运用RFM模型成功的案例（rfm模型概述及应用分析）

大家好！今天让创意岭的小编来大家介绍下关于运用RFM模型成功的案例的问题，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、数据分析方法3—RFM分析模型

• 2、电商销售数据分析案例(Oracle)

• 3、【分析方法or思维】RFM模型——用户价值分析

• 4、基于RFM模型用户价值分析（K-Means聚类）

一、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

二、电商销售数据分析案例(Oracle)

数据来源于Kaggle的电商数据集 The UCI Machine Learning Repository ，英国在线零售商在2010年12月1日到2011年12月9日的在线销售数据，该电商公司主要以销售各类礼品为主，多数客户都是批发商。

使用Oracle 对数据进行处理与清洗，通过RFM模型、复购率、消费生命周期等对用户维度进行分析，利用ABC分类、退货率等维度展开剖析，结合Excel图表进行可视化展示，为精准营销与个性化服务提供支持。

根据分析目的选择字段，数据集共8个字段，如果表格字段较多，视情根据分析目的的需要选择合适的字段。

创建备用表new_ecommerce，将旧表的数据去重添加进备用表。原有数据541909条， 去重后数据536641条，删除重复值5268条。

检查缺失值

CustomerID存在缺失值135037条，Description出现缺失值1454条。数据都很大，不可能全部删除。Description产品描述不是项目分析，不用处理。

在实际工作中，像CustomerID客户ID缺失，首先找业务部门或者数据来源部门确认信息并且补上。本项目只有单一数据，无法找到相关人员确认，暂且把NULL值替换为0。

5.1检查日期是否在范围内（2010年12月1日到2011年12月9日）

交易成功，销量不可能为负值或零值。如果销量为零或者负值情况，那么需要和业务/数据来源部门确认具体的原因。这里假设出现负值是客户退货情况。

检查发现交易销量小于0的发票编号大都是"C”开头的，有部分异常销量小于0但不是以"C"开头，这里做删除处理。

检查发现有单价为0的免费单，共计1174。暂且不分析免费单，直接删除免费单的数据。

检查发现两笔坏账，单价都是负值，故把它删除。

根据分析目的，我们处理InvoiceDate日期数据。这里只做日期分析，不分析小时分钟，故转换为日期格式。

根据分析目的，本次分析将采用RFM模型

在RFM模式中：

R：最近一次消费时间（最近一次消费到参考时间的间隔）

F：消费的频率(消费了多少次）

M：消费的金额 （总消费金额）

一般的分析型RFM强调以客户的行为来区分客户。

根据最近一次消费与客户数的分析结果显示最长的天数差是373天，最短0天；80%的客户在200天内都有交易记录，说明客户忠诚度不错。

分析显示，10次交易记录以内的客户占绝大部分，说明客户是很认可产品和服务。

在2010年12月1日到2011年12月9日期间，交易金额主要集中在 1000英镑以内和1000-3000英镑这两个范围内。

分析发现，该电商平台总交易客户数4372位。交易客户中，一般发展客户（可以说是新客户）最多，占总数的34%，其次是一般挽留客户(流失客户)29%，重要发展客户22%，重要价值客户10%，重要挽留客户5%和重要挽回客户0.16%。

每月新客数量及其占比

每月的新老客户的销售数量与销售金额

用户生命周期 = 最近一次购买时间 - 第一次购买时间

商品退货分析

结合ABC分类进行分析，选取退货率大于均值且为A级的商品（主要是综合上文提及的ABC分类和退货率计算，通过创建view的形式进行联结后筛选，创建退货率视图为view_return_rate，ABC分类视图为view_class），这里筛选出64个商品。

三、【分析方法or思维】RFM模型——用户价值分析

  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，模型主要是利用客户的最近一次消费（Recency）、总体消费频率（Fequency）以及消费全额（Monetary）3项指标来描述该客户的价值状况。 RFM代表近度，频率和额度，这些指标表征了客户的一些消费行为和习惯。频率和额度会影响客户的生命周期价值，新近度会影响保留率，而保留率是忠诚度的衡量标准。

   RFM是一种客户细分技术，用以帮助营销人员快速识别用户类型及群体分类，并帮助营销人员根据客户细分类型的共性、个性提供一定的营销策略。因而，RFM的最终成果是客户的分类及分类分析。

四、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

以上就是关于运用RFM模型成功的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：

如何运用室内景观设计（如何运用室内景观设计）

生活中常见的ai运用（生活中常见的ai运用方法）

云锦在景观设计中运用（云锦的艺术风格）

sem优化关键词技巧（关键词优化和sem推广有哪些操作技巧和注意事项-）

手机网页版qq（手机网页版qq邮箱怎么发文件）