-
當(dāng)前位置:首頁(yè) > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
1、RFM模型的分析
rfm模型把客戶分為幾個(gè)類型
大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型把客戶分為幾個(gè)類型的問題,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:
一、RFM模型的分析
RFM的含義如下:
1、R(Recency):客戶最近一次交易時(shí)間的間隔。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。
2、F(Frequency):客戶在最近一段時(shí)間內(nèi)交易的次數(shù)。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。
3、M(Monetary):客戶在最近一段時(shí)間內(nèi)交易的金額。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。
4、RFM分析就是根據(jù)客戶活躍程度和交易金額的貢獻(xiàn),進(jìn)行客戶價(jià)值細(xì)分的一種方法。
rfm分析方法如下:
我們通常采用交易數(shù)據(jù)的格式進(jìn)行分析。因?yàn)榻灰讛?shù)據(jù)可以整理成客戶數(shù)據(jù),而客戶數(shù)據(jù)無(wú)法還原成交易數(shù)據(jù)。即用交易數(shù)據(jù)的字段可以得到客戶數(shù)據(jù)的字段,反之不行。
具體是“交易數(shù)據(jù)”還是“客戶數(shù)據(jù)”根據(jù)數(shù)據(jù)源文件的格式而定。
【變量】:選擇各個(gè)變量
【分箱化】:評(píng)分的總分是多少
【保存】:生成哪些新的變量,可以自定義名稱。
【輸出】:可以全部勾選,為了能全面的解讀RFM分析結(jié)果。
確定后,生成了四個(gè)新的變量
嶄新-得分:最后一次交易的時(shí)間間隔得分;
頻率-得分:交易總次數(shù)得分;
消費(fèi)金額-得分:交易總金額得分;
RFM得分:RFM得分
分析結(jié)果解讀:
該圖主要用來查看每個(gè)RFM匯總得分的客戶數(shù)量分布是否均勻。
我們期望均勻的分布,若不均分,則應(yīng)該重新考慮RFM的適用性或嘗試另一種分箱方法(減少分箱數(shù)目或隨機(jī)分配綁定值)
“RFM熱圖”是交易金額均值在RS和FS繪制的矩陣圖上的圖形化表示,用顏色深淺表示交易金額均值的大小,顏色越深,表示相應(yīng)矩陣塊內(nèi)的客戶交易金額均值越高。
如本例隨著RS和FS的分值增大,顏色越來越深,說明客戶最近一次交易時(shí)間越近、交易次數(shù)越多,其平均交易金額越高。
該圖是最后一次交易時(shí)間、交易總次數(shù)、交易總金額之間的散點(diǎn)圖。
通過散點(diǎn)圖可以清晰直觀的看到三個(gè)分析指標(biāo)兩兩之間的關(guān)系,便于指標(biāo)相關(guān)性評(píng)估。
本例中,交易總次數(shù)和交易總金額存在較為明顯的線性關(guān)系,而最后一次交易時(shí)間和另外兩個(gè)分析指標(biāo)之間的相關(guān)性較弱。
二、基于RFM分析的客戶細(xì)分!讓市場(chǎng)營(yíng)銷事半功倍!
市場(chǎng)和運(yùn)營(yíng)往往絞盡腦汁 做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷,拓渠道,不斷開發(fā)客戶 、 做回訪維系客戶感情 ,除了少數(shù)運(yùn)氣好的之外,大部分效果寥寥,這是為何?這年頭做營(yíng)銷這么難嗎?
聰明的營(yíng)銷人員知道“ 了解客戶 ”和“ 客戶細(xì)分 ”的重要性。營(yíng)銷人員不僅要著眼于創(chuàng)造更多的訪問量和點(diǎn)擊量(無(wú)論是郵件還是站點(diǎn))以提高客戶獲取,還必須遵循從提高點(diǎn)擊率(CTR)轉(zhuǎn)變?yōu)樘岣弑A?,忠誠(chéng)度并建立客戶關(guān)系的新范式。與其將整個(gè)客戶群作為一個(gè)整體進(jìn)行分析,不如將其劃分為同類群體,了解每個(gè)群體的特征,并使他們參與相關(guān)的活動(dòng),而不是僅根據(jù)客戶年齡或地理位置進(jìn)行客戶細(xì)分。而 RFM分析是市場(chǎng)營(yíng)銷人員分析客戶行為的最流行、最簡(jiǎn)單、最有效的客戶細(xì)分方法之一。
R(Recency)最近一次消費(fèi)時(shí)間 :表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間(或截止到統(tǒng)計(jì)周期)。消費(fèi)時(shí)間越近的客戶價(jià)值越大。1年前消費(fèi)過的用戶肯定沒有1周前消費(fèi)過的用戶價(jià)值大。
F(Frequency)消費(fèi)頻率: 消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購(gòu)買商品的次數(shù),經(jīng)常購(gòu)買的用戶也就是熟客,價(jià)值肯定比偶爾來一次的客戶價(jià)值大。
M(Monetary)消費(fèi)金額: 消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額,體現(xiàn)了消費(fèi)者為企業(yè)創(chuàng)利的多少,自然是消費(fèi)越多的用戶價(jià)值越大。
簡(jiǎn)言之, RFM代表近度,頻率和額度 ,每個(gè)值都與某些關(guān)鍵客戶特征相對(duì)應(yīng)。這些RFM指標(biāo)是客戶行為的重要指標(biāo),因?yàn)轭l率和額度會(huì)影響客戶的生命周期價(jià)值,新近度會(huì)影響保留率,而保留率是忠誠(chéng)度的衡量標(biāo)準(zhǔn)。
如果是缺乏金錢交易方面的業(yè)務(wù),例如收視率,讀者人數(shù)等,可以使用" Engagement "(參與度)代替Monetary。如官網(wǎng)的訪問頻次,微信的交互情況,郵件打開率等。這將導(dǎo)致使用RFE 而不是 RFM。此外,可以根據(jù)指標(biāo)例如跳出率,訪問時(shí)長(zhǎng),訪問的頁(yè)面數(shù),每頁(yè)所花費(fèi)的時(shí)間等來將Engagement參數(shù)定義為一個(gè)綜合值。
• 購(gòu)買的時(shí)間越近,顧客對(duì)促銷的反應(yīng)越積極
• 顧客購(gòu)買的頻率越高,他們就越投入和越滿意
• 消費(fèi)金額區(qū)分了大筆支出的消費(fèi)者和低價(jià)值的購(gòu)買者
• 想要提高回購(gòu)率和留存率,需要時(shí)刻警惕R值
RFM分析可幫助營(yíng)銷人員找到以下問題的答案:
• 誰(shuí)是您最有價(jià)值的客戶?
• 導(dǎo)致客戶流失率增多的是哪些客戶?
• 誰(shuí)有潛力成為有價(jià)值的客戶?
• 你的哪些客戶可以保留?
• 您哪些客戶最有可能對(duì)參與度活動(dòng)做出響應(yīng)?
• 誰(shuí)是你不需要關(guān)注的無(wú)價(jià)值客戶?
• 針對(duì)哪些客戶制定哪種發(fā)展、保留、挽回策略?
通過RFM分析,可以幫助營(yíng)銷人員實(shí)現(xiàn)客戶細(xì)分;衡量客戶價(jià)值和客戶利潤(rùn)創(chuàng)收能力;識(shí)別優(yōu)質(zhì)客戶;指定個(gè)性化的溝通和營(yíng)銷服務(wù);為更多的營(yíng)銷決策提供有力支持。
那RFM分析應(yīng)如何開始呢?
由于R值、F值、M值存在量級(jí)之間的差距,無(wú)法直觀的通過加減或平均來衡量用戶價(jià)值,這里我們介紹一種評(píng)分方式,根據(jù)三組數(shù)據(jù)各個(gè)值的特性,采用5分制為各個(gè)數(shù)據(jù)賦予一個(gè)評(píng)分值。
讓我們通過一個(gè)客戶交易的樣本數(shù)據(jù)集來演示一個(gè)簡(jiǎn)單的RFM分析是如何工作的:
為了對(duì)此示例進(jìn)行RFM分析,讓我們看看如何根據(jù)每個(gè)RFM屬性分別對(duì)客戶進(jìn)行排名,然后對(duì)這些客戶進(jìn)行評(píng)分。假設(shè)我們使用RFM值從1到5對(duì)這些客戶進(jìn)行排序,R值的評(píng)分機(jī)制是R值越大,評(píng)分越小。
如上表所示,我們按“Recency”對(duì)客戶進(jìn)行了排序,最新的購(gòu)買者排在首位。由于為客戶分配的分?jǐn)?shù)是1-5,因此前20%的客戶(客戶ID為12、11、1)的“Recency”分?jǐn)?shù)為5,接下來的20%(客戶ID為15、2、7)的分?jǐn)?shù)為4 , 以此類推。
同樣,我們可以根據(jù)客戶購(gòu)買從高到低的“Frequency”對(duì)其進(jìn)行排序,將前20%的“Frequency”得分分配為5,依此類推。對(duì)于“Monetary”因素,對(duì)前20%的客戶(消費(fèi)最多的)分配5分,最低的20%得分為1。這些F和M得分總結(jié)如下:
RFM得分
最后,我們可以將這些客戶的R、F和M排名結(jié)合起來得到一個(gè)匯總的RFM得分。 下表中顯示的該RFM得分是各個(gè)R,F(xiàn)和M得分的平均值,是通過對(duì)每個(gè)RFM屬性賦予相等的權(quán)重來獲得的。
這種簡(jiǎn)單的將客戶從1-5排序的方法最多會(huì)產(chǎn)生125個(gè)不同的RFM單元(5x5x5),范圍從111(最低)到555(最高)。每個(gè)RFM單元的大小不同,依據(jù)客戶的關(guān)鍵習(xí)慣,被捕獲為RFM得分以得出客戶細(xì)分,營(yíng)銷人員依據(jù)不同得分的客戶制定相應(yīng)的策略。
顯然,針對(duì)不同行業(yè)的企業(yè)如果僅根據(jù)他們的購(gòu)買或參與行為將每個(gè)客戶的R,F(xiàn)和M得分平均以獲得RFM細(xì)分市場(chǎng)并不公平。這類平均值只適合于均類數(shù)據(jù),對(duì)于一些不規(guī)則數(shù)據(jù),平均值會(huì)造成很大的誤差, 因此,根據(jù)您的業(yè)務(wù)性質(zhì),您可以科學(xué)增加或減少每個(gè)RFM變量的相對(duì)重要性,以得出最終分?jǐn)?shù)。例如:
1 .耐用消費(fèi)品行業(yè)
每筆交易的Monetary通常較高,但Frequency和Recency較低。例如,你不能指望客戶每月購(gòu)買一臺(tái)冰箱或空調(diào)。在這種情況下,市場(chǎng)營(yíng)銷人員應(yīng)該更重視Monetary和Recency方面,而不是Frequency方面。
2 .時(shí)裝/化妝品等零售業(yè)務(wù)
每月搜索和購(gòu)買產(chǎn)品的客戶將有更高的Recency和Frequency得分而不是Monetary得分。因此,可以通過給R和F得分賦予比M更大的權(quán)重來計(jì)算RFM得分。
3 .視頻平臺(tái)等內(nèi)容apps
追劇狂人相比一般消費(fèi)者擁有更長(zhǎng)的觀看時(shí)長(zhǎng)。對(duì)于這些狂熱者,“參與度”和Frequency可以比Recency給予更多的重視,而對(duì)于一般人群,可以對(duì)Recency和Frequency給予比Engagement更高的權(quán)重,以得出RFE得分。
此外,企業(yè)需要針對(duì)自己的行業(yè)特點(diǎn)靈活變通指標(biāo)的采用。比如在金融行業(yè),最近一次購(gòu)買時(shí)間可能并不適用,此時(shí)可以考慮采用金融產(chǎn)品持有時(shí)間來代替R,這樣更能體現(xiàn)用戶與金融企業(yè)建立聯(lián)系時(shí)間的長(zhǎng)短。
還有一個(gè)問題是:如果每個(gè)RFM單元都被視為一個(gè)細(xì)分,那么營(yíng)銷人員將無(wú)法單獨(dú)分析所有這125個(gè)客戶細(xì)分市場(chǎng)。因此,通常采用的RFM模型是將這三個(gè)維度指標(biāo)劃分到三維正方體中。
在以上的RFM評(píng)分示例中,我們已經(jīng)分別計(jì)算R、F、M評(píng)分;現(xiàn)在我們進(jìn)一步分別獲得R、F、M的平均值;然后將各個(gè)變量高于平均分的定義為“高”,低于平均分的定義為“低”;根據(jù)三個(gè)變量“高”“低”的組合來定義客戶類型;如“高”“高”“高”為高價(jià)值客戶。
通常,我們通過三維正方體來可視化RFM分析結(jié)果。這使用戶可以更輕松地理解得分,以提供更易于管理和直觀的細(xì)分。
如上面的RFM模型所示,因?yàn)橛腥齻€(gè)變量,所以要使用三維坐標(biāo)系進(jìn)行展示,X軸表示Recency,Y 軸表示Frequency,Z軸表示Monetary,坐標(biāo)系的8個(gè)象限分別表示8類用戶。
現(xiàn)在,讓我們討論如何解釋RFM細(xì)分,以了解這些用戶的行為,并提出一些有效的營(yíng)銷策略。
• 重要價(jià)值客戶 是您的最佳客戶,他們是那些最新購(gòu)買,最常購(gòu)買,并且花費(fèi)最多的消費(fèi)者。提供VIP服務(wù)和個(gè)性化服務(wù),獎(jiǎng)勵(lì)這些客戶,他們可以成為新產(chǎn)品的早期采用者,并有助于提升您的品牌。
• 重要發(fā)展客戶 是您的近期客戶,消費(fèi)金額高,但平均頻率不太高,忠誠(chéng)度不高。提供會(huì)員或忠誠(chéng)度計(jì)劃或推薦相關(guān)產(chǎn)品以實(shí)現(xiàn)向上銷售并幫助他們成為您的忠實(shí)擁護(hù)者和高價(jià)值客戶。
• 重要保持客戶 是指那些經(jīng)常購(gòu)買、花費(fèi)巨大,但最近沒有購(gòu)買的客戶。向他們發(fā)送個(gè)性化的重新激活活動(dòng)以重新連接,并提供續(xù)訂和有用的產(chǎn)品以鼓勵(lì)再次購(gòu)買。
• 重要挽回客戶 是那些曾經(jīng)光顧,消費(fèi)金額大,購(gòu)買頻率低,但最近沒有光顧的顧客。設(shè)計(jì)召回策略,通過相關(guān)的促銷活動(dòng)或續(xù)訂帶回他們,并進(jìn)行調(diào)查以找出問題所在,避免將其輸給競(jìng)爭(zhēng)對(duì)手。
• 一般價(jià)值客戶 是那些最近購(gòu)買,消費(fèi)頻次高但消費(fèi)金額低的客戶,需要努力提高其客單價(jià),提供產(chǎn)品優(yōu)惠以吸引他們。
• 一般發(fā)展客戶 是那些最近購(gòu)買,但消費(fèi)金額和頻次都不高的客戶。可提供免費(fèi)試用以提高客戶興趣,提高其對(duì)品牌的滿意度。
• 一般保持客戶 是指很久未購(gòu)買,消費(fèi)頻次雖高但金額不高的客戶??梢蕴峁┓e分制,各種優(yōu)惠和打折服務(wù),改變宣傳方向和策略與他們重新聯(lián)系,而采用公平對(duì)待方式是最佳。
• 一般挽留客戶 是指RFM值都很低的客戶。針對(duì)這類客戶可以對(duì)其減少營(yíng)銷和服務(wù)預(yù)算或直接放棄。
此外:
• 目前的RFM分析中,一般給與M值更高的權(quán)重;
• 如果您的公司中一般挽留客戶與一般發(fā)展客戶占據(jù)多數(shù),說明公司的用戶結(jié)構(gòu)不是很合理,需要盡快采取措施進(jìn)行優(yōu)化。
RFM是一種數(shù)據(jù)驅(qū)動(dòng)的客戶細(xì)分技術(shù),可幫助營(yíng)銷人員做出更明智的戰(zhàn)略性決策。使?fàn)I銷人員能夠快速識(shí)別用戶并將其細(xì)分為同類群體,并針對(duì)他們制定差異化和個(gè)性化的營(yíng)銷策略。這反過來又提高了用戶的參與度和留存率。
通常,數(shù)據(jù)分析師會(huì)借助CRM系統(tǒng)或者BI工具來實(shí)現(xiàn)RFM分析。
如需了解更多,歡迎訪問怡海軟件官網(wǎng) https://www.frensworkz.com/
三、數(shù)據(jù)分析方法3—RFM分析模型
對(duì)于一個(gè)新上線產(chǎn)品的前期運(yùn)營(yíng),我們一般的做法都是做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀,真正獲取的用戶沒有幾個(gè),最終都便宜了羊毛黨。其實(shí)客戶在不同階段的需求是不一樣的,有的客戶圖便宜,有的客戶看新品,有的客戶重服務(wù)。所以我們想要運(yùn)營(yíng)好一個(gè)產(chǎn)品,就需要對(duì)客戶精細(xì)化運(yùn)營(yíng)。
精細(xì)化運(yùn)營(yíng)最經(jīng)典的用戶分群工具就是RFM模型,RFM模型是衡量用戶價(jià)值和用戶創(chuàng)新能力的經(jīng)典工具,主要是由用戶最近一次購(gòu)買時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。
RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段,RFM是Rencency(最近一次消費(fèi)),F(xiàn)requency(消費(fèi)頻率),Monetary(消費(fèi)金額)組合而成,此模型對(duì)于運(yùn)營(yíng)、銷售、財(cái)務(wù)、市場(chǎng)來說都比較重要。
R值(Recency): 最近一次消費(fèi)
表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間,消費(fèi)時(shí)間越近的客戶價(jià)值越大,1年前消費(fèi)過的用戶肯定沒有1月前消費(fèi)過的用戶價(jià)值大,是衡量用戶價(jià)值的一個(gè)指標(biāo)。
基于R值的大小,可以看出上表中的客戶2是最有價(jià)值的,客戶3是最沒有價(jià)值的,但是如果就此說明客戶2是最有價(jià)值,而客戶3是沒有價(jià)值的是不成立的,對(duì)于客戶價(jià)值我們不能僅看R值,還需要考慮F值和M值。這里我們只舉出4個(gè)客戶為例,但在真實(shí)的客戶場(chǎng)景中,我們可以把客戶按照周、月、季、年等維度的占比詳細(xì)來觀察出R的趨勢(shì)變化。
F值(Frequency): 消費(fèi)頻率
消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購(gòu)買商品的次數(shù),經(jīng)常購(gòu)買的用戶也就是熟客,其價(jià)值比偶爾來一次的客戶價(jià)值大
基于F值的大小,可以看出客戶4的價(jià)值最大,客戶1的價(jià)值最小,但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶對(duì)于產(chǎn)品的復(fù)購(gòu)的核心因素是類目。有的類目產(chǎn)品復(fù)購(gòu)率高(食品類)主要是食品屬于易耗品,消耗周期短,購(gòu)買的頻率高,相對(duì)容易產(chǎn)生重復(fù)性購(gòu)買。而有的類目產(chǎn)品復(fù)購(gòu)率低(家電類),消耗周期長(zhǎng),購(gòu)買頻次低。建議在對(duì)F值進(jìn)行統(tǒng)計(jì)時(shí)對(duì)于不同的類目要有相應(yīng)的統(tǒng)計(jì)周期。
M值(Monetary): 消費(fèi)金額
消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額,體現(xiàn)了消費(fèi)者對(duì)于企業(yè)的價(jià)值。
基于M值的大小,可以看出客戶4的價(jià)值最高,客戶1的價(jià)值最低,M值同上面的R值、F值類似,單一的值并不能說明客戶的好壞,三者結(jié)合才能更好地精細(xì)化用戶,對(duì)購(gòu)買產(chǎn)品的用戶合理的分隔,采用不同的機(jī)制去運(yùn)營(yíng)。
RFM模型的主觀細(xì)分
根據(jù)RFM模型值得大小對(duì)客戶進(jìn)行細(xì)分,如下表所示,將客戶分為了8部分去運(yùn)營(yíng),對(duì)于不同的細(xì)分人群采取不同的運(yùn)營(yíng)策略,在實(shí)際的應(yīng)用場(chǎng)景中,店鋪可以根據(jù)自己店鋪的實(shí)際情況來細(xì)分人群,購(gòu)買人群多的就分多個(gè)人群,購(gòu)買人群少的就少分幾個(gè)人群,具體的情況根據(jù)店鋪來定。
RFM模型的量化細(xì)分
上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分,而如果想要更細(xì)地對(duì)人群進(jìn)行劃分,就需要對(duì)RFM進(jìn)行量化處理,一般采用的方式有
1、根據(jù)經(jīng)驗(yàn)定義權(quán)重
RFM值=a*R值+b*F值+c*M值
對(duì)于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來判斷
2、歸一化處理
將RFM的值進(jìn)行歸一化處理,公式為
RFM值=R1值+F1值+M1值
上面的R1,F1,M1都是歸一化處理過后的值
3、AHP層次分析得出權(quán)重值
RFM值=a1*R值+a2*F值+a3*M值
a1,a2,a3的值是AHP層次分析得出的權(quán)向量值
具體參考鏈接
最終按照得出值的大小進(jìn)行人群細(xì)分,得出不同的人群
四、k-means與RFM模型結(jié)合進(jìn)行用戶群體劃分
在CRM系統(tǒng)中經(jīng)常要對(duì)用戶進(jìn)行劃分,以標(biāo)記不同的標(biāo)簽,進(jìn)行個(gè)性化的營(yíng)銷觸達(dá)動(dòng)作。通常的用戶群體劃分會(huì)使用用戶的一些屬性信息,例如年齡,職業(yè),性別等。但是這些屬性基本上都是用戶本身的特征屬性,并不是和品牌關(guān)聯(lián)產(chǎn)生的屬性信息。另外一種常用的用戶模型,就是 RFM模型 ,是以用戶的實(shí)際購(gòu)買行為數(shù)據(jù)作為基礎(chǔ),進(jìn)行用戶群體的劃分的,在實(shí)踐中更加具有實(shí)際價(jià)值。
RFM模型由三個(gè)指標(biāo)組成,分別為:
最近一次消費(fèi) (Recency)
消費(fèi)頻率 (Frequency)
消費(fèi)金額 (Monetary)
可以看到這三個(gè)屬性都是通過用戶的購(gòu)買行為計(jì)算得出的,這些指標(biāo)基本上代表了用戶是否活躍,購(gòu)買能力,忠誠(chéng)度等信息。
而我們的目標(biāo)是通過對(duì)每個(gè)用戶的RFM屬性進(jìn)行計(jì)算,將用戶群體劃分為不同的種類進(jìn)行區(qū)分,以便我們進(jìn)行分析和精準(zhǔn)營(yíng)銷。例如我們可以分析出高價(jià)值用戶,重點(diǎn)發(fā)展用戶,流失用戶等群體進(jìn)行針對(duì)性營(yíng)銷動(dòng)作。
本文將使用Python的一些工具包,對(duì)用戶數(shù)據(jù)集進(jìn)行分析處理,例如建立RFM模型,數(shù)據(jù)標(biāo)準(zhǔn)化,以及使用k-means聚類算法將用戶群體進(jìn)行劃分。需要讀者具有一些基礎(chǔ)的Python和數(shù)據(jù)統(tǒng)計(jì)知識(shí)。
首先我們通過一些訂單數(shù)據(jù)分析得到一部分用戶的樣本數(shù)據(jù)來:
這里包括了用戶的id,總購(gòu)買筆數(shù),總購(gòu)買金額以及最后一筆訂單時(shí)間的信息。我們將文件加載進(jìn)來,截取一部分后對(duì)字段類型進(jìn)行處理:
為了將其轉(zhuǎn)化為我們要使用的RFM屬性,我們需要對(duì)last_order_date進(jìn)行處理,轉(zhuǎn)換為最后一次訂單時(shí)間到目前的天數(shù)。這樣我們就獲得了RFM的基本屬性,分別為last_order_day_from_now(R), total_order_count(F), total_order_price(M)。處理完成后對(duì)數(shù)據(jù)進(jìn)行可視化觀察數(shù)據(jù)分布:
其散點(diǎn)圖為:
我們會(huì)發(fā)現(xiàn)實(shí)際上的數(shù)據(jù)大部分都聚集在了一起,并且有一些非常離散的極端值數(shù)據(jù),這對(duì)我們后續(xù)進(jìn)行數(shù)據(jù)聚類會(huì)產(chǎn)生不利影響,所以我們使用log函數(shù)對(duì)數(shù)據(jù)進(jìn)行處理,讓其分布的更加均勻:
可以看到現(xiàn)在數(shù)據(jù)分布的已經(jīng)比較均勻了,這為我們進(jìn)行聚類打下一個(gè)比較好的基礎(chǔ)。但同時(shí)我們也會(huì)發(fā)現(xiàn)RFM這三個(gè)屬性的單位卻并不相同,分別是天數(shù),交易筆數(shù)和交易金額。這就造成了其數(shù)值差別巨大。而聚類算法一般都是使用不同向量間的距離進(jìn)行計(jì)算劃分的,屬性單位不同造成的數(shù)值差異過大會(huì)造成計(jì)算距離時(shí)的權(quán)重分布不均衡,也并不能反映實(shí)際情況,所以我們還要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,這里我們使用z-score對(duì)RFM屬性進(jìn)行加工運(yùn)算。
z-score是一種數(shù)據(jù)標(biāo)準(zhǔn)化的計(jì)算方法,其公式為:
z = (x – μ) / σ
μ代表x所屬數(shù)據(jù)組的平均值,σ代表x所屬數(shù)據(jù)組的方差。所以通過z-score計(jì)算,我們將絕對(duì)值數(shù)據(jù)轉(zhuǎn)化為一個(gè)數(shù)據(jù)在所屬數(shù)據(jù)組中的位置(得分),這樣不同單位和類型間的數(shù)據(jù)使用z-score做相互的比較也就有了一定的意義。
這時(shí)候會(huì)看到數(shù)據(jù)不但分布較為均勻,而且不同維度間的數(shù)值差異也很小了,這樣我們可以把三種不同單位的屬性一起進(jìn)行處理。
當(dāng)我們建立好RFM的數(shù)據(jù)模型之后,期望通過不同的RFM值,對(duì)用戶進(jìn)行區(qū)分以進(jìn)行精準(zhǔn)化營(yíng)銷。當(dāng)然我們可以通過對(duì)RFM這三組數(shù)值的平均值或者中位數(shù)和每個(gè)用戶進(jìn)行比較,以建立起一個(gè)數(shù)據(jù)立方,進(jìn)行群體劃分。但另外一方面,一般來說用戶群體會(huì)大致符合28原則,80%左右的收入是由20%左右的客戶所貢獻(xiàn)的,所以根據(jù)平均值或者中位數(shù)進(jìn)行群體劃分也并不能總是科學(xué)的反應(yīng)出不同的用戶群體來,所以我們也可以基于數(shù)據(jù)本身的特性,使用聚類算法進(jìn)行處理,以便讓數(shù)據(jù)更加“自然”的區(qū)分。
這里我們選用非常常用的k-means算法進(jìn)行聚類計(jì)算,k-means聚類的原理并不復(fù)雜,首先隨機(jī)的或者通過更高效的方式(例如k-means++)選取k個(gè)點(diǎn),然后不斷迭代的計(jì)算,修正這k個(gè)點(diǎn)的坐標(biāo),目的是讓集合中的每個(gè)點(diǎn)的距離(有很多種距離算法,比較常用的是歐氏距離)都和k個(gè)點(diǎn)里的其中一個(gè)盡量的近,而和其他的盡量的遠(yuǎn)。這樣數(shù)據(jù)集合就能根據(jù)自身的分布規(guī)律,自然的區(qū)分出不同的類別來。
這里我們將k值設(shè)定為3,也就是將數(shù)據(jù)劃分為三個(gè)部分,通過使用我們處理后的RFM屬性進(jìn)行計(jì)算,最終我們得到:
可以看到不同的顏色代表不同的用戶類別,可以簡(jiǎn)單的認(rèn)為標(biāo)記為0的是流失用戶,1是重點(diǎn)發(fā)展用戶,2是高價(jià)值用戶。這樣我們就可以對(duì)不同的群體使用適合的營(yíng)銷策略了,同時(shí)當(dāng)有新的用戶加入后,我們也可以使用得到的k-means模型對(duì)其進(jìn)行預(yù)測(cè)劃分。
在使用這種方式做實(shí)際的數(shù)據(jù)處理時(shí),可能因?yàn)閿?shù)據(jù)分布的原因?qū)е聟^(qū)分度并不是特別好,因?yàn)楦鶕?jù)銷售數(shù)據(jù)進(jìn)行用戶區(qū)分,并不是總能發(fā)現(xiàn)比較明顯的區(qū)分“界限”,也就是不同群體間的邊界其實(shí)是非常模糊和混雜的(從上面的最終分析圖也可以看出這樣的情況),所以從這個(gè)角度講,單純通過RFM模型和聚類進(jìn)行用戶群體劃分也是有它的局限性的。
以上就是關(guān)于rfm模型把客戶分為幾個(gè)類型相關(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。
推薦閱讀:
如何利用RFM對(duì)客戶進(jìn)行分類(如何利用rfm對(duì)客戶進(jìn)行分類分析)