如何利用RFM对客户进行分类（如何利用rfm对客户进行分类分析）

大家好！今天让创意岭的小编来大家介绍下关于如何利用RFM对客户进行分类的问题，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、如何使用RFM分析最具价值的网游付费用户

• 2、基于RFM的客户价值分析报告

• 3、数据分析小试牛刀-1

• 4、【知识分享】RFM模型与顾客生命周期管理（二）

一、如何使用RFM分析最具价值的网游付费用户

IBM SPSS Statistics 18 版本后，新增加了客户直销模块，该模块的操作界面简单明了，结果报告分析清晰易懂，可以广泛的应用于电信，零售，银行，保险，证券，传媒，市场研究等行业领域，是为市场营销人员精心设计的用以提高直销效率，改善直销活动效果的工具。

该模块最重要的就是RFM模型，有关该模型的内容参见http://wiki.mbalib.com/wiki/RFM模型

以下为某段时间用户购买的记录（模拟数据），点击菜单栏“直销”|“选择方法”。

之后便会弹出如下的直销菜单选项

在“直销”模块中，分为三部分：

了解我的联系人：用于对客户信息进行分析，将客户根据不同的特征进行分类。

改进我的市场营销活动，预测客户对营销活动的响应率。

对我的数据评分，利用“选择最有可能购买的联系人”和其他模块中的多种程序构建预测模型，根据预测模型对新的用户数据评分。

此处介绍使用直销模块的“了解我的联系人”

分析帮助标识我的最佳联系人（RFM分析）

通过本文了解如何使用客户直销分析模块中的RFM分析功能了解目标客户，从而帮助我们针对不同的客户指定smart营销策略提供更可靠的依据。

RFM分析目标客户

RFM是众多的客户关系管理（CRM）分析模式中，被广泛提到和应用的模型之一。该模型应用于衡量客户价值和客户创造的利润能力的分析。RFM模型通过一个客户的最近一次消费（Regency）、消费总体频率（Frequency）以及消费金额（Monetary）对客户进行RFM打分，根据客户的RFM得分来描述该客户的价值情况。

最近一次消费：最近上一次消费时间是评价客户价值的重要指标，理论上，最近购买产品或者服务的顾客，最有可能成为再次光临的消费者，最推出的新品也最有可能做出反应。

消费总体频率：消费总体频率是在限定时间内的购买次数。最长购买的顾客，也是满意度最高的顾客。

消费金额：消费金额是在限定时间期间购买金额的综合。根据“帕累托”法则–通常80%的利润来自20%的重要客户，消费金额越多的客户越是需要维系的关系客户。

也由此，根据三个指标，对客户进行评级。在此假设三个指标的界别分别为1到5,5为最高级别：

基于最近购买日期或自最近购买以来的时间间隔，消费日期越近或时间间隔越短，客户等级越低，为1.

针对客户消费频率，为客户分配一个频率等级，其中较高的值代表购买频率较高。例如，将最长购买的客户的购买频率等级评为5.

按消费金额对客户进行评级，其中消费金额值最高的客户将获得最高等级5.

将客户的三个指标等级合并就得到RFM得分。RFM得分最高的客户即为对新产品最有可能做出反应的客户。例如，某客户最近一次消费，消费总体频率和消费金额的等级分别是4、3、5，该客户的RFM得分是435.

应用背景及数据描述

事实上如果针对传统行业的新产品进行推销，我们不需要进行RFM模型的改进可以直接进行分析使用。然而当我们在电子商务领域或者游戏行业的最具价值玩家的提取和分析角度，我们需要对该模型进行改进实施。

在此处，我们参考一个案例“基于RFM的电信客户市场细分方法”（http://wiki.mbalib.com/wiki/RFM模型），如果我们从玩家的购买记录着手，我们发现，玩家会在极其短暂的时间内，购买多次道具，那么我们如果要是以用户的购买次数作为频度来衡量，就失去了RFM模型本身的价值，于是我们考虑以用户的充值次数作为频度计数分析。同时依据电子购买的周期特点进行调整。

具体操作分析：

在进入直销面板后，选择数据格式，弹出“RFM分析：数据格式”对话框：

RFM数据格式

RFM分析根据数据行表示的含义分为来自交易数据的RFM分析和来自客户数据的RFM分析。

来自交易数据的RFM分析

当数据行表示单笔单笔交易记录，选择交易数据的RFM分析。交易数据举例如下图，数据列中包含用户ID，产皮信息，购买时间和消费金额；数据行表示一个客户的一条购买记录，一个客户可以有多条购买记录。

来自客户数据的RFM分析

当数据行表示单个客户的交易记录，选择客户数据的RFM分析。客户数据举例如下，数据列中包含客户ID，该客户消费的总金额，最近购买日期，购买总次数和最近一次购买时间间隔。

本例使用交易类型的数据，选择“交易数据”，点击“继续”，进入“交易数据的RFM分析”对话框，如下图，如果是客户类型，选择“客户数据”。

在“变量”页面中，将变量“account”，“time”，“income”分别选入对应的“客户标识符”，“交易日期”，“交易金额”文本框中。

在“摘要方法”下拉框中有四种汇总每个客户交易金额的方法：总计（交易金额总额），均值，中位数或最大值（最高交易金额）。

本数据中，交易金额是单词充值的钱数，选择“总计”。

进入“离散化”页面，如图

在RFM分析中，需要将最近一次消费、消费总体频率、消费金额进行分级，在对数据的实际操作中就是将大量数值分类，称之为“离散化”。在“离散化”页面中可以设定将数值分类的方法。

在“离散化方法”框中可以定义数据是按照三个指标的优先级依次分类或三个指标独立分类。

在 RFM 分析结果输出中，类别对应着相应的块。在“块数”框中可以指定三个指标的块数。每个指标可选择 1 到 9 级进行分块，默认分为 5 块。

“结”是指具有相同指标值的客户。在“结”框中可以指定对具有相同指标值的客户如何分配到对应的块中。

选择“保存”页面，如图所示。

在“保存”页面中，可以指定想要保存的变量，包括三个指标的原始变量，对原始变量分级后的变量（以“_ 得分”为后缀名命名的变量）以及 RFM 得分。还可以指定新生数据的保存位置。

选择“输出”页面，如图所示。

已离散化数据中设置的输出图表是对图中“已保存变量的名称”中的“崭新 _ 得分”、“频率 _ 得分”和“消费金额 _ 得分”进行描述。

未离散化数据中设置的输出图是对图中“已保存变量的名称”中的“最 _ 近 _ 日期”、“交易 _ 计数”和“金额”进行描述。

可以根据需要选择输出的图表。在此选择所有输出图表。

全部设置完后，点击“确定”按钮，就可以得到客户的 RFM 得分，并可以在 IBM SPSS Statistics 的输出查看器中通过图表查看根据三个指标分块后的客户分布情况。

分析结果展现（分析报告在下一篇文章中阐述）

新生成数据，各项得分

RFM散点图

RFM直方图

RFM热图

RFM计数表

RFM计块图

以上就是通过RFM进行最具价值客户分析的全过程，有关于结果的解读将在下一篇文章说明。

展望：

RFM模型在网游方面的应用目前还比较浅，由于作为互联网行业的性质与传统的行业有所不同，我们需要在更加的短暂的时间内，专注于用户的属性和需求。其实，在网游应用上，我觉得更多的是通过RFM刺激哪些已经付费但付费频度不高的用户，其实他们是最容易转化成我们的稳定付费用户，换句话说，在游戏内一系列的赠送活动之外，针对这些群体应该给予特殊的不同的福利和关照，让他们感到温暖，即使你支付了一毛钱。因为你既然一条腿踏上了贼船，就不会下来了。因为你投入了你的精力，时间，金钱。

明日把上面各图的含义和分析向诸位阐述一下，希望对大家有帮助。

二、基于RFM的客户价值分析报告

项目背景

在面向客户制定运营策略、营销策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。精准化运营的前提是客户分类。通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。

项目目标

本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1.借助某电商客户数据，对客户进行群体分类；2.比较各细分群体的客户价值；3.对不同价值的客户制定相应的运营策略。

分析过程

1.数据预览  

我们的源数据是订单表，记录着用户交易相关字段

通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况

只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况

订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型

2. 数据清洗

(1)剔除退款

(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额

(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)

首先构造R值，思路是按买家昵称分组，选取付款日期最大值

为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”

然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )

思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数

最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来

三个指标合并

3. 维度打分 

维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分

R值依据行业经验，设置为30天一个跨度，区间左闭右开

F值和购买频次挂钩，每多购买一次，分值多加一分

M值我们按照50元的一个区间来进行划分

这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值

4. 分值计算 

(1)算出每个用户的R,F,M分值

(2)简化分类结果  

通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组

5.客户分层

RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类

Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来

人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户

然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签

数据解读与建议：

首先查看各类用户占比情况

然后查看不同类型客户消费金额贡献占比

最后导出数据，在tableau中数据可视化展示

通过数据可视化后，我们可以发现：

1.客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%

2.高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户

3.流失客户和新客户的总人数占比约38%，但金额总占比只有约13%

建议：

1.针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户

2.针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户

3.针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。

三、数据分析小试牛刀-1

一．背景介绍

一家在英国注册的非商店在线零售店主要销售独特的礼品，其中许多客户是批发商。下文针对该店2010年12月1日至2011年12月9日期间发生的所有交易数据进行多角度的分析，以提高该店销售量，降低退货率。

二．提出问题及分析思路

客户总数量，每月客户数量？

分析不同客户的价值，进行精准化营销？

商品的种类，热销商品以及退货订单数高的商品种类？

客户所属国家，不同国家的订单数，退货订单数以及销售金额？    具体分析思路如下：

三.理解，清洗数据

1.理解数据

本数据集来源于开源数据集网站kaggle： https://www.kaggle.com/carrie1/ecommerce-data

数据有542K行X 8列，8个字段如下：

2.数据清洗

2.1缺失值处理

a.在记录中找到1454条描述详情为空，单价为0，无客户编码的记录,这些数据对我们作用不大，将其删除。

b.存在133k条数据客户号码缺失，因数据量大，暂不明确它是否有作用，先保留后再看看能否使用。

2.2 发票日期和时间处理

发现日期和时间之间存在空格，利用分列工具将它进行数据处理。补全字段名字“Time”

四.构建模型

1.2010年12月1日至2011年12月9日期间总客户数量，及每月客户数。

通过上面的统计可知：

a.店铺这段时间的总顾客有4372，平均每个月有1082位客户。（其中2011年12月数据只有前9天数据，故不计入），很多客户存在重复购买行为。

b. 2011年1月至8月，客户数量有着小幅度的波动，在9月之后持续增长。

2.通过建立RFM模型寻找价值客户

利用RFM模型分析客户近期的购买行为，频率及消费金额三项指标来描述客户的价值和创利能力（Recency：距离最近一次购买的时间，Frequency:购买次数，Monetary:购买总金额）

将上述SQL得出的数据导出为xlsx格式到excel中进行处理。

首先将时间设定为2011/12/10，然后统一得出距离2011/12/10最后一次购买的时间。

设置R,F,M参数并打分

备注：R参数打分原则为距离最近一次购买时间大于0天，小于15天的打5分，依次类推；F参数打分原则为购买次数大于0次，小于2次，得1分；依次类推。M参数打分原则为订单金额大于-5000，小于250，得1分；依次类推。

通过参数分数的设置，利用lookup函数给用户打分：

打分结果统计如下：

可以看出分布比较均匀，说明参数设置合理。

然后计算出用户RFM的平均值，将每个用户的R/F/M分数与平均值比较，如果大于平均值则为1，小于平均值为0.

然后连接RFM值，这样得到了所有用户的RFM值,对客户进行分类如下图：

当RF=111时，表示客户最近有购买行为，购买次数多，交易金额高；

这类客户是重要价值客户，需要保持。

当RF=110时，表示客户最近有购买行为，购买次数多，交易金额较低；

这类客户是潜力客户，需要挖掘跟进。

当RF=001时，表示客户最近没有购买行为，购买次数少，交易金额高；

这类客户是是潜在的有价值客户，需要挽留。

当RF=000时，表示客户最近没有购买行为，购买次数少，交易金额低；

表示这类客户已流失。

当RF=101时，表示客户最近有购买行为，购买次数少，交易金额高；

这类客户是重要深耕客户，需要重点识别。

当RF=100时，表示客户最近有购买行为，购买次数少，交易金额低；

这类客户是新客户，具有推广价值。

当RF=011时，表示客户最近没有购买行为，购买次数多，交易金额高；

这类客户是重要唤回客户，需要唤回。

当RF=010时，表示客户最近没有购买行为，购买次数多，交易金额低；

这类客户是一般维持客户，交易次数多，但贡献不大。

通过统计可以看出，店铺的重要唤回客户较多，其次是流失客户，新客户。这说明了店铺在留存方面的不足。

3. 统计商品种类，不同商品的成功订单数，退货订单数以及销售金额

将以上的统计结果导出,整理得到

3.1 商品种类有3828种。其中有39类商品订单数在1000及以上，热销的商品有白色t型灯座，3层蛋糕架，聚会彩旗，爆米花托，蛋糕盒，各类包，储物袋，午餐袋，果酱罐，明信片，小装饰品，茶杯茶碟，灯具，餐巾纸等等。

3.2 退货订单数top10的商品（除去邮费，样品，折扣等特殊记录）有3层蛋糕架,果酱罐，蛋糕食品柜，草莓陶瓷小饰品盒，茶杯茶碟，爆米花托，食谱盒，木制抽屉柜，红色大袋子，红色特大型午餐袋。

3.3 销售金额top10的商品（除去邮费外）有3层蛋糕架, 白色t型灯座，聚会彩旗，红色特大型袋子，兔子夜灯，纸质链盒，杂色鸟装饰品，辣椒灯，野餐篮，爆米花托。

4. 统计客户所属国家，每个国家的订单数以及订单总金额（交易成功金额，交易失败金额）。

将SQL的数据导出，整理得到

4.1 订单数top10的国家

4.2 成功订单数top10的国家

4.3 退货订单数top10的国家

4.4 订单总金额top10的国家

根据SQL统计结果可知:

a.客户来源于37个国家（除去未知信息），大部分属于欧洲国家；其中英国本地的客户订单数最多，占比90%以上。

b. 订单总金额top10的国家为英国，荷兰，爱尔兰，德国，法国，澳大利亚，瑞士，西班牙，比利时，瑞典。其中英国的订单总金额是最多的，占比84% 。澳大利作为其中唯一的太平洋国家，占有1.4%的订单总金额。

五．结论及建议

1.店铺在9月份之后客户数量持续增长，建议在8月底加大商品的上新。

2.店铺的流失客户，重要唤回客户较多，说明店铺的留存做的不足。建议针对重要唤回客户进行精准化营销活动，以促进这类客户的回流。

3.热销商品种类例如有3层蛋糕架, 白色t型灯座，聚会彩旗，红色特大型袋子，兔子夜灯，纸质链盒，杂色鸟装饰品，辣椒灯，野餐篮，爆米花托等可以进行重点推销或者进行组合销售。

4.针对退货订单数的商品可以看出有部分商品种类与热销商品重合，因此店铺要加大对商品品质的保障。

5.加大欧洲其他国家如荷兰，爱尔兰，德国，法国，瑞士，西班牙，比利时，瑞典；澳大利亚的市场推广。

四、【知识分享】RFM模型与顾客生命周期管理（二）

二. RFM模型的应用

说到应用，主要可拆分为三个步骤：进行客户细分、输出目标客户还有针对性的二次营销。与一般想象不同，并不是细分维度越多越好——我们主要有两个指标来帮助自己选择合适的细分指标：一是店铺规模，而是店铺的商品和顾客结构。比如一个只有百人客户群的店铺，那么其用户画像的丰富性一定不及饿了么的外卖群体；一个只卖母婴产品的垂直网站，其典型的用户画像一定是母亲和幼儿，不论其用户群大小。

这张表格阐述了营销方法、客户细分以及营销策略三者之间的关系。从R值可区分顾客的活跃程度，从F值可以区分顾客的忠诚程度，从M值可以区分顾客的可获利程度。

我们可以根据RFM的综合值给每个用户进行打分（线性？三维立体？），分数越高的顾客对店铺的意义和重要性越大。但不代表分数低的那些组人员需要放弃。相反，我们再次强调的是对于不同的顾客，营销策略要差异化。

CHAPTER THREE 顾客生命周期管理

生命周期，born-grow-flourish-decend-death，有生有亡，这是个必然的过程。顾客也是，每天有新人来，每天也有顾客遗忘你。作为店铺管理者，需要关注的重点是如何有效的划分客户生命周期以及如何针对不同生命周期客户制定有效的营销策略。

上表以店铺售卖商品类目回购周期为维度，划分了生命周期的五个阶段，并标明了客户特征。供大家参考。

CHAPTER FOUR 顾客生命周期营销

结合上一张图的顾客营销策略，这里是一张示例的计划表。

这张图列举了目前市面上可见的维系类活动与营销类活动。

以上就是关于如何利用RFM对客户进行分类相关问题的回答。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：

如何设置从下拉表中选择（如何设置从下拉表中选择选项）

互联网个人ip搭建如何赚钱（怎么用互联网挣钱）

如何给顾客更好的体验感（如何打造最佳客户体验）

目标市场的营销策略包括（目标市场的营销策略包括什么）

微信朋友圈怎么变成了视频号