rfm模型应用

大家好！今天让创意岭的小编来大家介绍下关于rfm模型应用的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、【知识分享】RFM模型与顾客生命周期管理（一）

• 2、RFM模型对应的特征在本案例中是什么?

• 3、用户价值分层——基于RFM模型的研究分析

• 4、评估客户价值的三种模型：RFM、CLV、顾客社交价值模型

一、【知识分享】RFM模型与顾客生命周期管理（一）

作为一名电商的产品经理，负责的业务主要是CRM...唉，在这个运营无脑，公司不给钱的年代，做CRM简直是个绝对苦劳无功劳的活。这让典型摩羯座的顾阿姨怎么办...

在琐碎的日常工作之外，需要适度的额外学习与整理来充实自己。应周会分享的契机，自己找了网上与书上与CRM有关的材料，做出了这份“RFM模型与顾客生命周期管理”的屁屁踢~借这个平台与大家分享。

RFM模型与顾客生命周期管理

RFM模型是顾客关系管理中最常用的一个模型，因其具有普适性，可帮助那些基础CRM运营同学在不具备专业数据挖掘能力前就能运用此类方法。

内容会围绕四部分展开：

第一部分对RFM模型进行内涵阐述；第二部分对RFM的运用方法进行说明；第三部分是对第二部分的承接，顾客细分后就需要对顾客放入具体的生命周期中；第四部分，阐述如何对不同生命周期的顾客进行营销。

一.RFM模型

在进入第一部分前，我们先问问自己为何要进行客户细分？

与团队管理一样，团队成员人数只有个位数的时候，大家靠默契就能运作；当团队成员人数到达两位数时，需要规章制度对职场行为进行规制以确保稳定；当团队成员人数到达三位数时，需要企业文化与企业精神让员工在“灵”的层面理解公司愿景。

简短地用假大空的话说了说意义，下面我们详细阐述RFM模型：

表给中还给出了影响指标变化的因素与指标的应用场景。这个后文会继续详述。

1. 最近一次消费（Recency）

最近一次消费的计算方式是以计算当日减去顾客上一次在店铺的消费日期。计算时取付款时间更为准确。

我们可以很容易地理解到：R值越小，说明顾客下单间隔越小。如果R值为0，则可以说明该顾客天天在本店铺下单；如果R值很大，则可认为该顾客已经遗忘了本店铺，就算是买东西也想不到来本店铺买。

我们来举个栗子：文中的柱状图取了某店铺三年内的R值分布情况。从形状来看，呈现周期性且规律型的波浪型，且振幅随着时间的延长而变小。店铺对客户的营销有着稳定的季节性，从图表看，大概是统计周期的每年的第二个月，在这个月能吸引顾客下单，故R值在当月占比会特别高。

2. 消费频率（Frequency）

消费频率的高低是客户对品牌忠诚度（如：旗舰店）与店铺忠诚度的体现。

然而，决定消费频率高低的一个重大因素是品类宽度。如：对手机、电脑等3C类别商品，平均购买周期可能在1年左右；而对于纸巾、零食等流百类商品，平均购买周期可能只有1周甚至更短。因此，跨品类进行F值的比较是没有意义的。

对于大平台而言，其涉及的售卖品类会比较丰富；而对于一般小平台而言，一般只会涉足某一细分品类。平台毕竟有限，故对于一般网店而言，会将F值用顾客的“累计购买次数”替换。

我们来举个栗子：文中的柱状图统计了一段时间内顾客到店消费的次数分布。新客（购买一次）占比为65.6%，老客（购买超过一次）占比为34.4%。购买超过4次以后，流失达到稳定。故CRM运营童鞋要考虑如何对顾客进行营销，使其在店铺购买可达4次。

3. 消费金额（Monetary）

消费金额统计的是某一顾客在一段时间内的累计消费金额。数值越大，代表顾客对店铺的价值贡献和消费能力越高。

由于统计周期较长，不利于对于应时性的分析。故：对一般店铺而言，一般选择客户在店铺的累计购买次数与客单价替代原始的M值定义。

我们来举个栗子：文中的柱状图统计了一段时间内某个消费区间内的客户数与消费金额。累计消费1000元以下的客户占比为65%（近2/3），贡献的店铺收入比例占31.6%（近1/3）。在“二八法则”中，我们提到说20%的顾客贡献店铺80%的收入——其背后含义即说明，小部分忠诚顾客贡献了店铺主要的营收。图表就是对这一法则的现实证明。

二、RFM模型对应的特征在本案例中是什么?

RFM模型特征

简单性，只需要四个字段，客户名称、消费时间、消费金额和消费频率。客观性，利用数学尺度，简单且明确的描述客户价值。

直观，解释性极高。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。

三、用户价值分层——基于RFM模型的研究分析

• R（Recency）：消费间隔，最近一次距离上次消费的时间间隔

• F（Frequency）：消费频次，一段时间（1个月/1年...）内的消费总次数

• M（Monetary）：消费金额，一段时间（1个月/1年...）内的消费总金额

      RFM模型是用户价值研究中的经典模型，基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。RFM作为一种数据驱动的客户细分技术，可帮助营销人员做出更明智的战略性决策，使营销人员能够快速识别用户并将其细分为同类群体，并针对性制定个性化的营销策略，提高用户的参与度和留存率。

      RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略（引导，唤醒等），提高复购率与转化率。值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，实际场景结合行业以及具体公司的特点进行因地制宜、因人而异的优化。

RFM因素：

• R值越高，顾客的有效期越近，对商家活动的响应越积极

• F值越高，顾客的消费频次越高，对商家的忠诚度就越高

• M值越高，顾客的消费能力越高，对商家贡献度就越高

• 想要提高复购率和留存率，需要时刻警惕R值

RFM分析：

• 谁是您最有价值的客户？

• 导致客户流失率增多的是哪些客户？

• 谁有潜力成为有价值的客户？

• 你的哪些客户可以保留?

• 您哪些客户最有可能对参与度活动做出响应？

• 谁是你不需要关注的无价值客户？

• 针对哪些客户制定哪种发展、保留、挽回策略？

      通过RFM模型，可以帮助营销人员实现客户细分；衡量客户价值和客户利润创收能力；识别优质客户；指定个性化的沟通和营销服务；为更多的营销决策提供有力支持。

数据导入：使用python的pandas.read_csv导入样本数据。

缺失值校验：因数据为生产真实的交易数据，质量相对较高，缺失值较低。

极值校验：第一份样本数据获取的用户订单实付金额，其中会存在优惠或补差支付，同时因就餐人数不一致，产生的的订单消费也会存在较大的差异，造成极致波动、标准差值较大，因此需对金额进行处理，以人均消费额替代订单支付金额，可去掉10元以下、万元以上的交易订单。

获取RFM值：使用 groupby获取RFM值

获取RFM评分值：数据离散，pandas.cut

实验数据RFM分值占比

说明：F、M分布不均匀，极值差异大，经数据探查知晓该商户开通了企业团餐业务，企业会给员工发放补贴，导致员工呈现较高的消费频次，该类用户的消费行为绝大程度依赖于企业，在实际的RFM模型可踢出此类订单，降低此类人群的分值，其次数据中的M值为客户实付金额，该商户支持预定、会餐、大小桌，同一单的消费群体不同，或可使用人均消费总额作为M值。

RFM数据合并，建立R、F、M数据框：pandas+numpy

计算RFM综合分值：权重法

权重值主要赋值方法可分为主观赋权法、客观赋权法，如下：

主观赋权法：主要由专家经验得到权数，然后对指标进行综合评价。是一种结合性方法，易操作，存在一定主观性。常用方法：层次分析法AHP、权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法等。

客观赋权法：依据历史数据研究指标之间的相关关系或指标与评估结果的影响关系来综合评价。这是定量研究，无须考虑决策者主观意愿和业务经验，计算方法较为复杂。常用方法：主成分分析、因子分析、熵值法、变异系数法、均方差法、回归分析法等。

因样本数据分布不均匀，故手动赋权重值，去除部分极值。

结论：以近90天的消费活跃来看，用户消费频次集中在1-6次，呈现出极佳的复购率。可以针对消费一次的人群进行特征分析。比如针对人群的流动性，若流动人群占比较大，可进一步推广特色菜吸引客户，若周边人群占比较高，可基于复购人群的特征进行分析，同时平台可提供该类人群近期消费偏好，供商家参考，制定针对性方案。

      了解RFM定义后，将3个指标作为坐标系的XYZ坐标轴，从空间上切割成8类，作为用户的价值分层，如下图：

用户价值分层说明：

上面我们已经计算得到各个用户的RFM分值，接下来要依据分值进行分类。

定义RFM 的分值等级

使用pyecharts绘制玫瑰图：

结论：商家顾客表现出来的忠诚度较高，但新客获取能力较低。但是单纯看分层占比，并没有实际意义，可以基于价值分层与其他特征关联分析进行精准投放。如下图（网络参考图，本期实验并未涉及其他特征）所示：

      用户画像是基于用户信息与行为衍生出来的特征属性，用户的准入信息是用户的主观特征，是一种既定的事实，通过对用户行为的采集、研究，刻画出单个用户的特征。其意义在于基于某一事物对群里特征进行分类，有效的体现事物的合适人群；同时针对群里特征的偏爱、习惯研究，可以刻画出用户的需求，实现精准化营销。

      用户画像的基础成分来源于用户的准入信息（会员注册时的登记信息），更多的特征数据来源于用户的各类行为，而RFM模型便是基于用户消费行为提炼出来的价值指标。通过对各个价值分层的群体特征研究，可以有效提升获客能力以及针对各类人群实现精准化营销。

      市场和运营往往绞尽脑汁做活动、上新品、蹭热点、做营销，拓渠道，不断开发客户、做回访维系客户感情，除了少数运气好的之外，但大多效果寥寥，这是为何？

      经验丰富的营销人员都知道“了解客户”和“客户细分”的重要性。营销人员不仅要着眼于创造更多的访问量和点击量以提高客户获取，还必须遵循从提高点击率（CTR）转变为提高保留，忠诚度并建立客户关系的新范式。与其将整个客户群作为一个整体进行分析，不如将其划分为同类群体，了解每个群体的特征，并使他们参与相关的活动，而不是仅根据客户年龄或地理位置进行客户细分。而RFM分析是市场营销人员分析客户行为的最流行、最简单、最有效的客户细分方法之一。

针对RFM分层用户制定相应的营销策略:

      • 重要价值客户是您的最佳客户，他们是那些最新购买，最常购买，并且花费最多的消费者。提供VIP服务和个性化服务，奖励这些客户，他们可以成为新产品的早期采用者，并有助于提升您的品牌。

      • 重要发展客户：近期客户，消费金额高，但平均频率不太高，忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。

      • 重要保持客户：经常购买、花费巨大，但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接，并提供续订和有用的产品以鼓励再次购买。

      • 重要挽回客户：曾经光顾，消费金额大，购买频率低，但最近没有光顾的顾客。设计召回策略，通过相关的促销活动或续订带回他们，并进行调查以找出问题所在，避免将其输给竞争对手。

      •一般价值客户：最近购买，消费频次高但消费金额低的客户，需要努力提高其客单价，提供产品优惠以吸引他们。

      • 一般发展客户：最近购买，但消费金额和频次都不高的客户。可提供免费试用以提高客户兴趣，提高其对品牌的满意度。

      • 一般保持客户：很久未购买，消费频次虽高但金额不高的客户。可以提供积分制，各种优惠和打折服务，改变宣传方向和策略与他们重新联系，而采用公平对待方式是最佳。

      • 一般挽留客户：RFM值都很低的客户。针对这类客户可以对其减少营销和服务预算或直接放弃。

      此外，目前的RFM分析中，一般给与M值更高的权重，如果一般挽留客户与一般发展客户占据多数，说明公司的用户结构不是很合理，需要尽快采取措施进行优化。

四、评估客户价值的三种模型：RFM、CLV、顾客社交价值模型

笔者一直从事于用户运营领域，很多情况下都是要在资源有限情况下，去最大化的撬动效益，如何挖掘能创造最大价值的客户就是用户运营的最基础工作了。这个和基于用户价值的细分模型基本上是一个意思，注意本文讨论的用户价值指的是用户对企业创利能力的衡量，而不是传统营销学理论中企业为客户提供的价值。

本文我们会来谈谈常用的几个衡量客户价值的模型，以及它们的区别和应用场景。

提到如何衡量客户价值，RFM基本上是头脑中第一个想到的模型，也是大部分运营人员都会接触到的。根据Arthur Hughes的研究，发现客户的数据中有三个非常重要的指标：

这三个指标非常有意思，我们可以从中将用户的活跃度，忠诚度和消费能力评估出来，如下图：

按照案例中的情况，我们分别将R\F\M三个值都再细分成了4个等级，现在大家可以思考一下：000代表了什么客户，她与004的区别在哪里？她们的价值是否不同，是否要区分维护？

在下面的表格里，我会列举当中一些具有明显特征的用户价值细分，大家可以好好体会一下：

最后以一个问题，结束对RFM的探讨，大家认为040与004，哪个价值更大些呢？

我们知道并不是所有的顾客都具备相同的价值，如果企业能够专注于那些可以带来最大未来利益的客户，就可以实现更好的运营。所以企业必须识别出这些客户，CLV是对客户未来利润的有效预测，它还有另外一个名字，叫做LTV （life time value)。

实际上这个模型在中小企业的具体运营中应用到的不多，更多是在做年度规划，年度财务核算，或者企业战略中会较为常见的使用，以站在企业的战略层面去考虑顾客价值与投入之间的关系。

这里需要特别说明的是，CLV考虑了完整的客户生命周期，包含客户获取和客户流失，也就是它计算的不只是眼前顾客已经产生的价值，还预测了未来价值。

CLV的计算公式有非常多，有的会非常复杂，主要在流失率这个环节和影响因素就相当多，也有会加上投入成本，价值变化率和利率变化等等。

我认为比较实用简单的是这种：

注意此公式对群体有效，对个体精准度较低，因为个体流失率影响因素太多，而群体流失率却是可以统计的。

那对于CLV的应用，可以从以下两个模型来看，将企业的最优客户与不值得投入的客户区分出来：

最后也以一个问题，结束对CLV的探讨，大家认为这个公式实际应用中如何提高计算的精度呢？

（1）顾客社交活跃度模型

其实这个是我写这篇文章的初衷，实际上在我目前的工作中，单独用以上基于顾客消费属性来给顾客做价值判断和细分已经很少见了。在目前新的商业环境下，品牌与用户不仅仅是消费购物，推送产品的关系，而更多是互动与彼此认知。单个用户自带的传播属性和影响力，反而收到了越来越多的重视和运用。

用平实的语言来说，顾客的价值不仅仅是她给企业直接带来的现金利润，也应当考虑用户对企业美誉度，传播度的价值影响。

最近看到的对于顾客社交价值测算的模型还是非常有用处的，分享给大家。

这个模型用于区分品牌的社交活跃度用户，这部分用户在对于品牌ugc内容产出，社区活跃度上起到很大贡献。

（2）顾客影响力模型

这个模型在于找到品牌中的影响力人群，目前的KOL影响力毋庸置疑，如果品牌能从自身用户中发觉培养，定能起到四两拨千斤的作用。

以上就是三种常见的用户价值分析模型，那在日常运用中，还是要化繁为简，考虑实际运用场景，选择适合的运用模型。

这里给到大家的建议是将模型计算的结果标签化放在每个用户身上，比如：用户A，可以给她贴上“活跃度高，影响力弱，可获利客户”等等，那么在实际运用中，即可灵活根据标签筛选人群，进行营销策略。

以上就是关于rfm模型应用相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

colourful怎么读语音（colourful怎么读语音怎么读）

aso和rf阳性是什么意思（aso和rf都是阴性）

papereasy免费查重入口（paperfree免费查重入口官网）

Mchat软件安全吗（mchat这个软件安全不）

微抖app官方网站（微抖+营销软件）