rfm最简单的计算（rfm值计算公式）

大家好！今天让创意岭的小编来大家介绍下关于rfm最简单的计算的问题，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、大家好！我是车行CRM部的工作人员现在主管RFM客户流失这个模块，请求高人指点，怎样计算客户流失率？

• 2、SQL建立RFM模型指标的两种方法对比

• 3、身高体重标准计算公式

• 4、基于RFM模型的用户分类及精细化运营（附实例）

一、大家好！我是车行CRM部的工作人员现在主管RFM客户流失这个模块，请求高人指点，怎样计算客户流失率？

第N月的用户流失率=1-第（N-6）月进站用户在第N、N-1、N-2、N-3、N-4、N-5月回站总数/第（N-6）月进站用户数×100%

、例：某4S店2011年2月份客户流失率

通俗的说就是：2010年8月份进站的用户数（非进站台次，因有可能一个用户一个月会几次进站），在2010年9、10、11、12以及2011年1、2月是否有回站，只要有回就算回站了，不管回来几次，这样就没有流失了。假设2010年8月4S进站的用户数为100个，后六个月这100个用户回来88个，那回站率为88%，1-回站率等于流失率为12%，所以该4S店客户流失率为12%。

二、SQL建立RFM模型指标的两种方法对比

本笔记将利用sql语言构建RFM模型，将会有两种办法对用户进行分类。

第一种方法是基于有明确业务指标计算RFM分值。

第二种是按二八定律设定阀值。

首先看看RFM模型是什么？

R值:Rencency(最近一次消费) 指的是用户在店铺最近一次购买时间距离分析点的时间间隔;

F值:Frequency(消费频率) 指的是是用户在固定时间内的购买次数;

M值:Monetary(消费金额) 指的是一段时间(通常是1年)内的消费金额;

根据三个值的高低之分，会得出8种类型的客户；

一般每个指标都会有1，2，3，4，5分的分值标准，此指标一般根据具体业务需求进行设置；

如：

然后根据以上标准对用户进行打分，并会求得各指标均值，进行比较，大于均值为高，少于均值为低。

接下来按照此标准用sql执行。

首先我们导入相关数据，并去重数据放进新表 temp_trade；

由于时间关系，以导入如下数据，期间利用

SET date_time = STR_TO_DATE(time,'%Y-%m-%d %H');

set dates=date(date_time);

这两个函数对原表（红框）日期进行处理；

再检查一下关键字段有无缺失值

查询后得出并无缺失。

再检查一下用户行为是否有1、2、3、4以外的异常值；

查询结果无异常值；

-- 建新表，放进 去重后的 数据

create table temp_trade like o_retailers_trade_user;

insert into temp_trade select distinct * from o_retailers_trade_user;

SELECT user_id , max(dates) AS 最近一次消费时间

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消费时间 desc

CREATE VIEW r_clevel AS

SELECT user_id , 最近一次消费时间 , DATEDIFF('2019-12-19',最近一次消费时间) AS 相差天数,

(CASE

WHEN DATEDIFF('2019-12-19',最近一次消费时间)<=2 THEN 5

WHEN DATEDIFF('2019-12-19',最近一次消费时间)<=4 THEN 4

WHEN DATEDIFF('2019-12-19',最近一次消费时间)<=6 THEN 3

WHEN DATEDIFF('2019-12-19',最近一次消费时间)<=8 THEN 2

ELSE

1 END )AS R分值

FROM

(

SELECT user_id , max(dates) AS 最近一次消费时间

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消费时间 desc

)a

SELECT user_id , COUNT(user_id) AS 购买频次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 购买频次 desc

CREATE VIEW f_clevel AS

SELECT user_id , 购买频次 ,

(CASE

WHEN 购买频次<=2 THEN 1

WHEN 购买频次<=4 THEN 2

WHEN 购买频次<=6 THEN 3

WHEN 购买频次<=8 THEN 4

ELSE 5 END )AS F分值

FROM

(

SELECT user_id , COUNT(user_id) AS 购买频次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

)a

-- 1.R平均值

SELECT avg(R分值) as 'r_avg' FROM r_clevel;

-- 2.F平均值

select avg(F分值) as 'f_avg' from f_clevel;

create view RFM_table

as

select a.*,b.分值,

(case

when a.分值>2.5515 and b.分值>2.2606 then '重要高价值客户' when a.分值<2.5515 and b.分值>2.2606 then '重要唤回客户'

when a.分值>2.5515 and b.分值<2.2606 then '重要深耕客户' when a.分值<2.5515 and b.分值<2.2606 then '重要挽留客户' END

) as user_class

from r_clevel a, f_clevel b

where a.user_id=b.user_id;

SELECT user_class , COUNT(user_class)AS 数量

FROM

RFM_table

GROUP BY user_class

SELECT COUNT(DISTINCT user_id) AS 购买用户数

FROM

temp_trade

WHERE behavior_type='2'

SELECT

相差天数

FROM

(

SELECT user_id , 最近一次消费时间 , DATEDIFF('2019-12-19',最近一次消费时间) AS 相差天数

FROM

(

SELECT user_id , max(dates) AS 最近一次消费时间

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消费时间 desc

)a

ORDER BY 相差天数 DESC

)b

LIMIT 32,1

SELECT

购买频次

FROM

(

SELECT user_id , 购买频次

FROM

(

SELECT user_id , COUNT(user_id) AS 购买频次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 购买频次 DESC

)a

)b

LIMIT 32,1

CREATE VIEW RF_TABLE AS

SELECT user_id , 最近一次消费时间 , DATEDIFF('2019-12-19',最近一次消费时间) AS 相差天数,购买频次

FROM

(

SELECT user_id , max(dates) AS 最近一次消费时间 , COUNT(user_id) AS 购买频次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id)a

select user_id,

(case

when 相差天数<=19 and 购买频次>=7 then '重要高价值客户' when 相差天数>19 and 购买频次>=7 then '重要唤回客户'

when 相差天数<=19 and 购买频次<7 then '重要深耕客户' when 相差天数>19 and 购买频次<7 then '重要挽留客户' END

) as user_class

from RF_TABLE ;

SELECT user_class , COUNT(user_class)AS 数量

FROM

(

select user_id,

(case

when 相差天数<=19 and 购买频次>=7 then '重要高价值客户' when 相差天数>19 and 购买频次>=7 then '重要唤回客户'

when 相差天数<=19 and 购买频次<7 then '重要深耕客户' when 相差天数>19 and 购买频次<7 then '重要挽留客户' END

) as user_class

from RF_TABLE

) a

GROUP BY user_class

三、身高体重标准计算公式

体重指数BMI＝体重／身高的平方（国际单位kg／㎡）。

理想体重（Kg）＝（18．5～23．9）×身高的平方（单位m）根据世界卫生组织定下的标准，亚洲人的BMI（体重指标BodyMassIndex）若高于22．9便属于过重。

亚洲人和欧美人属于不同人种，WHO的标准不是非常适合中国人的情况，为此制定了中国参考标准

身体质量指数是国际上常用的衡量人体肥胖程度和是否健康的重要标准，主要用于统计分析。肥胖程度的判断不能采用体重的绝对值，它天然与身高有关。因此，BMI通过人体体重和身高两个数值获得相对客观的参数，并用这个参数所处范围衡量身体质量。

扩展资料：

身体质量指数（BMI）通常被用来评估一个人的体重是否合适。但加州旧金山赛德斯－西奈医学中心的科学家们进行的一项研究发现了一种更科学的体脂指标—相对脂肪质量指数（RFM）。

长期以来，世界各地的专家都承认BMI并不完美。它没有考虑到性别差异（女性通常比男性有更多的体脂肪）；骨量、肌肉量和多余脂肪之间也没有区别，儿童和老年人的结果差别很大。长期以来，BMI一直是衡量人群肥胖程度的粗略指标。

研究人员利用美国疾病控制与预防中心健康与营养调查中心的1．2万名成年人的数据，得出了300多个估测体脂的公式，从而得出了RFM的计算方法。

参考资料：百度百科-BMI

四、基于RFM模型的用户分类及精细化运营（附实例）

​一、RFM模型简介

1、释义

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。

R：最近一次消费 (Recency)：代表用户距离当前最后一次消费的时间

F：消费频率 (Frequency)：用户在一段时间内，对产品的消费频次

M：消费金额 (Monetary)：代表用户的贡献价值

一般情况下，我们将R、F、M分别分五个维度打分，通过归一化打分之后，把用户所打分值与所有用户的总分均值作高低比较，再将R、F、M每个方向定义为：高、低，两个方向，如此可将用户分为2 2 2=8类，如下：

当我们将客户分类后，便可以针对性指定精细化运营策略，帮助大家了解完RFM模型后，我将用一个实例具体展示操作流程，以下实例以某玩家作品网站为例，爬取前十个网页共240个玩家作品的昵称、编号、点赞数、积分、上传日期时间等信息进行分析，具体流程如下：

1 数据爬取

2 数据清洗

3 数据分析

3.1 重新定义RFM

3.2 定义RFM打分标准

3.3 归一化打分

3.4 计算RFM均值

3.5 用户分类

3.6 统计与可视化

4 运营策略

1 数据爬取

2 数据清洗

3 数据分析

3.1 重新定义RFM

由于获取的是作品相关信息（获取信息有限），所以在此对RFM进行重新定义：

R：最近一次上传作品日期据今天几天；

F：作品数（用户最近一段时间内上传作品的数量）；

M：点赞数（用户最近一段时间内上传作品的点赞总数）

3.2 定义RFM打分标准

3.3 归一化打分

3.4 计算RFM均值

3.5 用户分类

将3.3与3.4比较得出用户分类

3.6 统计与可视化

4 运营策略

以上便是此次操作全过程，不当之处，还请指正，谢谢！

以上就是关于rfm最简单的计算相关问题的回答。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：

nerf射程排行榜（nerf枪射程排名）

rfm模型应用

paper免费查重入口官网（paperfree免费查重入口官网）

抖音集五福发怎么弄（抖音集五福在哪里弄2020）

杭州赚钱的路子（杭州有什么赚钱的路子）