rfm模型重要价值客户

大家好！今天让创意岭的小编来大家介绍下关于rfm模型重要价值客户的问题，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、如何分析RFM模型才能最有效，才能真正起到精细化运营的作用？

• 3、用户价值分层——基于RFM模型的研究分析

• 4、基于RFM模型的客户分群和K-Means聚类分析

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、如何分析RFM模型才能最有效，才能真正起到精细化运营的作用？

举一个互联网餐饮的例子~来证明如何分析RFM模型：

如何通过外卖订单数据，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，甚至能知道喜欢某道菜的用户都在哪里。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，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？

2.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，百度会将维度再细分出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……显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个唯独做一次两分即可，这样在3个维度上我们依然得到了8组用户。

重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！

重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。

重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。

重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。

3.如何在BDP个人版上建立RFM模型，帮助用户分群

这时候可能会有朋友问了，天啦，你这个三维模型，我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化，我们将R域切一块出来（即在近30天有复购的用户中做分析），压扁了就会看到。

上方的表示或许还是太学术了，简单的说

第一步：先挑出来近1个月的复购用户。

第二步：近1个月内复购用户的平均实付金额做纵轴。

第三步：近1个月内复购用户的购买次做横轴，生成表格。

第四步，你需要自己在这个表格上划红线。

横着的红线，代表着你认为来吃饭的客人平均每餐该花多少钱，我这里设定的值是25元，叫外卖25都没付到，对我而言是低消费金额（低M）用户。

竖着的红线，代表着你认为复购多少次的客人，是你的高频用户。外卖点餐流动率很大，一个用户每个月能在一家店点三次以上的菜，对我而言即是高频。

这样，BDP个人版上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢？举个例子

比如对圈用户群发短信转化只有不到1%时，你可以用RFM做个分析，只选取R值高的用户(最近2周到最近一个月内消费的用户），转化率可以由1%提升到10%。

这也意味着，以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信，得到100个订单，还是愿意花48元给800人发短信得到80个订单，相信大家一定会选后者。

而整体的RFM区分，则能够帮掌柜们针对不同的用户发不同的短信，短信的开头是用“好久不见”、还是用“恭喜你成为VIP”，就得看时重要保持客户还是重要价值用户了。只有能区分用户，才能走向精细化运营。

三、用户价值分层——基于RFM模型的研究分析

• R（Recency）：消费间隔，最近一次距离上次消费的时间间隔

• F（Frequency）：消费频次，一段时间（1个月/1年...）内的消费总次数

• M（Monetary）：消费金额，一段时间（1个月/1年...）内的消费总金额

      RFM模型是用户价值研究中的经典模型，基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。RFM作为一种数据驱动的客户细分技术，可帮助营销人员做出更明智的战略性决策，使营销人员能够快速识别用户并将其细分为同类群体，并针对性制定个性化的营销策略，提高用户的参与度和留存率。

      RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略（引导，唤醒等），提高复购率与转化率。值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，实际场景结合行业以及具体公司的特点进行因地制宜、因人而异的优化。

RFM因素：

• R值越高，顾客的有效期越近，对商家活动的响应越积极

• F值越高，顾客的消费频次越高，对商家的忠诚度就越高

• M值越高，顾客的消费能力越高，对商家贡献度就越高

• 想要提高复购率和留存率，需要时刻警惕R值

RFM分析：

• 谁是您最有价值的客户？

• 导致客户流失率增多的是哪些客户？

• 谁有潜力成为有价值的客户？

• 你的哪些客户可以保留?

• 您哪些客户最有可能对参与度活动做出响应？

• 谁是你不需要关注的无价值客户？

• 针对哪些客户制定哪种发展、保留、挽回策略？

      通过RFM模型，可以帮助营销人员实现客户细分；衡量客户价值和客户利润创收能力；识别优质客户；指定个性化的沟通和营销服务；为更多的营销决策提供有力支持。

数据导入：使用python的pandas.read_csv导入样本数据。

缺失值校验：因数据为生产真实的交易数据，质量相对较高，缺失值较低。

极值校验：第一份样本数据获取的用户订单实付金额，其中会存在优惠或补差支付，同时因就餐人数不一致，产生的的订单消费也会存在较大的差异，造成极致波动、标准差值较大，因此需对金额进行处理，以人均消费额替代订单支付金额，可去掉10元以下、万元以上的交易订单。

获取RFM值：使用 groupby获取RFM值

获取RFM评分值：数据离散，pandas.cut

实验数据RFM分值占比

说明：F、M分布不均匀，极值差异大，经数据探查知晓该商户开通了企业团餐业务，企业会给员工发放补贴，导致员工呈现较高的消费频次，该类用户的消费行为绝大程度依赖于企业，在实际的RFM模型可踢出此类订单，降低此类人群的分值，其次数据中的M值为客户实付金额，该商户支持预定、会餐、大小桌，同一单的消费群体不同，或可使用人均消费总额作为M值。

RFM数据合并，建立R、F、M数据框：pandas+numpy

计算RFM综合分值：权重法

权重值主要赋值方法可分为主观赋权法、客观赋权法，如下：

主观赋权法：主要由专家经验得到权数，然后对指标进行综合评价。是一种结合性方法，易操作，存在一定主观性。常用方法：层次分析法AHP、权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法等。

客观赋权法：依据历史数据研究指标之间的相关关系或指标与评估结果的影响关系来综合评价。这是定量研究，无须考虑决策者主观意愿和业务经验，计算方法较为复杂。常用方法：主成分分析、因子分析、熵值法、变异系数法、均方差法、回归分析法等。

因样本数据分布不均匀，故手动赋权重值，去除部分极值。

结论：以近90天的消费活跃来看，用户消费频次集中在1-6次，呈现出极佳的复购率。可以针对消费一次的人群进行特征分析。比如针对人群的流动性，若流动人群占比较大，可进一步推广特色菜吸引客户，若周边人群占比较高，可基于复购人群的特征进行分析，同时平台可提供该类人群近期消费偏好，供商家参考，制定针对性方案。

      了解RFM定义后，将3个指标作为坐标系的XYZ坐标轴，从空间上切割成8类，作为用户的价值分层，如下图：

用户价值分层说明：

上面我们已经计算得到各个用户的RFM分值，接下来要依据分值进行分类。

定义RFM 的分值等级

使用pyecharts绘制玫瑰图：

结论：商家顾客表现出来的忠诚度较高，但新客获取能力较低。但是单纯看分层占比，并没有实际意义，可以基于价值分层与其他特征关联分析进行精准投放。如下图（网络参考图，本期实验并未涉及其他特征）所示：

      用户画像是基于用户信息与行为衍生出来的特征属性，用户的准入信息是用户的主观特征，是一种既定的事实，通过对用户行为的采集、研究，刻画出单个用户的特征。其意义在于基于某一事物对群里特征进行分类，有效的体现事物的合适人群；同时针对群里特征的偏爱、习惯研究，可以刻画出用户的需求，实现精准化营销。

      用户画像的基础成分来源于用户的准入信息（会员注册时的登记信息），更多的特征数据来源于用户的各类行为，而RFM模型便是基于用户消费行为提炼出来的价值指标。通过对各个价值分层的群体特征研究，可以有效提升获客能力以及针对各类人群实现精准化营销。

      市场和运营往往绞尽脑汁做活动、上新品、蹭热点、做营销，拓渠道，不断开发客户、做回访维系客户感情，除了少数运气好的之外，但大多效果寥寥，这是为何？

      经验丰富的营销人员都知道“了解客户”和“客户细分”的重要性。营销人员不仅要着眼于创造更多的访问量和点击量以提高客户获取，还必须遵循从提高点击率（CTR）转变为提高保留，忠诚度并建立客户关系的新范式。与其将整个客户群作为一个整体进行分析，不如将其划分为同类群体，了解每个群体的特征，并使他们参与相关的活动，而不是仅根据客户年龄或地理位置进行客户细分。而RFM分析是市场营销人员分析客户行为的最流行、最简单、最有效的客户细分方法之一。

针对RFM分层用户制定相应的营销策略:

      • 重要价值客户是您的最佳客户，他们是那些最新购买，最常购买，并且花费最多的消费者。提供VIP服务和个性化服务，奖励这些客户，他们可以成为新产品的早期采用者，并有助于提升您的品牌。

      • 重要发展客户：近期客户，消费金额高，但平均频率不太高，忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。

      • 重要保持客户：经常购买、花费巨大，但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接，并提供续订和有用的产品以鼓励再次购买。

      • 重要挽回客户：曾经光顾，消费金额大，购买频率低，但最近没有光顾的顾客。设计召回策略，通过相关的促销活动或续订带回他们，并进行调查以找出问题所在，避免将其输给竞争对手。

      •一般价值客户：最近购买，消费频次高但消费金额低的客户，需要努力提高其客单价，提供产品优惠以吸引他们。

      • 一般发展客户：最近购买，但消费金额和频次都不高的客户。可提供免费试用以提高客户兴趣，提高其对品牌的满意度。

      • 一般保持客户：很久未购买，消费频次虽高但金额不高的客户。可以提供积分制，各种优惠和打折服务，改变宣传方向和策略与他们重新联系，而采用公平对待方式是最佳。

      • 一般挽留客户：RFM值都很低的客户。针对这类客户可以对其减少营销和服务预算或直接放弃。

      此外，目前的RFM分析中，一般给与M值更高的权重，如果一般挽留客户与一般发展客户占据多数，说明公司的用户结构不是很合理，需要尽快采取措施进行优化。

四、基于RFM模型的客户分群和K-Means聚类分析

数据源是来自Kaggle的一个跨国数据集，其中包含2010年12月12日至2011年12月9日期间发生的所有在英国注册的非商店在线零售业务的交易。该公司主要销售独特的全场礼品，并且大部分客户是批发商。分析目的是按照RFM模型对客户进行分级，以用户的实际购买行为数据作为基础，进行用户群体的划分，再基于不同分类信息，分解成不同群体针对运营，从而使企业能更有效的获取客户、使客户更加满意、留住客户成为高价值客户、避免客户流失。

数据一览

数据形状为：542k 行x 8列，8个字段分别为发票号，发票日期，商品码，商品描述，数量，单价，顾客ID，国家。

R(Recency): 表示客户最近一次购买的时间距离现在有多远

F(Frequency): 表示用户在定义时间段内购买产品或服务的次数

M(Monetary): 表示用户在定义时间段内购买产品或服务的金额

按照每个指标取值不同分为八类客户，包括重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户、一般挽留客户等八类用户

0.计算每单的总价，添加Amount列。查看整体数据情况，发现描述和顾客ID列有缺失值，顾客ID类型为浮点型不符合业务逻辑

8.求出每位顾客在时间周期内消费次数，得到F值，（数据源中一个订单会包含多种产品，但是每种产品订单都会产生一条记录，注意去重）

9.表合并

df_data=pd.merge(df_f_2,df_f_3,on='InvoiceNo',how='left')

11.对得到三个指标进行分区，映射级别

按照RFM分值对顾客分类

2.客户消费情况

3.每个指标的分布情况

综上确定聚类K值为3

用K-Means进行无监督聚类后，可以看出整体分为三类，与RFM模型分类结果较为相似，可以重点关注偏离集群的几个点，以及蓝色类别中出现的几个红色类别数据，这部分与RFM模型的差异可能是由于RFM模型判断时间的主观性造成的，在实际建模的过程中需要再考虑一下RFM的分级条件。

以上就是关于rfm模型重要价值客户相关问题的回答。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模型应用

rfm指标内容（rfm模型是什么）

杭州春节旅游攻略自由行（杭州春节旅游攻略自由行最佳路线）

阜阳北路高架景观设计（阜阳北路高架景观设计公司）