rfm案例分析（rfm分析法应用案例）

大家好！今天让创意岭的小编来大家介绍下关于rfm案例分析的问题，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、浅谈RFM模型

• 2、电商销售数据分析案例(Oracle)

• 3、案例-基于KMeans的航空公司客户价值分析

• 4、用RFM模型划分用户等级

一、浅谈RFM模型

       个人理解中的RFM是为了研究用户（买家）的一个算法模型，身为产品从业者的我们都喜欢谈目标用户，而何谓目标用户，我们可以简单把他们归结为付费用户，也就是为我们产品带来收入的人群。而PM一项很重要的职能就是分析数据，根据单一用户的购物行为对其分析不仅要浪费大量的人力资源，浪费时间且不可行，而且若缺乏一套具体的算法模型也难以脱离个人主观性。而研究用户，洞察人性却又是PM的主要工作内容，在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。了解用户的行为感受是必不可少的职责，而RFM就是一种了解付费用户结构的基本方法。由于该模型设计到具体算法，网上大多数文献说得都比较复杂分散，而且存在重大歧义，如RFM中R值的概念Josh Bycer认为R值越大用户回购率越高，而真实情况未必如此。本文档主要是为了归纳汇总RFM模型的概念以及适用场景，以尽量直白的方式呈现给读者。奈何才疏学浅，许多地方未必正确，不足之处望指导。

R-Recency（近期）-最后一次购买是多久以前；R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F-Frequency（频率）-购买频率；F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M-Monetary（消费）-设定时间段内客户的总消费金额；M值越大，表示客户价值越高，反之则表示客户价值越低 。 这是衡量客户价值最重要的指标。

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？

根据三维图表，以RFM为XYZ轴，1代表高，0代表低

1.重要价值客户（111）：最近消费时间较短、消费频次和消费金额都较高。这是门店应该主要关注的VIP客户。

2.重要保持客户（011）：最近消费时间较长，消费频次和消费金额都较高。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。

3.重要发展客户（101）：最近消费时间较短、消费金额高，但消费频次较低。忠诚度不高，很有潜力的用户，必须重点发展。

4.重要挽留客户（001）：最近消费时间较长、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，应当吸引客户回流。

        RFM模型的最终目的是为了区别出有价值的用户在此基础上细分用户类型做到精准运营，实现效率最大化。RFM模型较为动态地显示了客户消费轮廓，这对个性化的沟通和服务提供了依据，根据用户群体、产品特性，产品的周期去改善三项指标的状况，从而为更多的营销决策提供支持。在RFM的分类基础上，去进行的基础维护运营，根据关键运营指标，选取重点需要优化的用户群体，进行差异化运营，从而刺激用户持续的消费、留存。RFM模型同时也能作为监控用户行为的有效工具，让管理者了解客户的行为从而反思现存的营销模式，为企业后续的发展方向做出战略性部署。

         RFM模型主要用于电商领域，但是我们也可以替换RFM相关的字段使其适用于互联网产品。作为CRM一个模块的RFM应用范围以及应用之广此处便不再展开。

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、案例-基于KMeans的航空公司客户价值分析

基于一份航空公司的数据，数据包含信息有客户基本信息、乘机信息、以及积分信息等详细数据，大约6万多条数据，依据末次飞行时间LAST_FLIGHT_DATE，以2020.3.31为结束时间，选取宽度为2年的时间段作为分析观测窗口。

数据中，客户乘机信息主要重点字段包含：

LOAD_TIME-观测结束时间

FLIGHT_COUNT-观测窗口内飞行次数

SUM_YR_1-观测窗口票价收入1

SUM_YR_2-观测窗口票价收入2

SEG_KM_SUM-观测窗口的总飞行公里数

LAST_FLIGHT_DATE-末次飞行日期

AVG_FLIGHT_COUNT-平均飞行次数

BEGIN_TO_FIRST-首次飞行日期

LAST_TO_END-最后一次乘机时间至观测窗口结束时长

AVG_INTERVAL-平均乘机时间间隔

MAX_INTERVAL-最大乘机间隔

客户基本信息主要重点字段包含：

MEMBER_NO-会员卡号

FFP_DATE-入会时间

FIRST_FLIGHT_DATE-第一次飞行日期

GENDER-性别

FFP_TIER-会员卡级别

WORK_CITY-工作地城市

WORK_PROVINCE-工作地省份

WORK_COUNTRY-工作地国家

AGE-年龄

积分信息主要重点字段包含：

BP_SUM-总基本积分

EP_SUM_YR_1-总基本积分1

EP_SUM_YR_2-总基本积分2

AVG_BP_SUM-平均积分

EXCHANGE_COUNT-积分兑换次数

avg_discount-平均折扣率

PY_Flight_Count-PY飞行次数

LY_Flight_Count-LY飞行次数

PY_BP_SUM-PY基本积分

LY_BP_SUM-LY基本积分

EP_SUM-总精英积分

Points_Sum-总累计积分

Point_NotFlight-非乘机的积分变动次数

1.借助航空公司客户数据，对客户进行分类；

2.对不同客户类别进行特征分类，比较不同客户群体的客户价值；

首先读取数据,观测下各字段数据类型，各自段空值情况。

探索性结果描述如下。

接下来分别从客户信息、乘机信息、积分信息等三个角度进行数据探索，寻找客户信息的分布规律。

绘制各年份会员入会人数直方图，接下来的思路是用到RFM客户价值分析模型。因此需要对数据进行初步探索。

提取不同级别会员的人数，画图。

了解会员的年龄分布状况。绘制会员年龄分布箱型图

选取最后一次乘机至结束的时长LAST_TO_END、客户乘机信息中的飞行次数FLIGHT_COUNT、总飞行公里数SEG_KM_SUM，进行探索分析，探索客户的乘机信息分布情况。

绘制各年份会员入会人数直方图。

绘制飞行次数分布图。

绘制飞行公里数分布箱型图。

客户信息属性之间存在相关性，选取入会时间、会员卡级别、客户年龄、飞行次数、总飞行公里数、最后一次乘机时间至观测窗口结束时长、积分兑换次数、总累计积分属性，通过相关系数矩阵与热力图分析各属性之间的相关性。

找出相关性系数air_dt_corr 。

画出相关性系数热力图。

在衡量客户价值的过程中，以广泛应用的RFM模型为基础，进行新的模型搭建。

从以上相关性关系图中可以看出客户属性之间存在相关性。因此，选取客户关系长度L、消费时间间隔R、消费频率F、飞行里程M、折扣系数C五个特征作为衡量客户价值的特征。

客户关系长度L：会员入会时间距离观测窗口结束的月数，数据表没有直接给出，需要用（LOAD_TIME-FFP_DATE）；

消费时间间隔R：LAST_TO_END，客户最近一次乘坐飞机距观测窗口结束的月数；

消费频率F：FLIGHT_COUNT，客户在观测窗口内乘坐飞机的次数；

飞行里程M：SEG_KM_SUM，客户在观测窗口内累计飞行的公里数；

折扣系数C：avg_discount，客户在观测窗口内乘坐舱位所对应的折扣系数的平均值；

在原有数据基础上进行属性选取。

属性选取之后,发现这些指标不在同一量级，为了接下来进行模型训练，需要先做数据标准化处理。

标准化数据的结果。

将上述数据进行K-Means聚类。找到各个聚集点的质心cluster_center。

最终质心如图。

图像结果呈现。

质心的分布状态。

画出雷达图也就是为各个客户群体划分界限。接下来需要根据业务特征下定义，评估每项指标的高中低界限在哪里，给每个客户贴标签。

例如：

客户群体1在特征C处的值最大，在特征F,M处的值最小，说明客户群体1偏好乘坐高级舱位。

客户群体2在特征F、M上的值最大，且在特征R上的值最小，说明客户群体2的会员频繁乘机，近期都有乘机记录。

客户群体3在R处的值相对最大，在特征L、F、M和C处的值都较小，说明客户群体3已经很久没有乘机记录，是入会时间短的低价值客户群。

客户群体4在所有特征值上都较小，且在特征L处最小，说明客户群体4属于新入会员较多的群体。

客户群体5在L处最大，在R处值最小，其他特征比较适中，说明客户群体5入会时间较长，飞行频率也较高，是有高价值的客户群。

四、用RFM模型划分用户等级

如何对用户进行等级分层，我们需要了解一个最常用的客户分类模型，那就是RFM模型。

RFM模型是在客户关系管理（CRM）分析模式中最受关注和应用的模型之一。它主要通过最近一次消费（recency）、消费频率（frequency）、消费金额（monetary）这三个维度的用户行为来对用户进行分层。RFM分别是这三个英文单词的首字母缩写。通过这一模型，企业可以动态地掌握用户对企业的长期价值，甚至预测客户的终身价值。

R（recency）指最近的消费时间。最近一次消费时间越近，说明这个用户近期是活跃的，对企业是有印象的。最近一次消费距当下时间越久，就越说明这个用户可能沉睡或流失了，需要企业通过客户关怀、营销活动去触达他，想办法将他再次激活，尽量挽回这个用户。

F（frequency）指消费频率。消费频率越高，消费也越活跃，代表用户对企业或品牌越认可，对企业贡献的销售价值越大。反之，消费频率低，甚至用户只来了一次后就再也没来，说明用户不活跃，相应的贡献价值也就少了。这时候企业就需要进行反思，他到底是不是企业的真正目标用户，是不是“薅羊毛”的用户，又或者是不是企业的产品和服务有问题，伤害到了他。总之，企业需要针对消费频率这一数据进行分析研究，找到原因，并想办法解决。

M（monetary）指一段时间内的消费金额。消费金额高，既说明用户对企业产品的需求大，也能反映用户的消费能力，同时还说明对企业和品牌的认可。在一段时间内，消费金额跟消费频率呈正相关，消费频率越高，累计的消费金额也会越高。

企业通过这三个维度合理评估用户的长期价值，把用户分为不同的等级，并对不同等级的用户投入不同的资源和时间来维护，这样就能让公司的资源效果实现最大化。

过去，互联网没有如此发达，传统企业没有实现数字化，企业很难抓取用户的实时数据，没办法实时掌握用户动态、群体画像，很难做精细化运营管理。而现在，无论是投广告、做活动，还是依靠微信、社群、小程序、App，都能实时获得大量数据，并且有了成熟的CRM软件之后，企业能够轻松地对用户消费数据进行分析，进而做出正确的决策。

在实际应用中，我们可以将RFM这三个维度，每个维度一分为二，大写字母代表高，小写字母代表低。这样一来就得到8组用户分类。

重要价值客户：最近消费时间近、消费频次和消费金额都很高，他们是企业的VIP客户。

重要发展客户：最近消费时间较近、消费金额高，但频次不高，忠诚度不高。他们是很有消费潜力的用户，需要重点发展。

重要保持客户：最近一次消费时间较远，但曾经一段时间内消费频次和金额都很高，说明他过去是个忠诚客户，企业需要主动和他联系，尝试激活。

重要挽留客户：最近消费时间较远、消费频次不高，但消费金额高，这些可能是将要流失或者已经流失的用户，企业应当采取挽留措施。

后面的一般价值客户、一般发展客户、一般保持客户、一般挽留客户相比前面四组的重要性会低一些。在实际成交客户中，如果对这8组客户维度进行简化分类，我们可以把他们分为A、B、C三个等级。这样，企业员工在维护时会更好地理解、操作。

总而言之，企业在人格上对用户要一视同仁，尊重用户，友善相待，但是在商业服务上则要区别对待。企业不要试图给所有用户一样的服务，而是要将更高级的服务提供给那些更认可企业、能带来更高价值的用户。

以上就是关于rfm案例分析相关问题的回答。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数据分析模型（rfm分析表）

用户运营AARRR模型（用户运营模型rfm）

RFM价值模型（RFM价值模型的描述正确的是）

杭州悦景文化传媒有限公司（杭州悦景文化传媒有限公司电话）

给自己的关键词（给自己的关键词探索）