会员rfm分析成功案例（会员价值rfm模型）

大家好！今天让创意岭的小编来大家介绍下关于会员rfm分析成功案例的问题，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、用户体系搭建（二）——如何用RFM划定用户层级

• 2、数据分析方法3—RFM分析模型

• 3、RFM模型如何实际应用？

• 4、评估客户价值的三种模型：RFM、CLV、顾客社交价值模型

一、用户体系搭建（二）——如何用RFM划定用户层级

RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上RFM模型很多只是讲解了如何通过RFM解决和划定用户群体，但是很少有详细说明RFM模型的计算方式，本文讲解RFM模型的含义及应用以及如何使用SPSS计算RFM模型。

1、RFM模型概述

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 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。（摘自百度百科）

以上是百度百科对RFM模型的描述，说的比较复杂，简单的来讲RFM是通过统计用户最近购买时间（R），购买的次数（F），购买的金额（M）这三个维度来描述用户在群体中的位置。对于这三个维度的描述具体如下：

基于这三个维度，将每个维度分为高低两种情况，我们构建出了一个三维的坐标系。

通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。

2、RFM模型取数方法

根据RFM模型的定义，我们可以很容易的推导出，RFM模型的数据取数内容主要包括三个字段即：最近购买时间、最近购买次数、消费金额。但是在实际工作中也会有问题是我们要计算每个用户的购买时间、购买次数费事费力，所以一般也可以通过统计订单来进行计算。

当我们通过订单进行统计时需要包含以下字段

当我们准备好以上数据时就可以开始准备计算RFM模型

考虑不少人不是很了解SPSS，下面也将包含一些SPSS基础功能的讲解

1、设置度量标准

SPSS分为数据视图和变量视图，在开始前需要在变量视图中设置数据类型

SPSS中数据类型包括度量、名义、序号，

2、设置变量类型及宽度

变量类型是定义该变量是何种类，点击类型弹出变量类型选择弹窗

宽度定义变量的展示位数，对于Order_id、User_id等需要注意变量长度，让这两个字段完全展示。

另外对于，Create_time这一字段应选用日期这一类型并选择yyyy:mm:dd

我们可以直接将excel里的数据直接复制过来。

4、选择分析模型分析

Step1：选择分析模型

完成数据准备后选择 直销——RFM分析，不同汉化版本翻译可能稍有不同

Step2：选择数据格式

由于我们使用的是订单记录，所以我们选用交易数据

Stpe4:SPSS执行RFM分析

SPSS完成分析后，会生成一个新的数据文件，记录每个客户的最近一次交易日期、交易总次数、交易总金额、RS/FS/MS分值、RFM汇总分值。

RFM汇总分值=RS分值 100+FS分值 10+MS分值。

选用分析—描述统计——描述这一方法计算RS\FS\MS均值

最终可得如下结果

选择"重新编码为不同变量"，先对客户的RS进行高低转化。

依据上表，逐个设置各客户类型所对应的数据规则。

设置客户类型=1的数据规则，操作如下：

重复以上操作设定不同数据类型

最后将将客户类型编码1、2、3、4、5、6、7、8转换成实际客户类型：

最终，可得出如下结果

二、数据分析方法3—RFM分析模型

        对于一个新上线产品的前期运营，我们一般的做法都是做活动、上新品、蹭热点、做营销、不断地去拓展新的客户。但是这种做法收效却不容乐观，真正获取的用户没有几个，最终都便宜了羊毛党。其实客户在不同阶段的需求是不一样的，有的客户图便宜，有的客户看新品，有的客户重服务。所以我们想要运营好一个产品，就需要对客户精细化运营。

     精细化运营最经典的用户分群工具就是RFM模型，RFM模型是衡量用户价值和用户创新能力的经典工具，主要是由用户最近一次购买时间、消费频次、消费金额组成。

        RFM模型是衡量客户价值和客户潜在价值的重要工具和手段，RFM是Rencency（最近一次消费），Frequency（消费频率），Monetary（消费金额）组合而成，此模型对于运营、销售、财务、市场来说都比较重要。

R值（Recency）： 最近一次消费

        表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大，1年前消费过的用户肯定没有1月前消费过的用户价值大，是衡量用户价值的一个指标。

        基于R值的大小，可以看出上表中的客户2是最有价值的，客户3是最没有价值的，但是如果就此说明客户2是最有价值，而客户3是没有价值的是不成立的，对于客户价值我们不能仅看R值，还需要考虑F值和M值。这里我们只举出4个客户为例，但在真实的客户场景中，我们可以把客户按照周、月、季、年等维度的占比详细来观察出R的趋势变化。

F值（Frequency）： 消费频率

        消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，其价值比偶尔来一次的客户价值大

        基于F值的大小，可以看出客户4的价值最大，客户1的价值最小，但是如果考虑R值和M值就不能这样认为。其实客户对于产品的复购的核心因素是类目。有的类目产品复购率高（食品类）主要是食品属于易耗品，消耗周期短，购买的频率高，相对容易产生重复性购买。而有的类目产品复购率低（家电类），消耗周期长，购买频次低。建议在对F值进行统计时对于不同的类目要有相应的统计周期。

M值（Monetary）： 消费金额

消费金额是指用户在统计周期内消费的总金额，体现了消费者对于企业的价值。

        基于M值的大小，可以看出客户4的价值最高，客户1的价值最低，M值同上面的R值、F值类似，单一的值并不能说明客户的好坏，三者结合才能更好地精细化用户，对购买产品的用户合理的分隔，采用不同的机制去运营。

RFM模型的主观细分

        根据RFM模型值得大小对客户进行细分，如下表所示，将客户分为了8部分去运营，对于不同的细分人群采取不同的运营策略，在实际的应用场景中，店铺可以根据自己店铺的实际情况来细分人群，购买人群多的就分多个人群，购买人群少的就少分几个人群，具体的情况根据店铺来定。

RFM模型的量化细分

        上面的模型细分主要是根据RFM值的大小进行模糊的细分，而如果想要更细地对人群进行划分，就需要对RFM进行量化处理，一般采用的方式有

1、根据经验定义权重

RFM值=a*R值+b*F值+c*M值

对于其中的权重a,b,c则需要经验丰富的业务人员来判断

2、归一化处理

将RFM的值进行归一化处理，公式为

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是归一化处理过后的值

3、AHP层次分析得出权重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP层次分析得出的权向量值

具体参考链接

最终按照得出值的大小进行人群细分，得出不同的人群

三、RFM模型如何实际应用？

这是一个人人都可以上手的模型，不管你是运营、销售、财务、市场等等，RFM模型是一个很通用，又有一套科学理论的商业模型。这是一篇我花了五小时的教程（真的是写到崩溃，幸好我熬下来了，给大家分享实实在在可上手的干货）数据源准备只需四个字段：客户名称、交易日期、交易次数/频率、交易金额。如果你手头刚好有这样的数据源不妨试试做这个模型吧。下面三页是介绍什么是RFM，后面是全部的实操教程，Tableau和Excel通用操作，我保证你看了能立马上手。如何通过订单数据，分析用户的基本属性用户的订单上都有订餐地址，通过对于订餐地址的统计，我们可以查询到不同条件组合下的用户分布，甚至能知道喜欢谋道菜的用户都在哪里。举个简单的例子，下图表示的是普通可乐和健怡可乐的用户分布，类似的用户数据挖掘，还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。值得注意的是，数据平台间的差异还是蛮大的，除了跨平台分析也需要分平台对比，有利于针对不同平台做出不同的营销策略。上面这些最基本的用户属性对于精细化运营还是不够的。因为这些信息无法帮助你解决下面四个问题——

1.谁是我的重要价值客户，他们都有什么特点。

2.谁是我需要重点保持联系的客户，他们都有什么特点。

3.谁是我的重要发展客户，他们都有什么特点。

4.谁是我的重要挽留客户，他们都有什么特点。想要解答这个问题，我们需要动用更高阶的分析模型，去挖掘有效信息。如何通过RFM模型，为用户分群，实现精细化运营RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：R = Recency最近一次消费F = Frequency 消费频率M = Monetary 消费金额需要详细了解以上三个指标定义的，可以去戳度娘，教科书式的RFM区分，会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销。

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。

以上就是关于会员rfm分析成功案例相关问题的回答。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：

会员排行榜（会员排行榜根据什么排名）

百度网盘超级会员一天（网盘哪个好用永久免费）

抖趣的会员怎么退（抖趣的会员怎么退掉）

华为全内存快照与一致性快照（华为全内存快照与一致性快照哪个好）

小红书高清视频怎么上传（小红书高清视频怎么上传抖音）