正文

基于rfm模型的顧客分析（rfm模型分類的8種客戶類型）

發(fā)布時間：2023-04-19 10:29:04 稿源：創(chuàng)意嶺閱讀： 146

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于基于rfm模型的顧客分析的問題，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(zhǔn)，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、不會RFM模型分析？這篇應(yīng)用實例拿走不謝
2、如何分析RFM模型才能最有效，才能真正起到精細化運營的作用？
3、如何使用RFM分析最具價值的網(wǎng)游付費用戶
4、rfm模型在客戶細分中有什么作用

基于rfm模型的顧客分析（rfm模型分類的8種客戶類型）

一、不會RFM模型分析？這篇應(yīng)用實例拿走不謝

相信多數(shù)的數(shù)據(jù)分析人員與我一樣，剛開始接觸數(shù)據(jù)分析工具時，經(jīng)常不知該從何下手，分析數(shù)據(jù)也是胡亂分析一通，往往分析不到想要的結(jié)果。同樣的數(shù)據(jù)在專業(yè)數(shù)據(jù)分析師的手里是寶藏，怎么到了自己手中便成了一堆廢鐵，為什么呢？是我們分析的知識存儲不夠嗎？雖然有部分原因是可能是因為不懂分析模型原理，但也許更多的原因是我們不懂該如何利用工具將各種模型法則運用到分析決策當(dāng)中去。

打個比方，在客戶管理方面，企業(yè)想分析哪些客戶更重要，時常會通過帕累托模型做分析；想判斷哪些客戶最有價值，時常會運用到RFM分析模型等等一樣。明明分析模型相關(guān)的知識都了解，卻因為不會用工具實現(xiàn)分析，一切都只是徒勞。接下來我便簡單為大家分享關(guān)于RFM模型在數(shù)林BI中的應(yīng)用，不會用工具也無需擔(dān)心，直接參考模板就對了！

一、關(guān)于RFM模型解釋

RFM模型由三個維度R(Recency-近度）、F(Frequency-頻度）和M（Monetary-額度）組成。

近度R：表示客戶最近交易距離當(dāng)前天數(shù)，本文可以簡單理解為客戶的最近交易日期與數(shù)據(jù)采集日期的距離，R越大表示客戶許久未交易，反之，表示客戶不久前剛交易過。

頻度F：可簡單理解為客戶在某段時間內(nèi)交易的頻次，F(xiàn)越大表示客戶在某段時間內(nèi)交易越頻繁，越小，表示客戶交易頻次越少。

額度M ：表示客戶在某段時間內(nèi)的消費金額，本文可簡單理解為客戶在某段時間內(nèi)的平均消費金額。M越大表示客戶在某段時間內(nèi)成交的金額越大，反之越小。

二、利用 RFM模型劃分銷售客戶群體

通過RFM模型可將銷售客戶群體劃分為不同級別類型客戶，如下圖所示：

三、 RFM模型的應(yīng)用

如上圖所示，這是用數(shù)林BI工具從金蝶進銷存系統(tǒng)中直接取數(shù)，按照特定的要求做出的RFM模型的簡單應(yīng)用，將企業(yè)的銷售客戶劃分出來。用戶可通過此模型可直觀了解到客戶處于哪個層級上，比如哪些客戶是重要價值客戶，哪些僅僅只是一般價值客戶等等，并針對劃分的類型采取不同的運營措施，例如，重要價值客戶是公司的優(yōu)質(zhì)客戶需要重點保持；而對于公司貢獻不大的一般挽留客戶，可詢問原因，但不必太重點關(guān)注，保持一般互動即可......通過不同的營銷策略管理客戶，可在一定程度上為企業(yè)減少不必要的資源浪費。

當(dāng)然，企業(yè)可結(jié)合其他的圖表對銷售客戶進行分析，如下圖所示：

上圖是數(shù)林BI中建立的一個關(guān)于銷售客戶可視化的BI分析模型，用戶可以借此模板掌握公司不同類型客戶的情況，從而判斷銷售客戶的價值，并有針對的采取不同的運營舉措。

同樣，用戶將RFM模型結(jié)合客戶黏性分析，從銷售額、單價、品類、筆數(shù)等角度分析哪些客戶流失了，從而及時找尋可能的流失原因，這對企業(yè)的發(fā)展有重大意義。

二、如何分析RFM模型才能最有效，才能真正起到精細化運營的作用？

舉一個互聯(lián)網(wǎng)餐飲的例子~來證明如何分析RFM模型：

如何通過外賣訂單數(shù)據(jù)，分析用戶的基本屬性；

用戶的訂單上都有訂餐地址，通過對于訂餐地址的統(tǒng)計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡某道菜的用戶都在哪里。類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購構(gòu)成、復(fù)購用戶跨平臺使用情況、性別組成做更精細化的分析。值得注意的是，數(shù)據(jù)平臺間的差異還是蠻大的，有利于針對不同平臺做出不同的營銷策略。

上面這些最基本的用戶屬性對于精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——

1.誰是我的重要價值客戶，他們都有什么特點？

2.誰是我需要重點保持聯(lián)系的客戶，他們都有什么特點？

3.誰是我的重要發(fā)展客戶，他們都有什么特點？

4.誰是我的重要挽留客戶，他們都有什么特點？

2.如何通過RFM模型，為用戶分群，實現(xiàn)精細化運營

　RFM模型是一個被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來區(qū)分客戶，RFM分別是：

R = Recency 最近一次消費

F = Frequency 消費頻率

M = Monetary 消費金額

需要詳細了解以上三個指標(biāo)定義的，百度會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營銷……顯然125類用戶已超出普通人腦的計算范疇了，更別說針對125類用戶量體定制營銷策略。實際運用上，我們只需要把每個唯獨做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP啊！

重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠實客戶，我們需要主動和他保持聯(lián)系。

重要發(fā)展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發(fā)展。

重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)基于挽留措施。

基于rfm模型的顧客分析（rfm模型分類的8種客戶類型）

3.如何在BDP個人版上建立RFM模型，幫助用戶分群

這時候可能會有朋友問了，天啦，你這個三維模型，我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來（即在近30天有復(fù)購的用戶中做分析），壓扁了就會看到。

上方的表示或許還是太學(xué)術(shù)了，簡單的說

第一步：先挑出來近1個月的復(fù)購用戶。

第二步：近1個月內(nèi)復(fù)購用戶的平均實付金額做縱軸。

第三步：近1個月內(nèi)復(fù)購用戶的購買次做橫軸，生成表格。

第四步，你需要自己在這個表格上劃紅線。

基于rfm模型的顧客分析（rfm模型分類的8種客戶類型）

橫著的紅線，代表著你認為來吃飯的客人平均每餐該花多少錢，我這里設(shè)定的值是25元，叫外賣25都沒付到，對我而言是低消費金額（低M）用戶。

豎著的紅線，代表著你認為復(fù)購多少次的客人，是你的高頻用戶。外賣點餐流動率很大，一個用戶每個月能在一家店點三次以上的菜，對我而言即是高頻。

這樣，BDP個人版上的RFM模型就建立好了。這個RFM模型在實操時有什么用呢？舉個例子

比如對圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內(nèi)消費的用戶），轉(zhuǎn)化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個用戶發(fā)短信，得到100個訂單，還是愿意花48元給800人發(fā)短信得到80個訂單，相信大家一定會選后者。

而整體的RFM區(qū)分，則能夠幫掌柜們針對不同的用戶發(fā)不同的短信，短信的開頭是用“好久不見”、還是用“恭喜你成為VIP”，就得看時重要保持客戶還是重要價值用戶了。只有能區(qū)分用戶，才能走向精細化運營。

三、如何使用RFM分析最具價值的網(wǎng)游付費用戶

IBM SPSS Statistics 18 版本后，新增加了客戶直銷模塊，該模塊的操作界面簡單明了，結(jié)果報告分析清晰易懂，可以廣泛的應(yīng)用于電信，零售，銀行，保險，證券，傳媒，市場研究等行業(yè)領(lǐng)域，是為市場營銷人員精心設(shè)計的用以提高直銷效率，改善直銷活動效果的工具。

該模塊最重要的就是RFM模型，有關(guān)該模型的內(nèi)容參見http://wiki.mbalib.com/wiki/RFM模型

以下為某段時間用戶購買的記錄（模擬數(shù)據(jù)），點擊菜單欄“直銷”|“選擇方法”。

之后便會彈出如下的直銷菜單選項

在“直銷”模塊中，分為三部分：

了解我的聯(lián)系人：用于對客戶信息進行分析，將客戶根據(jù)不同的特征進行分類。

改進我的市場營銷活動，預(yù)測客戶對營銷活動的響應(yīng)率。

對我的數(shù)據(jù)評分，利用“選擇最有可能購買的聯(lián)系人”和其他模塊中的多種程序構(gòu)建預(yù)測模型，根據(jù)預(yù)測模型對新的用戶數(shù)據(jù)評分。

此處介紹使用直銷模塊的“了解我的聯(lián)系人”

分析幫助標(biāo)識我的最佳聯(lián)系人（RFM分析）

通過本文了解如何使用客戶直銷分析模塊中的RFM分析功能了解目標(biāo)客戶，從而幫助我們針對不同的客戶指定smart營銷策略提供更可靠的依據(jù)。

RFM分析目標(biāo)客戶

RFM是眾多的客戶關(guān)系管理（CRM）分析模式中，被廣泛提到和應(yīng)用的模型之一。該模型應(yīng)用于衡量客戶價值和客戶創(chuàng)造的利潤能力的分析。RFM模型通過一個客戶的最近一次消費（Regency）、消費總體頻率（Frequency）以及消費金額（Monetary）對客戶進行RFM打分，根據(jù)客戶的RFM得分來描述該客戶的價值情況。

最近一次消費：最近上一次消費時間是評價客戶價值的重要指標(biāo)，理論上，最近購買產(chǎn)品或者服務(wù)的顧客，最有可能成為再次光臨的消費者，最推出的新品也最有可能做出反應(yīng)。

消費總體頻率：消費總體頻率是在限定時間內(nèi)的購買次數(shù)。最長購買的顧客，也是滿意度最高的顧客。

消費金額：消費金額是在限定時間期間購買金額的綜合。根據(jù)“帕累托”法則–通常80%的利潤來自20%的重要客戶，消費金額越多的客戶越是需要維系的關(guān)系客戶。

也由此，根據(jù)三個指標(biāo)，對客戶進行評級。在此假設(shè)三個指標(biāo)的界別分別為1到5,5為最高級別：

基于最近購買日期或自最近購買以來的時間間隔，消費日期越近或時間間隔越短，客戶等級越低，為1.

針對客戶消費頻率，為客戶分配一個頻率等級，其中較高的值代表購買頻率較高。例如，將最長購買的客戶的購買頻率等級評為5.

按消費金額對客戶進行評級，其中消費金額值最高的客戶將獲得最高等級5.

將客戶的三個指標(biāo)等級合并就得到RFM得分。RFM得分最高的客戶即為對新產(chǎn)品最有可能做出反應(yīng)的客戶。例如，某客戶最近一次消費，消費總體頻率和消費金額的等級分別是4、3、5，該客戶的RFM得分是435.

應(yīng)用背景及數(shù)據(jù)描述

事實上如果針對傳統(tǒng)行業(yè)的新產(chǎn)品進行推銷，我們不需要進行RFM模型的改進可以直接進行分析使用。然而當(dāng)我們在電子商務(wù)領(lǐng)域或者游戲行業(yè)的最具價值玩家的提取和分析角度，我們需要對該模型進行改進實施。

在此處，我們參考一個案例“基于RFM的電信客戶市場細分方法”（http://wiki.mbalib.com/wiki/RFM模型），如果我們從玩家的購買記錄著手，我們發(fā)現(xiàn)，玩家會在極其短暫的時間內(nèi)，購買多次道具，那么我們?nèi)绻且杂脩舻馁徺I次數(shù)作為頻度來衡量，就失去了RFM模型本身的價值，于是我們考慮以用戶的充值次數(shù)作為頻度計數(shù)分析。同時依據(jù)電子購買的周期特點進行調(diào)整。

具體操作分析：

在進入直銷面板后，選擇數(shù)據(jù)格式，彈出“RFM分析：數(shù)據(jù)格式”對話框：

RFM數(shù)據(jù)格式

RFM分析根據(jù)數(shù)據(jù)行表示的含義分為來自交易數(shù)據(jù)的RFM分析和來自客戶數(shù)據(jù)的RFM分析。

來自交易數(shù)據(jù)的RFM分析

當(dāng)數(shù)據(jù)行表示單筆單筆交易記錄，選擇交易數(shù)據(jù)的RFM分析。交易數(shù)據(jù)舉例如下圖，數(shù)據(jù)列中包含用戶ID，產(chǎn)皮信息，購買時間和消費金額；數(shù)據(jù)行表示一個客戶的一條購買記錄，一個客戶可以有多條購買記錄。

來自客戶數(shù)據(jù)的RFM分析

當(dāng)數(shù)據(jù)行表示單個客戶的交易記錄，選擇客戶數(shù)據(jù)的RFM分析?？蛻魯?shù)據(jù)舉例如下，數(shù)據(jù)列中包含客戶ID，該客戶消費的總金額，最近購買日期，購買總次數(shù)和最近一次購買時間間隔。

本例使用交易類型的數(shù)據(jù)，選擇“交易數(shù)據(jù)”，點擊“繼續(xù)”，進入“交易數(shù)據(jù)的RFM分析”對話框，如下圖，如果是客戶類型，選擇“客戶數(shù)據(jù)”。

在“變量”頁面中，將變量“account”，“time”，“income”分別選入對應(yīng)的“客戶標(biāo)識符”，“交易日期”，“交易金額”文本框中。

在“摘要方法”下拉框中有四種匯總每個客戶交易金額的方法：總計（交易金額總額），均值，中位數(shù)或最大值（最高交易金額）。

本數(shù)據(jù)中，交易金額是單詞充值的錢數(shù)，選擇“總計”。

進入“離散化”頁面，如圖

在RFM分析中，需要將最近一次消費、消費總體頻率、消費金額進行分級，在對數(shù)據(jù)的實際操作中就是將大量數(shù)值分類，稱之為“離散化”。在“離散化”頁面中可以設(shè)定將數(shù)值分類的方法。

在“離散化方法”框中可以定義數(shù)據(jù)是按照三個指標(biāo)的優(yōu)先級依次分類或三個指標(biāo)獨立分類。

在 RFM 分析結(jié)果輸出中，類別對應(yīng)著相應(yīng)的塊。在“塊數(shù)”框中可以指定三個指標(biāo)的塊數(shù)。每個指標(biāo)可選擇 1 到 9 級進行分塊，默認分為 5 塊。

“結(jié)”是指具有相同指標(biāo)值的客戶。在“結(jié)”框中可以指定對具有相同指標(biāo)值的客戶如何分配到對應(yīng)的塊中。

選擇“保存”頁面，如圖所示。

在“保存”頁面中，可以指定想要保存的變量，包括三個指標(biāo)的原始變量，對原始變量分級后的變量（以“_ 得分”為后綴名命名的變量）以及 RFM 得分。還可以指定新生數(shù)據(jù)的保存位置。

選擇“輸出”頁面，如圖所示。

已離散化數(shù)據(jù)中設(shè)置的輸出圖表是對圖中“已保存變量的名稱”中的“嶄新 _ 得分”、“頻率 _ 得分”和“消費金額 _ 得分”進行描述。

未離散化數(shù)據(jù)中設(shè)置的輸出圖是對圖中“已保存變量的名稱”中的“最 _ 近 _ 日期”、“交易 _ 計數(shù)”和“金額”進行描述。

可以根據(jù)需要選擇輸出的圖表。在此選擇所有輸出圖表。

全部設(shè)置完后，點擊“確定”按鈕，就可以得到客戶的 RFM 得分，并可以在 IBM SPSS Statistics 的輸出查看器中通過圖表查看根據(jù)三個指標(biāo)分塊后的客戶分布情況。

分析結(jié)果展現(xiàn)（分析報告在下一篇文章中闡述）

新生成數(shù)據(jù)，各項得分

RFM散點圖

RFM直方圖

RFM熱圖

RFM計數(shù)表

RFM計塊圖

以上就是通過RFM進行最具價值客戶分析的全過程，有關(guān)于結(jié)果的解讀將在下一篇文章說明。

展望：

RFM模型在網(wǎng)游方面的應(yīng)用目前還比較淺，由于作為互聯(lián)網(wǎng)行業(yè)的性質(zhì)與傳統(tǒng)的行業(yè)有所不同，我們需要在更加的短暫的時間內(nèi)，專注于用戶的屬性和需求。其實，在網(wǎng)游應(yīng)用上，我覺得更多的是通過RFM刺激哪些已經(jīng)付費但付費頻度不高的用戶，其實他們是最容易轉(zhuǎn)化成我們的穩(wěn)定付費用戶，換句話說，在游戲內(nèi)一系列的贈送活動之外，針對這些群體應(yīng)該給予特殊的不同的福利和關(guān)照，讓他們感到溫暖，即使你支付了一毛錢。因為你既然一條腿踏上了賊船，就不會下來了。因為你投入了你的精力，時間，金錢。

明日把上面各圖的含義和分析向諸位闡述一下，希望對大家有幫助。

四、rfm模型在客戶細分中有什么作用

RFM模型。

即：

最近一次消費(Recency)

消費頻率(Frequency)

消費金額(Monetary)

在眾多的客戶關(guān)系管理(CRM)的分析模式中，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。該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標(biāo)來描述該客戶的價值狀況。

以上就是關(guān)于基于rfm模型的顧客分析相關(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)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。