正文

RFM中R怎么计算（rfm值计算公式）

发布时间：2023-04-21 17:06:12 稿源：创意岭阅读： 66

大家好！今天让创意岭的小编来大家介绍下关于RFM中R怎么计算的问题，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、基于RFM模型的用户分类及精细化运营（附实例）
2、RFM模型分析与客户细分
3、用RFM模型划分用户等级
4、用户体系搭建（二）——如何用RFM划定用户层级

RFM中R怎么计算（rfm值计算公式）

一、基于RFM模型的用户分类及精细化运营（附实例）

一、RFM模型简介

1、释义

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项指标来描述该客户的价值状况。

R：最近一次消费 (Recency)：代表用户距离当前最后一次消费的时间

F：消费频率 (Frequency)：用户在一段时间内，对产品的消费频次

M：消费金额 (Monetary)：代表用户的贡献价值

一般情况下，我们将R、F、M分别分五个维度打分，通过归一化打分之后，把用户所打分值与所有用户的总分均值作高低比较，再将R、F、M每个方向定义为：高、低，两个方向，如此可将用户分为2 2 2=8类，如下：

当我们将客户分类后，便可以针对性指定精细化运营策略，帮助大家了解完RFM模型后，我将用一个实例具体展示操作流程，以下实例以某玩家作品网站为例，爬取前十个网页共240个玩家作品的昵称、编号、点赞数、积分、上传日期时间等信息进行分析，具体流程如下：

1 数据爬取

2 数据清洗

3 数据分析

3.1 重新定义RFM

3.2 定义RFM打分标准

3.3 归一化打分

3.4 计算RFM均值

3.5 用户分类

3.6 统计与可视化

4 运营策略

1 数据爬取

2 数据清洗

3 数据分析

3.1 重新定义RFM

由于获取的是作品相关信息（获取信息有限），所以在此对RFM进行重新定义：

R：最近一次上传作品日期据今天几天；

F：作品数（用户最近一段时间内上传作品的数量）；

M：点赞数（用户最近一段时间内上传作品的点赞总数）

3.2 定义RFM打分标准

3.3 归一化打分

3.4 计算RFM均值

3.5 用户分类

将3.3与3.4比较得出用户分类

3.6 统计与可视化

4 运营策略

以上便是此次操作全过程，不当之处，还请指正，谢谢！

二、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!

三、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。

四、用户体系搭建（二）——如何用RFM划定用户层级

RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上RFM模型很多只是讲解了如何通过RFM解决和划定用户群体，但是很少有详细说明RFM模型的计算方式，本文讲解RFM模型的含义及应用以及如何使用SPSS计算RFM模型。

1、RFM模型概述

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项指标来描述该客户的价值状况。（摘自百度百科）

以上是百度百科对RFM模型的描述，说的比较复杂，简单的来讲RFM是通过统计用户最近购买时间（R），购买的次数（F），购买的金额（M）这三个维度来描述用户在群体中的位置。对于这三个维度的描述具体如下：