rfm指标内容（rfm模型是什么）

大家好！今天让创意岭的小编来大家介绍下关于rfm指标内容的问题，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、会员系统RFM数据分析模型的什么是RFM数据分析模型

• 2、用户分层-RFM分层方法论

• 3、RFM模型对应的特征在本案例中是什么?

• 4、SQL建立RFM模型指标的两种方法对比

一、会员系统RFM数据分析模型的什么是RFM数据分析模型

RFM 模型是会员管理领域里的一种会员消费行为分析模型， 其中R近度(Recency） 代表最近购买时间，指上次购买至现在的时间间隔； F 频度(Frequency)代表购买频率，指的是某一期间内购买的次数；M额度(Monetary) 代表总购买金额，指的是某一期间内购买商品的金额。

RFM模型在反映会员购买偏好方面具有良好的表征性。

经过研究发现 R值越小，会员越有可能与企业达成新的交易。 F值越大，会员越有可能与企业达成新的交易。 M值越大，会员越有可能与企业达成新的交易。 RFM 模型在反映会员价值方面同样具有良好的表征性，它是衡量会员价值和会员创利能力的重要工具和手段。一卡易将该模型成功应用于会员系统中，通过一个会员的近期购买行为、购买的总频率以及购买的总金额等3项指标来描述该会员的价值状况。如果与该会员打交道的时间足够长，也能够较为精确地判断该会员的长期价值（ 甚至是终身价值），通过改善3项指标的状况，从而为更多的营销决策提供支持。 连锁会员系统的‘统计分析’模块运用RFM模型做出‘会员RFM’，帮助使用者来了解会员的消费行为和消费的意向。

二、用户分层-RFM分层方法论

我们都知道，所有的运营工作都是围绕着用户展开的。运营策略从某种程度来说，就是资源对用户的有效分配。那么，知道什么用户应该制定什么样的运营策略，就尤为重要了，而这就要依赖于我们的用户分层了。

在运营过程中，用户分层的作用很明显，它能 帮助我们把用户分成各个层次和群体，然后我们根据各个层次和群体的不同，才能有的放矢的制定出更精准、更有针对性的运营策略。

我们在运营工作中，经常会听到“用户画像”、“用户分层”、“用户分群”这几个词，貌似有些类似特别是后面两个，但如果严格说的话，还是有区别的。

本篇准确地说应该是包括了“用户分层+用户分群”，这里就统称为用户分层了。而本篇我们也会通过一个实例，用一张Excel表作为工具，从零开始一步一步的完成一次用户分层过程。

关于用户分层，我们需先明白以下几点：

一、用户分层在不同的行业中是不一样的，而且可能是多样化的。

比如滴滴打车，用软件打车的人是一种用户；司机也是一种用户；广告商也是一种用户。如果要做用户分层的话，就需要对这三种类型的用户分别做一套不同的用户分层体系。

二、用户分层在产品发展的不同阶段会有不同的变化。

比如我们区分价值用户和一般用户，

初期我们产品少，一个月买2次化200元钱可能就是我们的价值用户了。

随着公司的发展我们产品的不断增多，需要一个月买10次化5000元才有能算是我们的价值用户了。

三、用户分层需要定性和定量

如上面的例子一样，我们需要对用户有一个定性的过程，如价值用户、一般用户，或者VIP，超级VIP等等；然后必须要对此进行定量，比如消费多少金额才能算价值用户。

那么如何用科学化的手段进行一次用户分析，以确定各用户群体的行为特征，完成一次用户分层的过程，就必须要说到经典的RFM用户模型了。如下图：

RFM模型历史悠久，其理论知识这里就不阐述了，简单的说就是通过 最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个指标 ，然后把每个指标按照实际的情况，分成5档，一共形成了125类的用户。然后为了执行方便，把125类的用户归纳成8大类， 如下图 ，最后根据这8大类用户的情况制定运营策略。

这里要说明的一点是，RFM模型不是互联网时代的产物，事实上在传统行业里也用的很广，所以其指标主要针对的是付费用户。 如果我们的互联网产品用户人群是免费用户，一样可以用这个RFM模型并使用它的方法 ，只是指标换成了 最后一次登录、登录频率、产品使用时间。

接下来我们就用实例来操作一遍：

我们现在手上有500份付费用户数据，包含（用户、最后一次消费时间间隔、消费频率、消费金额）四个字段，我们如何进行用户分层并制定有效运营策略呢？

第一步：我们把数据导入或粘贴到Excel当中，再原有的4个表头基础上，再增加R值、F值、M值三个表头。做好这样一张Excel表，如下图：

（此处只选10条数据做实例）

第二步：分别确定好RFM这三个指标五档的标准。

这是比较难的一步，因为不同的行业不同的产品不同的阶段都有不同的划分标准。比如消费金额，1000个用户里面，最低1元，最高10000元。大部分情况下，20%的用户占据了80%的金额，而80%的用户占了20%的金额，是一个长尾的分布效果。所以我们不能简单的用最高金额/5，或者用户总数/5的平均分法，这样分出来的结果不能代表一个拥有类似行为表现的群体。

这个主要还是依靠大家在本身各自行业中的理解和实际场景需求来确定了。 当然，如果我们实在没有什么头绪的话，我们可以 通过散点图大致分辨一下 ，如下图：

大家可以看到，通过散点图，我们可以比较直观的看清用户的分布（上图为用户的消费金额分布）。 我们去分档的时候就尽可能的将密集的一部分分在一起，这样，该档用户群体的行为共性也就更大一点。

需要说明的是，这不是一个很严谨的分法，需要大家在实际过程中进行不断的调整。而如果我们面临海量数据的时候，最好是通过聚类算法等技术手段，才能更加科学精准的帮助我们进行判断。

以本例来说，我们最后定下了RFM各个指标下的五个分档标准。如图：

第三步：分别计算出每条记录的R、F、M值。

我们通过在Excel里面加入if判断，自动计算出该记录对应的R、F、M值，比如我们RFM分层表中，0001用户对应的R值，

即单元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我们来解释一下这条if判断语句：

同样的算法，我们写出计算每一条记录F值和M值的判断条件。

然后，我们把Excel的单元格往下拉，最后形成这样的图：

第四步：分别算出总的R、F、M的平均值。

这一步比较简单，我们以上全部算完之后，再最下面增加一行，用AVERAGE（）计算出以上所有行数的平均值。如图：

第五步：根据每条记录的R、F、M值和所有记录的平均值，判断出每条记录的R、F、M值是在平均值之上，还是平均值之下。

首选，我们先增加三个表头，如图：

然后，我们用每一条记录的R值来R的平均值进行比较，如果<平均值则显示“低”，如果大于等于则显示“高”。

我们还是用If判断语句进行自动判断，以上图为例，用户0001的“R高低值”即：

这样，我们就变成了下图：

这个时候，我们发现了一个问题，当我们把单元格往下拉的时候，E3固然变成了E4，但E13也变成了E14，由于E13是一个固定格子的数字，我们不希望它随着单元格的下拉而改变。我们就需要在if语句中在E13两边加上“$”这个符号了。

如下：

同时，为了更直观，我们设置一个条件格式，若文本中含有“高”则背景色为红色，若含有“低”则背景色为绿色。这时候再往下拖一下单元格，就变成这样拉，如图：

第六步：根据比较值，进行八大类的归类。

接下来，我们就要根据我们的“R高低值”“F高低值”“M高低值”，自动计算出我们的用户层级拉。我们先加个表头“用户层级”。

这一次，我们要写一串稍微长一点的IF判断语句，如下：

本文所写的都是在Excel里面的IF判断语句，建议大家能够自己写一下，不想写或写不出也没关系，直接保存好上面的if语句Copy一下直接用就行了（修改一下单元格的序号就可以了）。

最后，如下图：

当然，我们还可以在用户层级的表头上加上“筛选”功能，可以直接搜索到我们需要的那些用户。大家也可以通过不同的颜色来区分不同的用户层级，这个就自由发挥拉。

好了，到这里，我们就已经通过用一张Excel表，完成了一次用户分层的全过程。 这张表最后的效果是，就像一个程序一样，我们任意输入三个RFM数字，表格将自动会跳出这个用户的层级。 大家保存好这张excel表，以后用起来套一下就可以了，效率是相当快的。大家可以尝试自己从头做一遍，若有需要的话可在留言区留下邮箱，我会发送给大家。

完成后上面六步之后，我们已经得到了完成用户分层之后的所有用户记录，这时我们需要做成图表的形式，开个会、做个汇报啥的，如下图：

回到我们上面说的，做用户分层的目的是为了有的放矢的制定出更精准、更有针对性的运营策略。所以，我们最终我们还是回到制定运营策略上来。我们的例子可参考下图：

再接下来要如何具体实施和执行，就不在本篇文章的范畴里了。

用户分层是运营过程中非常重要的一个环节，快速的进行用户分层也是我们必备的一个方法。我们把用户分的层，其实用户本身是不知道的。如果我们分一个层级让用户知道，不仅知道而且还非常喜欢，以此来不断引导用户进行自我层级的上升。

三、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。

四、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

以上就是关于rfm指标内容相关问题的回答。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：

RFM模型的理解

RFM模型

xrf检测（xrf检测仪器）

抗日战争红色文化景观设计（抗日战争红色文化景观设计图片）

中国最顶尖的广告公司（著名广告策划公司）_1