rfm計算方法（rfm值計算公式）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于rfm計算方法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、體重和BMI指數(shù)，哪個更能反應身體健康狀況？

• 2、RFM模型分析與客戶細分

• 3、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個模塊，請求高人指點，怎樣計算客戶流失率？

• 4、常用的分析方法及模型有哪些?

一、體重和BMI指數(shù)，哪個更能反應身體健康狀況？

當然BMI更好吧。體重只包含了一個指數(shù)，而BMI好歹同時囊括了身高和體重，怎么說也比單看一項準確些。

如果一個人身高150cm，體重60kg，明顯是有些胖了。BMI的數(shù)值就能反映一個總體趨勢，讓人們監(jiān)督自己身體是否存在過胖或過瘦的情況。

BMI全稱為Body Mass Index,計算公式為體重（單位千克）÷身高2（單位米）。一般而言數(shù)值在18.5-24.9之間屬于正常范圍，根據(jù)人種的不同有所區(qū)分。亞洲人的上限就低一些，為23.9。中間還有最佳范圍，為20-22。

但BMI也有它的局限性。比如沒有性別的區(qū)分，不能很好的反映肌肉含量。另外對于老人和兒童來說，結果都會有一定的偏差。

所以BMI只是一種粗略的估量方式。要真正想清楚自身是否健康，還要看體脂、圍度等多個參數(shù)。比如本身就不胖的女孩兒，健身一段時間可能發(fā)現(xiàn)體重一點都沒減下去。但如果測大腿圍度等會發(fā)現(xiàn)小了一圈，視覺效果上更瘦了。因此這個時候光看體重和BMI是沒有意義的。

另外有團隊提出一個更為科學的身體指標，叫做“相對脂肪質量指數(shù)”（RFM）。男性的計算公式為64-（20×身高/腰圍），結果大于22.8為肥胖；女性為76-（20×身高/腰圍），大于33.9為肥胖（單位都是米）。

相關研究人員說這種衡量方式能更好的看出一個人的脂肪情況，不再看體重。方法也很簡單，僅需要一根皮尺。測量時從肚臍水平位置開始，放松呼氣，不要有衣物遮擋。也許后面隨著更進一步的普及，RFM會成為更流行的衡量健康指標。

二、RFM模型分析與客戶細分

RFM模型分析與客戶細分

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究，客戶數(shù)據(jù)庫中有三個神奇的要素，這三個要素構成了數(shù)據(jù)分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。

RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(xiàn)(Frequency)表示客戶在最近一段時間內購買的次數(shù)，M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始數(shù)據(jù)為3個字段：客戶ID、購買時間(日期格式)、購買金額，用數(shù)據(jù)挖掘軟件處理，加權(考慮權重)得到RFM得分，進而可以進行客戶細分，客戶等級分類，Customer Level Value得分排序等，實現(xiàn)數(shù)據(jù)庫營銷!

這里再次借用@數(shù)據(jù)挖掘與數(shù)據(jù)分析的RFM客戶RFM分類圖。

本次分析用的的軟件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT

因為RFM分析僅是項目的一個小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點對計算機的內存和硬盤容量都有要求。

先說說對海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點體會：(僅指個人電腦操作平臺而言)

一般我們拿到的數(shù)據(jù)都是壓縮格式的文本文件，需要解壓縮，都在G字節(jié)以上存儲單位，一般最好在外置電源移動硬盤存儲;如果客戶不告知，你大概是不知道有多少記錄和字段的;

Modeler挖掘軟件默認安裝一般都需要與C盤進行數(shù)據(jù)交換，至少需要100G空間預留，否則讀取數(shù)據(jù)過程中將造成空間不足

海量數(shù)據(jù)處理要有耐心，等待30分鐘以上運行出結果是常有的現(xiàn)象，特別是在進行抽樣、合并數(shù)據(jù)、數(shù)據(jù)重構、神經(jīng)網(wǎng)絡建模過程中，要有韌性，否則差一分鐘中斷就悲劇了，呵呵;

數(shù)據(jù)挖掘的準備階段和數(shù)據(jù)預處理時間占整個項目的70%，我這里說如果是超大數(shù)據(jù)集可能時間要占到90%以上。一方面是處理費時，一方面可能就只能這臺電腦處理，不能幾臺電腦同時操作;

多帶來不同，這是我一直強調的體驗。所以海量數(shù)據(jù)需要用到抽樣技術，用來查看數(shù)據(jù)和預操作，記?。河袝r候即使樣本數(shù)據(jù)正常，也可能全部數(shù)據(jù)有問題。建議數(shù)據(jù)分隔符采用“|”存儲;

如何強調一個數(shù)據(jù)挖掘項目和挖掘工程師對行業(yè)的理解和業(yè)務的洞察都不為過，好的數(shù)據(jù)挖掘一定是市場導向的，當然也需要IT人員與市場人員有好的溝通機制;

數(shù)據(jù)挖掘會面臨數(shù)據(jù)字典和語義層含義理解，在MetaData元數(shù)據(jù)管理和理解上下功夫會事半功倍，否則等數(shù)據(jù)重構完成發(fā)現(xiàn)問題又要推倒重來，悲劇;

每次海量大數(shù)據(jù)挖掘工作時都是我上微博最多的時侯，它真的沒我算的快，只好上微博等它，哈哈!

傳統(tǒng)RFM分析轉換為電信業(yè)務RFM分析主要思考：

這里的RFM模型和進而細分客戶僅是數(shù)據(jù)挖掘項目的一個小部分，假定我們拿到一個月的客戶充值行為數(shù)據(jù)集(實際上有六個月的數(shù)據(jù))，我們們先用IBM Modeler軟件構建一個分析流：

數(shù)據(jù)結構完全滿足RFM分析要求，一個月的數(shù)據(jù)就有3千萬條交易記錄!

我們先用挖掘工具的RFM模型的RFM匯總節(jié)點和RFM分析節(jié)點產(chǎn)生R(Recency)、F(Frequency)、M (Monetary);

接著我們采用RFM分析節(jié)點就完成了RFM模型基礎數(shù)據(jù)重構和整理;

現(xiàn)在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;這里對RFM得分進行了五等分切割，采用100、10、1加權得到RFM得分表明了125個RFM魔方塊。

傳統(tǒng)的RFM模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識別客戶特征和行為，有必要進一步細分客戶群;

另外：RFM模型其實僅僅是一種數(shù)據(jù)處理方法，采用數(shù)據(jù)重構技術同樣可以完成，只是這里固化了RFM模塊更簡單直接，但我們可以采用RFM構建數(shù)據(jù)的方式不為RFM也可用該模塊進行數(shù)據(jù)重構。

我們可以將得到的數(shù)據(jù)導入到Tableau軟件進行描述性分析：(數(shù)據(jù)挖掘軟件在描述性和制表輸出方面非常弱智，哈哈)

我們也可以進行不同塊的對比分析：均值分析、塊類別分析等等

這時候我們就可以看出Tableau可視化工具的方便性

接下來，我們繼續(xù)采用挖掘工具對R、F、M三個字段進行聚類分析，聚類分析主要采用：Kohonen、K-means和Two-step算法：

這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變量還是要進行變換，因為R、F、M三個字段的測量尺度不同最好對三個變量進行標準化，例如：Z得分(實際情況可以選擇線性插值法，比較法，對標法等標準化)!另外一個考慮：就是R、F、M三個指標的權重該如何考慮，在現(xiàn)實營銷中這三個指標重要性顯然不同!

有資料研究表明：對RFM各變量的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而并沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權重并不相同,應該給予頻度最高,近度次之,值度最低的權重;

這里我們采用加權方法：WR=2 WF=3 WM=5的簡單加權法(實際情況需要專家或營銷人員測定);具體選擇哪種聚類方法和聚類數(shù)需要反復測試和評估，同時也要比較三種方法哪種方式更理想!

下圖是采用快速聚類的結果：

以及kohonen神經(jīng)算法的聚類結果：

接下來我們要識別聚類結果的意義和類分析：這里我們可以采用C5.0規(guī)則來識別不同聚類的特征：

其中Two-step兩階段聚類特征圖：

采用評估分析節(jié)點對C5.0規(guī)則的模型識別能力進行判斷：

結果還不錯，我們可以分別選擇三種聚類方法，或者選擇一種更易解釋的聚類結果，這里選擇Kohonen的聚類結果將聚類字段寫入數(shù)據(jù)集后，為方便我們將數(shù)據(jù)導入SPSS軟件進行均值分析和輸出到Excel軟件!

輸出結果后將數(shù)據(jù)導入Excel，將R、F、M三個字段分類與該字段的均值進行比較，利用Excel軟件的條件格式給出與均值比較的趨勢!結合RFM模型魔方塊的分類識別客戶類型：通過RFM分析將客戶群體劃分成重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別;(有可能某個級別不存在);

另外一個考慮是針對R、F、M三個指標的標準化得分按聚類結果進行加權計算，然后進行綜合得分排名，識別各個類別的客戶價值水平;

至此如果我們通過對RFM模型分析和進行的客戶細分滿意的話，可能分析就此結束!如果我們還有客戶背景資料信息庫，可以將聚類結果和RFM得分作為自變量進行其他數(shù)據(jù)挖掘建模工作!

三、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個模塊，請求高人指點，怎樣計算客戶流失率？

第N月的用戶流失率=1-第（N-6）月進站用戶在第N、N-1、N-2、N-3、N-4、N-5月回站總數(shù)/第（N-6）月進站用戶數(shù)×100%

、例：某4S店2011年2月份客戶流失率

通俗的說就是：2010年8月份進站的用戶數(shù)（非進站臺次，因有可能一個用戶一個月會幾次進站），在2010年9、10、11、12以及2011年1、2月是否有回站，只要有回就算回站了，不管回來幾次，這樣就沒有流失了。假設2010年8月4S進站的用戶數(shù)為100個，后六個月這100個用戶回來88個，那回站率為88%，1-回站率等于流失率為12%，所以該4S店客戶流失率為12%。

四、常用的分析方法及模型有哪些?

1、RFM模型

RFM分析是客戶關系分析中一種簡單實用客戶分析方法，將最近一次消費、消費頻率、消費金額這三個要素構成了數(shù)據(jù)分析最好的指標，衡量客戶價值和客戶創(chuàng)利能力。

RFM分析也就是通過這個三個指標對客戶進行觀察和分類，針對不同的特征的客戶進行相應的營銷策略。

R——最后交易距離當前天數(shù)（Recency）

F——累計交易次數(shù)（Frequency）

M——累計交易金額（Monetary）

在這三個制約條件下，我們把M值大，也就是貢獻金額最大的客戶作為“ 重要客戶 ”，其余則為“ 一般客戶 "和” 流失客戶 “，基于此，我們產(chǎn)生了8種不同的客戶類型：

重要價值客戶 ：復購率高、購買頻次高、花費金額大的客戶，是價值最大的用戶。

重要保持客戶 ：買的多、買的貴但是不常買的客戶，我們要重點保持；

重要發(fā)展客戶 ：經(jīng)常買、花費大但是購買頻次不多的客戶，我們要發(fā)展其多購買；

重要挽留客戶 ：愿意花錢但是不常買、購買頻次不多的客戶，我們要重點挽留；

一般價值客戶 ：復購率高、購買頻次高，但是花費金額小的客戶，屬于一般價值；

一般保持客戶 ：買的多但是不常買、花錢不多，屬于一般保持客戶；

一般發(fā)展客戶 ：經(jīng)常買，但是買不多、花錢也不多，屬于一般發(fā)展客戶；

一般挽留客戶 ：不愿花錢、不常買、購買頻次不高，最沒有價值的客戶；

下面是我用 FineBI 做的RFM模型可視化儀表板，可以通過RFM模型對客戶的終生價值做一個合理的預估，基于一個理想的客戶特征來衡量現(xiàn)實中客戶價值的高低，通過此類分析，定位最有可能成為品牌忠誠客戶的群體，讓我們把主要精力放在最有價值的用戶身上。

波士頓模型最初是一個時間管理模型，按照緊急、不緊急、重要、不重要排列組合分成四個象限，以此便于對時間進行有效的管理。

運用在客戶分析中，也就是利用銷售額和利潤這兩個重要指標分為四個象限，對我們的客戶進行分組。我們將這兩個維度作為橫縱坐標軸分為四個象限，將產(chǎn)品或者服務分為下面四種類型：

明星類 ：增長率高、占有率高，代表著十分成功的產(chǎn)品，是主打的明星產(chǎn)品；

金牛類 ：增長率低、占有率高，已經(jīng)占據(jù)了市場但是沒有發(fā)展空間的產(chǎn)品，屬于現(xiàn)金牛產(chǎn)品；

問題類 ：增長率高、占有率低，說明用戶需求高，但是本身產(chǎn)品有問題，需要改進優(yōu)化；

瘦狗類 ：增長率低、占有率低，市場不認可的失敗產(chǎn)品，需要盡快去除；

我們如此分類的目的正是要根據(jù)波士頓矩陣，將一些沒有發(fā)展前景和市場潛力的產(chǎn)品盡快淘汰掉，保證明星產(chǎn)品和現(xiàn)金牛產(chǎn)品的份額，從而搭配好產(chǎn)品或者業(yè)務的整個市場布局。

FineBI制作的波士頓模型實際使用：

如圖所示，每個銷售大區(qū)與每個銷售年份下的客戶分布，通過篩選數(shù)據(jù)，我們得到我們想要的客戶信息。而波士頓矩陣則是一個非常有力的工具，可以幫助我們將雜亂無序的東西組塊整理，在使用矩陣的的時候，盡量選取縱向和橫向毫無關聯(lián)要素來分析，這樣才能發(fā)揮矩陣分塊整理的作用。

我們知道并不是所有的顧客都具備相同的價值，如果企業(yè)能夠專注于那些可以帶來最大未來利益的客戶，就可以實現(xiàn)更好的運營。所以企業(yè)必須識別出這些客戶，CLV是對客戶未來利潤的有效預測，它還有另外一個名字，叫做LTV （life time value)。

這里需要特別說明的是，CLV考慮了完整的客戶生命周期，包含客戶獲取和客戶流失，也就是它計算的不只是眼前顧客已經(jīng)產(chǎn)生的價值，還預測了未來價值。

CLV的計算公式有非常多，有的會非常復雜，主要在流失率這個環(huán)節(jié)和影響因素就相當多，也有會加上投入成本，價值變化率和利率變化等等。

比較實用簡單的是這種：

那對于CLV的應用，可以從以下兩個模型來看，將企業(yè)的最優(yōu)客戶與不值得投入的客戶區(qū)分出來：

帕累托原則，又稱二八原則，是關于效率與分配的判斷方法。帕累托法則是指在任何大系統(tǒng)中，約80%的結果是由該系統(tǒng)中約20%的變量產(chǎn)生的。應用在企業(yè)中，就是80%的利潤來自于20%的項目或重要客戶。

模型的解釋：當一個企業(yè)80%利潤來自于20%的客戶總數(shù)時，這個企業(yè)客戶群體是健康且趨于穩(wěn)固的。 當一個企業(yè)80%利潤來自大于20%的客戶總數(shù)時，企業(yè)需要增加大客戶的數(shù)量。當一個企業(yè)80%利潤來自小于20%的客戶群時，企業(yè)的基礎客戶群需要拓展與增加。

模型的實際使用，某商場品牌商的銷售額。

一共10家客戶，5家客戶（50%）提供了80%的銷售額，這就說明需要增加大品牌客戶數(shù)量。

帶來大量銷售額的客戶必須認真對待和維護，如果客戶數(shù)量大，尤其需要列出重點客戶重點跟進，把有限的精力放在創(chuàng)造利潤大的客戶上。

5、漏斗模型

漏斗模型本質是分解和量化，為了方便大家理解，這里以營銷漏斗模型舉例：

也就是說營銷的環(huán)節(jié)指的是從獲取用戶到最終轉化成購買這整個流程中的一個個子環(huán)節(jié)，相鄰環(huán)節(jié)的轉化率則就是指用數(shù)據(jù)指標來量化每一個步驟的表現(xiàn)。

所以整個漏斗模型就是先將一個完整的購買流程拆分成一個個步驟，然后用轉化率來衡量每一個步驟的表現(xiàn)，最后通過異常的數(shù)據(jù)指標找出有問題的環(huán)節(jié)，然后解決該環(huán)節(jié)的問題，最終達到提升整體購買轉化率的目的，所以漏斗模型的核心思想可以歸為分解和量化。

比如分析電商的轉化，我們要做的就是監(jiān)控每個層級上的用戶轉化，尋找每個層級的可優(yōu)化點。對于沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

PEST，也就是政治（Politics）、經(jīng)濟（Economy）、社會（Society）、技術（Technology），能從各個方面把握宏觀環(huán)境的現(xiàn)狀及變化趨勢，主要用戶行業(yè)分析。

宏觀環(huán)境又稱一般環(huán)境，是指影響一切行業(yè)和企業(yè)的各種宏觀力量。

對宏觀環(huán)境因素作分析時，由于不同行業(yè)和企業(yè)有其自身特點和經(jīng)營需要，分析的具體內容會有差異，但一般都應對政治、經(jīng)濟、技術、社會，這四大類影響企業(yè)的主要外部環(huán)境因素進行分析。

政治環(huán)境：政治體制、經(jīng)濟體制、財政政策、稅收政策、產(chǎn)業(yè)政策、投資政策等。

社會環(huán)境：人口規(guī)模、性別比例、年齡結構、生活力式、購買習慣、城市特點等。

技術環(huán)境：折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度等。

經(jīng)濟環(huán)境：GDP 及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數(shù)、居民可支配收入、失業(yè)率、勞動生產(chǎn)率等。

5W2H，即為什么（Why）、什么事（What）、誰（Who）、什么時候（When）、什么地方（Where）、如何做（How）、什么價格（How much），主要用于用戶行為分析、業(yè)務問題專題分析、營銷活動等。

該分析方法又稱為七何分析法，是一個非常簡單、方便又實用的工具，以用戶購買行為為例：

Why：用戶為什么要買？產(chǎn)品的吸引點在哪里？

What：產(chǎn)品提供的功能是什么？

Who：用戶群體是什么？這個群體的特點是什么？

When：購買頻次是多少？

Where：產(chǎn)品在哪里最受歡迎？在哪里賣出去？

How：用戶怎么購買？購買方式什么？

How much：用戶購買的成本是多少？時間成本是多少？

SWOT分析法也叫態(tài)勢分析法，S （strengths）是優(yōu)勢、W （weaknesses）是劣勢，O （opportunities）是機會、T （threats）是威脅或風險。

SWOT分析法是用來確定企業(yè)自身的內部優(yōu)勢、劣勢和外部的機會和威脅等，通過調查列舉出來，并依照矩陣形式排列，然后用系統(tǒng)分析的思想，把各種因素相互匹配起來加以分析。

運用這種方法，可以對研究對象所處的情景進行全面、系統(tǒng)、準確的研究，從而將公司的戰(zhàn)略與公司內部資源、外部環(huán)境有機地結合起來。

4P即產(chǎn)品（Product）、價格（Price）、渠道（Place）、推廣（Promotion），在營銷領域，這種以市場為導向的營銷組合理論，被企業(yè)應用最普遍。

可以說企業(yè)的一切營銷動作都是在圍繞著4P理論進行，也就是將：產(chǎn)品、價格、渠道、推廣。通過將四者的結合、協(xié)調發(fā)展，從而提高企業(yè)的市場份額，達到最終獲利的目的。

產(chǎn)品：從市場營銷的角度來看，產(chǎn)品是指能夠提供給市場，被入們使用和消費并滿足人們某種需要的任何東西，包括有形產(chǎn)品、服務、人員、組織、觀念或它們的組合。

價格：是指顧客購買產(chǎn)品時的價格，包括基本價格、折扣價格、支付期限等。影響定價的主要因素有三個:需求、成本與競爭。

渠道：是指產(chǎn)品從生產(chǎn)企業(yè)流轉到用戶手上全過程中所經(jīng)歷的各個環(huán)節(jié)。

促銷：是指企業(yè)通過銷售行為的改變來刺激用戶消費，以短期的行為（比如讓利、買一送一，營銷現(xiàn)場氣氛等等)促成消費的增長，吸引其他品牌的用戶或導致提前消費來促進銷售的增長。廣告、宣傳推廣、人員推銷、銷售促進是一個機構促銷組合的四大要素。

邏輯樹又稱問題樹、演繹樹或分解樹等。它是把一個已知問題當成“主干”，然后開始考慮這個問題和哪些相關問題有關，也就是“分支”。邏輯樹能保證解決問題的過程的完整性，它能將工作細分為便于操作的任務，確定各部分的優(yōu)先順序，明確地把責任落實到個人。

邏輯樹的使用必須遵循以下三個原則：

要素化：把相同的問題總結歸納成要素。

框架化：將各個要素組織成框架。遵守不重不漏的原則。

關聯(lián)化：框架內的各要素保持必要的相互關系，簡單而不獨立。

AARRR模型是所有運營人員都要了解的一個數(shù)據(jù)模型，從整個用戶生命周期入手，包括獲?。ˋcquisition）、激活（Activition）、留存（Retention）、變現(xiàn)（Revenue）和傳播（Refer）。

每個環(huán)節(jié)分別對應生命周期的5個重要過程，即從獲取用戶，到提升活躍度，提升留存率，并獲取收入，直至最后形成病毒式傳播。

以上就是關于rfm計算方法相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內容。

推薦閱讀：

colourful怎么讀英語（colourful怎么讀英語怎么讀）

colourful英語怎么說讀音

渲染方式surfaceview和Tex

農(nóng)場大門入口景觀設計（農(nóng)場大門入口景觀設計效果圖）

外墻涂料品牌排行榜（外墻涂料品牌排行榜前十名三棵樹顏色）