采用點(diǎn)表示，聚類分析時(shí)，將“距離”較小的點(diǎn)或“相似系數(shù)”較大的點(diǎn)歸為同一類，將“距離”較大的點(diǎn)或“相似系數(shù)”較小的點(diǎn)歸為不同的類。

聚類分析具有如下特點(diǎn)：

1.對(duì)于聚類結(jié)果是未知的，不同的聚類分析方法可能得到不同的分類結(jié)果，或者相同的聚類分析方法但是所分析的變量不同，也會(huì)得到不同的聚類結(jié)果；

2.對(duì)于聚類結(jié)果的合理性判斷比較主觀，只要類別內(nèi)相似性和類別間差異性都能得到合理的解釋和判斷，就認(rèn)為聚類結(jié)果是可行的。

聚類分析可以應(yīng)用于以下場(chǎng)景：

聚類分析的步驟：

（1）確定需要參與聚類分析的變量；

（2）對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

因?yàn)楦鱾€(gè)變量間的變量值的數(shù)量級(jí)別差異較大或者單位不一致，例如一個(gè)變量的單位是元，另一個(gè)變量的單位是百分比，數(shù)量級(jí)別差異較大，而且單位也不一致，無法直接進(jìn)行比較或者計(jì)算“距離”和“相似系數(shù)”等指標(biāo)。

（3）選擇聚類方法和類別個(gè)數(shù)；

（4）聚類分析結(jié)果解讀；

常用的聚類方法包括：

1.快速聚類：也稱K均值聚類，它是按照一定的方法選取一批聚類中心點(diǎn)，讓個(gè)案向最近的聚類中心點(diǎn)聚集形成初始分類，然后按照最近距離原則調(diào)整不合理的分類，直到分類合理為止。

2.系統(tǒng)聚類：也稱層次聚類，首先將參與聚類的個(gè)案（或變量）各視為一類，然后根據(jù)兩個(gè)類別之間的聚類或者相似性逐步合并，直到所有個(gè)案（或變量）合并為一個(gè)大類為止。實(shí)際上，系統(tǒng)聚類分析結(jié)果展現(xiàn)了每個(gè)個(gè)案的聚類過程和分類結(jié)果。系統(tǒng)聚類之后，要制作交叉表通過每一個(gè)類別的均值來了解每一類別的特征。

3.二階聚類：也稱兩步聚類，它是隨著人工智能的發(fā)展起來的一種智能聚類方法。整個(gè)聚類方法分為兩個(gè)步驟，第一個(gè)步驟是預(yù)聚類，就是根據(jù)定義的最大類別數(shù)對(duì)個(gè)案進(jìn)行初步歸類；第二個(gè)步驟是正式聚類，就是對(duì)第一步得到的初步歸類進(jìn)行再聚類并確定最終聚類結(jié)果，并且在這一步中，會(huì)根據(jù)一定的統(tǒng)計(jì)標(biāo)準(zhǔn)確定聚類的類別數(shù)。

（1）系統(tǒng)聚類分析不僅支持輸入單個(gè)分類數(shù)量，還支持輸入分類數(shù)量的范圍。這對(duì)于暫時(shí)無法確定類別數(shù)，或者想進(jìn)行多類別數(shù)的結(jié)果比較時(shí)，非常方便。

（2）系統(tǒng)聚類分析支持生成聚類結(jié)果圖，從而更加直觀地查看聚類過程。系統(tǒng)聚類分析支持兩種圖形：

譜系圖（樹狀圖）：它以樹狀的形式展現(xiàn)個(gè)案被分類的過程；

冰柱圖：它以“X”的形式顯示全部類別或指定類別數(shù)的分類過程。

（3）系統(tǒng)聚類分析提供多種聚類方法和適用于不同數(shù)據(jù)類型的測(cè)量方法。

其中，測(cè)量方法（度量標(biāo)準(zhǔn)）：

（i）區(qū)間：適用于連續(xù)變量，雖然SPSS提供了8種測(cè)量方法，但是通常選用默認(rèn)的【平方歐式距離】即可。

（ii）計(jì)數(shù)：適用于連續(xù)或分類變量，SPSS提供了2種測(cè)量方法，通常選用【卡式測(cè)量】即可。

（iii）二元：適用于0/1分類變量，SPSS提供多達(dá)27種測(cè)量方法，通常選用【平方歐式距離】即可。

通過方法里的轉(zhuǎn)換值項(xiàng)來進(jìn)行標(biāo)準(zhǔn)化處理。由于參與聚類分析的變量是連續(xù)變量，所以，【測(cè)量】應(yīng)選擇【區(qū)間】項(xiàng)，方法為默認(rèn)的【平方歐式距離】，標(biāo)準(zhǔn)化可以選擇【Z得分】，選擇按【變量項(xiàng)】，用以每個(gè)變量單獨(dú)進(jìn)行標(biāo)準(zhǔn)化。

二階聚類分析能夠?qū)B續(xù)變量和分類變量同時(shí)進(jìn)行處理，無需提前指定聚類的數(shù)目，二階聚類會(huì)自動(dòng)分析并輸出最優(yōu)聚類數(shù)。二階聚類的自動(dòng)聚類結(jié)果借由統(tǒng)計(jì)指標(biāo)施瓦茲貝葉斯準(zhǔn)則（BIC）幫助判斷最佳分類數(shù)量。判斷一個(gè)聚類方案的依據(jù)是BIC的數(shù)值越小，同時(shí)，“BIC變化量”的絕對(duì)值和“距離測(cè)量比率”數(shù)值越大，則說明聚類效果越好。

聚類分析屬于探索性數(shù)據(jù)分析方法，它沒有一個(gè)所謂的標(biāo)準(zhǔn)流程和答案，不同的數(shù)據(jù)有不同的適用方法，即使相同的數(shù)據(jù)，應(yīng)用不同的方法也可能會(huì)得到不同的結(jié)果。只要能有效解決實(shí)際業(yè)務(wù)問題即可。

以上就是關(guān)于rfm分析法的優(yōu)缺點(diǎn)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(huì)為您講解更多精彩的知識(shí)和內(nèi)容。