RFM客户价值模型（RFM客户价值模型实验报告）

大家好！今天让创意岭的小编来大家介绍下关于RFM客户价值模型的问题，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、RFM模型分析与客户细分

• 2、《数据分析与挖掘实战》笔记之-航空公司客户价值分析（1）

• 3、基于RFM模型用户价值分析（K-Means聚类）

• 4、rfm怎么计算

一、RFM模型分析与客户细分

RFM模型分析与客户细分

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。

RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间(日期格式)、购买金额，用数据挖掘软件处理，加权(考虑权重)得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销!

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。

本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT

因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。

先说说对海量数据挖掘和数据处理的一点体会：(仅指个人电脑操作平台而言)

一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储;如果客户不告知，你大概是不知道有多少记录和字段的;

Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足

海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵;

数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作;

多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数据分隔符采用“|”存储;

如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制;

数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧;

每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈!

传统RFM分析转换为电信业务RFM分析主要思考：

这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集(实际上有六个月的数据)，我们们先用IBM Modeler软件构建一个分析流：

数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录!

我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Frequency)、M (Monetary);

接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理;

现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。

传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群;

另外：RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。

我们可以将得到的数据导入到Tableau软件进行描述性分析：(数据挖掘软件在描述性和制表输出方面非常弱智，哈哈)

我们也可以进行不同块的对比分析：均值分析、块类别分析等等

这时候我们就可以看出Tableau可视化工具的方便性

接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：Kohonen、K-means和Two-step算法：

这时候我们要考虑是直接用R(Recency)、F(Frequency)、M (Monetary)三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行标准化，例如：Z得分(实际情况可以选择线性插值法，比较法，对标法等标准化)!另外一个考虑：就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同!

有资料研究表明：对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重;

这里我们采用加权方法：WR=2 WF=3 WM=5的简单加权法(实际情况需要专家或营销人员测定);具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想!

下图是采用快速聚类的结果：

以及kohonen神经算法的聚类结果：

接下来我们要识别聚类结果的意义和类分析：这里我们可以采用C5.0规则来识别不同聚类的特征：

其中Two-step两阶段聚类特征图：

采用评估分析节点对C5.0规则的模型识别能力进行判断：

结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件!

输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势!结合RFM模型魔方块的分类识别客户类型：通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别;(有可能某个级别不存在);

另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平;

至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束!如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作!

二、《数据分析与挖掘实战》笔记之-航空公司客户价值分析（1）

《数据分析与挖掘实战》笔记之-航空公司客户价值分析（1）

面对激烈的市场竞争，各个航空公司都推出更优惠的营销方式来吸引更多的客户，国内某航空公司面临旅客流失、竞争力下降和航空资源未充分利用等经营危机

案例目标：识别客户价值，通过航空公司客户数据识别不同价值的客户

为了区分无价值客户、高价值客户，企业针对不同价值的客户制定优化的个性化服务方案，并制定相应的营销策略，将有限的营销资源集中于高价值客户，对不同的客户提供个性化的客户服务，实现企业的利润最大化目标

分析客户的价值首先想到的是RFM模型，那什么是RFM模型呢？

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（最近消费时间间隔（Recency）、消费频率（Frequency）和消费金额（Monetary））来描述该客户的价值状况，从而识别出高价值的客户；

但是RFM 模型并不适用所有的场景：

比如航空票价受到运输距离、舱位等级等多种因素影响，例如：一位购买长航线、低等级舱位票的旅客与一位购买短航线、高等级舱的旅客相比，后者对于航空公司的价值可能更高，因此若用RFM模型去分析航空公司客户，得出的结果一定是不准确的

根据航空公司的业务设计对应的分析模型：

我们选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位对应的折扣系数的平均值C两个指标代替消费金额，考虑航空公司会员入会时间的长短在一定长度上影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一指标

书中将客户关系长度L、消费时间间隔R、消费频率F、飞行里程M和折扣系数的平均值C五个指标作为航空公司识别客户价值指标 记做 LRFMC 模型

航空公司 LRFMC 模型

L：会员入会时间距观测窗口结束时间的月数

R：客户最近一次乘坐公司飞机距观测窗口结束的月数

F：客户在观测窗口内乘坐公司飞机的次数

M：客户在观测窗口内累计的飞行里程

C: 客户在观测窗口内乘坐舱位所对应的折扣系数的平均值

本案例采取聚类的方法识别客户价值，通过对航空公司客户价值的LRFMC模型的五个指标进行K-Means聚类，从而识别出最有的价值的客户

1）从航空公司数据源中进行选择性抽取与新增数据抽取分别形成历史数据和增量数据

2）对步骤1中的数据集进行数据探索分析与预处理，包括数据缺失值与异常值的探索分析，数据的属性规约、清洗和变换

3）利用步骤2中形成的已完成数据预处理的建模数据，基于旅客价值LRFMC模型进行客户分群，对各个客户群进行特征分析，识别出有价值的客户

4）针对模型结果得到不同价值的客户，采取不同的营销手段，提供定制化的服务

未完待续......

三、基于RFM模型用户价值分析（K-Means聚类）

本次分析数据来源CDNow网站的用户在1997年1月1日至1998年6月30日期间内购买CD订单明细，对订单明细进行RFM模型的K-Means 聚类分析并提出运营策略建议

-- 每个数据一共4列，分别是用户ID、订单时间、订单数量、订单金额，数据类型都是数值型

-- 删除255个重复值

-- 共有80个，订单数均为1，可能是未付款订单或免费活动，没有明显价值，可以剔除

-- 数据集的时间在1997-01-01到1998-06-30日，因此将此次观察日期定义为1998年6月30日

RFM模型的定义：R为最近一次下单时间，F为购买频次，M为购买金额。提取所需要的字段信息：

-- 完成数据预处理

利用K-means算法对客户进行聚类

结合业务，分析客户特征，分析客户价值

-- 在K=4、5的时候SSE曲线趋于平缓，再用轮廓系数看一下

-- 选择最高点K=4进行聚类

R：最近消费时间 F：消费频次 M：消费金额

经分析，把客户群体分为以下4类：

第1类人群：占比28.73%，RMF三个值都比较低，属于低价值用户

第2类人群：占比3.6%，F和M较高，R低，属于重要保持用户

第3类人群：占比67.52%（最多），R值较高，属于一般发展用户

第4类人群：只有22人，F和M特别高，R低，属于高价值的重要保持用户

用户特点及策略：

（1）重要保持用户：

消费次数（F）和消费金额（M）高，最近消费时间（R）低

是公司的高价值用户，对公司贡献最大，所占比例小，主要目标是促进提高满意度，延长用户生命周期。可采取个性化营销，如设计VIP服务、提供高质量产品、与客户互动了解情况等，促进用户回流。

（2）重要发展用户： 消费次数（F）和消费金额（M）低，最近消费时间（R）高

此类客户当前价值不高，但是所在比例最大，有发展潜力，主要目标是提升其购买频次和金额，可采取交叉销售、个性化推荐、组合优惠券等策略，提升单次购买的订单金额及促进重复购买。

（3）低价值用户：

消费次数（F）、消费金额（M）和最近消费时间（R）三个值都低

此类用户优先级最低，可能在打折促销、打造爆款时会进行购买。

小结： 各类别用户都明显出现R值低的情况，说明用户留存较低，结合业务场景（CDNow在线CD零售平台），属于用户消费频次高的场景，应引起重视，找到产品问题，提高用户留存，培养用户忠诚度

四、rfm怎么计算

rfm模型是基于客户行为的消费分析模型，它通过客户的最近一次消费时间、客户消费的频率和客户消费的金额来评估客户价值。具体来说，它由以下三个维度组成：

1）R（Recency）：最近一次消费的时间，可以帮助企业分析客户的最新消费行为；

2）F（Frequency）：消费的频率，可以帮助企业发现客户的消费习惯；

3）M（Monetary）：消费的金额，可以帮助企业了解客户的消费能力。

通过计算上述三个维度，可以给每一位客户打分，从而实现对客户价值的分级，以便合理地安排客户营销策略。

以上就是关于RFM客户价值模型相关问题的回答。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：

xrd是什么意思（xrf是什么意思）

aso高rf正常说明什么问题（aso和rf升高临床意义）

paper免费查重入口官网（paperfree免费查重入口官网）

世界十大排名动画（世界十大排名动画电影）

山东阳台垂直绿化景观设计（山东阳台垂直绿化景观设计图）