rfm模型把客户分为几个类型

大家好！今天让创意岭的小编来大家介绍下关于rfm模型把客户分为几个类型的问题，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、RFM模型的分析

• 2、基于RFM分析的客户细分！让市场营销事半功倍！

• 3、数据分析方法3—RFM分析模型

• 4、k-means与RFM模型结合进行用户群体划分

一、RFM模型的分析

RFM的含义如下：

1、R（Recency）：客户最近一次交易时间的间隔。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。

2、F（Frequency）：客户在最近一段时间内交易的次数。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。

3、M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

4、RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

rfm分析方法如下：

我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。

具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。

【变量】：选择各个变量

【分箱化】：评分的总分是多少

【保存】：生成哪些新的变量，可以自定义名称。

【输出】：可以全部勾选，为了能全面的解读RFM分析结果。

确定后，生成了四个新的变量

崭新-得分：最后一次交易的时间间隔得分；

频率-得分：交易总次数得分；

消费金额-得分：交易总金额得分；

RFM得分：RFM得分

分析结果解读：

该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。

我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）

“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。

如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。

该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。

通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。

本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。

二、基于RFM分析的客户细分！让市场营销事半功倍！

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，大部分效果寥寥，这是为何？这年头做营销这么难吗？

聪明的营销人员知道“ 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（无论是邮件还是站点）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。

R（Recency）最近一次消费时间 ：表示用户最近一次消费距离现在的时间（或截止到统计周期）。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周前消费过的用户价值大。

F（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，价值肯定比偶尔来一次的客户价值大。

M（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，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

简言之， RFM代表近度，频率和额度 ，每个值都与某些关键客户特征相对应。这些RFM指标是客户行为的重要指标，因为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。

如果是缺乏金钱交易方面的业务，例如收视率，读者人数等，可以使用" Engagement  "(参与度)代替Monetary。如官网的访问频次，微信的交互情况，邮件打开率等。这将导致使用RFE 而不是 RFM。此外，可以根据指标例如跳出率，访问时长，访问的页面数，每页所花费的时间等来将Engagement参数定义为一个综合值。

• 购买的时间越近，顾客对促销的反应越积极

• 顾客购买的频率越高，他们就越投入和越满意

• 消费金额区分了大笔支出的消费者和低价值的购买者

• 想要提高回购率和留存率，需要时刻警惕R值

RFM分析可帮助营销人员找到以下问题的答案：

• 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分析，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。

那RFM分析应如何开始呢？

由于R值、F值、M值存在量级之间的差距，无法直观的通过加减或平均来衡量用户价值，这里我们介绍一种评分方式，根据三组数据各个值的特性，采用5分制为各个数据赋予一个评分值。

让我们通过一个客户交易的样本数据集来演示一个简单的RFM分析是如何工作的：

为了对此示例进行RFM分析，让我们看看如何根据每个RFM属性分别对客户进行排名，然后对这些客户进行评分。假设我们使用RFM值从1到5对这些客户进行排序，R值的评分机制是R值越大，评分越小。

如上表所示，我们按“Recency”对客户进行了排序，最新的购买者排在首位。由于为客户分配的分数是1-5，因此前20％的客户（客户ID为12、11、1）的“Recency”分数为5，接下来的20％（客户ID为15、2、7）的分数为4 ， 以此类推。

同样，我们可以根据客户购买从高到低的“Frequency”对其进行排序，将前20％的“Frequency”得分分配为5，依此类推。对于“Monetary”因素，对前20％的客户（消费最多的）分配5分，最低的20％得分为1。这些F和M得分总结如下：

RFM得分

最后，我们可以将这些客户的R、F和M排名结合起来得到一个汇总的RFM得分。 下表中显示的该RFM得分是各个R，F和M得分的平均值，是通过对每个RFM属性赋予相等的权重来获得的。

这种简单的将客户从1-5排序的方法最多会产生125个不同的RFM单元(5x5x5)，范围从111（最低）到555（最高）。每个RFM单元的大小不同，依据客户的关键习惯，被捕获为RFM得分以得出客户细分，营销人员依据不同得分的客户制定相应的策略。

显然，针对不同行业的企业如果仅根据他们的购买或参与行为将每个客户的R，F和M得分平均以获得RFM细分市场并不公平。这类平均值只适合于均类数据，对于一些不规则数据，平均值会造成很大的误差， 因此，根据您的业务性质，您可以科学增加或减少每个RFM变量的相对重要性，以得出最终分数。例如：

1 .耐用消费品行业

每笔交易的Monetary通常较高，但Frequency和Recency较低。例如，你不能指望客户每月购买一台冰箱或空调。在这种情况下，市场营销人员应该更重视Monetary和Recency方面，而不是Frequency方面。

2 .时装/化妆品等零售业务

每月搜索和购买产品的客户将有更高的Recency和Frequency得分而不是Monetary得分。因此，可以通过给R和F得分赋予比M更大的权重来计算RFM得分。

3 .视频平台等内容apps

追剧狂人相比一般消费者拥有更长的观看时长。对于这些狂热者，“参与度”和Frequency可以比Recency给予更多的重视，而对于一般人群，可以对Recency和Frequency给予比Engagement更高的权重，以得出RFE得分。

此外，企业需要针对自己的行业特点灵活变通指标的采用。比如在金融行业，最近一次购买时间可能并不适用，此时可以考虑采用金融产品持有时间来代替R，这样更能体现用户与金融企业建立联系时间的长短。

还有一个问题是：如果每个RFM单元都被视为一个细分，那么营销人员将无法单独分析所有这125个客户细分市场。因此，通常采用的RFM模型是将这三个维度指标划分到三维正方体中。

在以上的RFM评分示例中，我们已经分别计算R、F、M评分；现在我们进一步分别获得R、F、M的平均值；然后将各个变量高于平均分的定义为“高”，低于平均分的定义为“低”；根据三个变量“高”“低”的组合来定义客户类型；如“高”“高”“高”为高价值客户。

通常，我们通过三维正方体来可视化RFM分析结果。这使用户可以更轻松地理解得分，以提供更易于管理和直观的细分。

如上面的RFM模型所示，因为有三个变量，所以要使用三维坐标系进行展示，X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户。

现在，让我们讨论如何解释RFM细分，以了解这些用户的行为，并提出一些有效的营销策略。

•  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 是您的近期客户，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 是指那些经常购买、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 是那些曾经光顾，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 是那些最近购买，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 是那些最近购买，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 是指很久未购买，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 是指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；

• 如果您的公司中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。

RFM是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，并针对他们制定差异化和个性化的营销策略。这反过来又提高了用户的参与度和留存率。

通常，数据分析师会借助CRM系统或者BI工具来实现RFM分析。

如需了解更多，欢迎访问怡海软件官网 https://www.frensworkz.com/

三、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

四、k-means与RFM模型结合进行用户群体划分

在CRM系统中经常要对用户进行划分，以标记不同的标签，进行个性化的营销触达动作。通常的用户群体划分会使用用户的一些属性信息，例如年龄，职业，性别等。但是这些属性基本上都是用户本身的特征属性，并不是和品牌关联产生的属性信息。另外一种常用的用户模型，就是 RFM模型 ，是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的，在实践中更加具有实际价值。

RFM模型由三个指标组成，分别为：

最近一次消费 (Recency)

消费频率 (Frequency)

消费金额 (Monetary)

可以看到这三个属性都是通过用户的购买行为计算得出的，这些指标基本上代表了用户是否活跃，购买能力，忠诚度等信息。

而我们的目标是通过对每个用户的RFM属性进行计算，将用户群体划分为不同的种类进行区分，以便我们进行分析和精准营销。例如我们可以分析出高价值用户，重点发展用户，流失用户等群体进行针对性营销动作。

本文将使用Python的一些工具包，对用户数据集进行分析处理，例如建立RFM模型，数据标准化，以及使用k-means聚类算法将用户群体进行划分。需要读者具有一些基础的Python和数据统计知识。

首先我们通过一些订单数据分析得到一部分用户的样本数据来：

这里包括了用户的id，总购买笔数，总购买金额以及最后一笔订单时间的信息。我们将文件加载进来，截取一部分后对字段类型进行处理：

为了将其转化为我们要使用的RFM属性，我们需要对last_order_date进行处理，转换为最后一次订单时间到目前的天数。这样我们就获得了RFM的基本属性，分别为last_order_day_from_now(R), total_order_count(F), total_order_price(M)。处理完成后对数据进行可视化观察数据分布：

其散点图为：

我们会发现实际上的数据大部分都聚集在了一起，并且有一些非常离散的极端值数据，这对我们后续进行数据聚类会产生不利影响，所以我们使用log函数对数据进行处理，让其分布的更加均匀：

可以看到现在数据分布的已经比较均匀了，这为我们进行聚类打下一个比较好的基础。但同时我们也会发现RFM这三个属性的单位却并不相同，分别是天数，交易笔数和交易金额。这就造成了其数值差别巨大。而聚类算法一般都是使用不同向量间的距离进行计算划分的，属性单位不同造成的数值差异过大会造成计算距离时的权重分布不均衡，也并不能反映实际情况，所以我们还要对数据进行标准化处理，这里我们使用z-score对RFM属性进行加工运算。

z-score是一种数据标准化的计算方法，其公式为：

z = (x – μ) / σ

μ代表x所属数据组的平均值，σ代表x所属数据组的方差。所以通过z-score计算，我们将绝对值数据转化为一个数据在所属数据组中的位置（得分），这样不同单位和类型间的数据使用z-score做相互的比较也就有了一定的意义。

这时候会看到数据不但分布较为均匀，而且不同维度间的数值差异也很小了，这样我们可以把三种不同单位的属性一起进行处理。

当我们建立好RFM的数据模型之后，期望通过不同的RFM值，对用户进行区分以进行精准化营销。当然我们可以通过对RFM这三组数值的平均值或者中位数和每个用户进行比较，以建立起一个数据立方，进行群体划分。但另外一方面，一般来说用户群体会大致符合28原则，80%左右的收入是由20%左右的客户所贡献的，所以根据平均值或者中位数进行群体划分也并不能总是科学的反应出不同的用户群体来，所以我们也可以基于数据本身的特性，使用聚类算法进行处理，以便让数据更加“自然”的区分。

这里我们选用非常常用的k-means算法进行聚类计算，k-means聚类的原理并不复杂，首先随机的或者通过更高效的方式（例如k-means++）选取k个点，然后不断迭代的计算，修正这k个点的坐标，目的是让集合中的每个点的距离（有很多种距离算法，比较常用的是欧氏距离）都和k个点里的其中一个尽量的近，而和其他的尽量的远。这样数据集合就能根据自身的分布规律，自然的区分出不同的类别来。

这里我们将k值设定为3，也就是将数据划分为三个部分，通过使用我们处理后的RFM属性进行计算，最终我们得到：

可以看到不同的颜色代表不同的用户类别，可以简单的认为标记为0的是流失用户，1是重点发展用户，2是高价值用户。这样我们就可以对不同的群体使用适合的营销策略了，同时当有新的用户加入后，我们也可以使用得到的k-means模型对其进行预测划分。

在使用这种方式做实际的数据处理时，可能因为数据分布的原因导致区分度并不是特别好，因为根据销售数据进行用户区分，并不是总能发现比较明显的区分“界限”，也就是不同群体间的边界其实是非常模糊和混杂的（从上面的最终分析图也可以看出这样的情况），所以从这个角度讲，单纯通过RFM模型和聚类进行用户群体划分也是有它的局限性的。

以上就是关于rfm模型把客户分为几个类型相关问题的回答。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模型的优缺点

渲染方式surfaceview和Tex

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）

信用卡排行榜2018（信用卡排行榜2022）

头条景观设计师怎么弄