運(yùn)用RFM模型成功的案例（rfm模型概述及應(yīng)用分析）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于運(yùn)用RFM模型成功的案例的問題，以下是小編對(duì)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(gè)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(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、數(shù)據(jù)分析方法3—RFM分析模型

• 2、電商銷售數(shù)據(jù)分析案例(Oracle)

• 3、【分析方法or思維】RFM模型——用戶價(jià)值分析

• 4、基于RFM模型用戶價(jià)值分析（K-Means聚類）

一、數(shù)據(jù)分析方法3—RFM分析模型

        對(duì)于一個(gè)新上線產(chǎn)品的前期運(yùn)營(yíng)，我們一般的做法都是做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀，真正獲取的用戶沒有幾個(gè)，最終都便宜了羊毛黨。其實(shí)客戶在不同階段的需求是不一樣的，有的客戶圖便宜，有的客戶看新品，有的客戶重服務(wù)。所以我們想要運(yùn)營(yíng)好一個(gè)產(chǎn)品，就需要對(duì)客戶精細(xì)化運(yùn)營(yíng)。

     精細(xì)化運(yùn)營(yíng)最經(jīng)典的用戶分群工具就是RFM模型，RFM模型是衡量用戶價(jià)值和用戶創(chuàng)新能力的經(jīng)典工具，主要是由用戶最近一次購(gòu)買時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。

        RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段，RFM是Rencency（最近一次消費(fèi)），F(xiàn)requency（消費(fèi)頻率），Monetary（消費(fèi)金額）組合而成，此模型對(duì)于運(yùn)營(yíng)、銷售、財(cái)務(wù)、市場(chǎng)來說都比較重要。

R值（Recency）： 最近一次消費(fèi)

        表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間，消費(fèi)時(shí)間越近的客戶價(jià)值越大，1年前消費(fèi)過的用戶肯定沒有1月前消費(fèi)過的用戶價(jià)值大，是衡量用戶價(jià)值的一個(gè)指標(biāo)。

        基于R值的大小，可以看出上表中的客戶2是最有價(jià)值的，客戶3是最沒有價(jià)值的，但是如果就此說明客戶2是最有價(jià)值，而客戶3是沒有價(jià)值的是不成立的，對(duì)于客戶價(jià)值我們不能僅看R值，還需要考慮F值和M值。這里我們只舉出4個(gè)客戶為例，但在真實(shí)的客戶場(chǎng)景中，我們可以把客戶按照周、月、季、年等維度的占比詳細(xì)來觀察出R的趨勢(shì)變化。

F值（Frequency）： 消費(fèi)頻率

        消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購(gòu)買商品的次數(shù)，經(jīng)常購(gòu)買的用戶也就是熟客，其價(jià)值比偶爾來一次的客戶價(jià)值大

        基于F值的大小，可以看出客戶4的價(jià)值最大，客戶1的價(jià)值最小，但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶對(duì)于產(chǎn)品的復(fù)購(gòu)的核心因素是類目。有的類目產(chǎn)品復(fù)購(gòu)率高（食品類）主要是食品屬于易耗品，消耗周期短，購(gòu)買的頻率高，相對(duì)容易產(chǎn)生重復(fù)性購(gòu)買。而有的類目產(chǎn)品復(fù)購(gòu)率低（家電類），消耗周期長(zhǎng)，購(gòu)買頻次低。建議在對(duì)F值進(jìn)行統(tǒng)計(jì)時(shí)對(duì)于不同的類目要有相應(yīng)的統(tǒng)計(jì)周期。

M值（Monetary）： 消費(fèi)金額

消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額，體現(xiàn)了消費(fèi)者對(duì)于企業(yè)的價(jià)值。

        基于M值的大小，可以看出客戶4的價(jià)值最高，客戶1的價(jià)值最低，M值同上面的R值、F值類似，單一的值并不能說明客戶的好壞，三者結(jié)合才能更好地精細(xì)化用戶，對(duì)購(gòu)買產(chǎn)品的用戶合理的分隔，采用不同的機(jī)制去運(yùn)營(yíng)。

RFM模型的主觀細(xì)分

        根據(jù)RFM模型值得大小對(duì)客戶進(jìn)行細(xì)分，如下表所示，將客戶分為了8部分去運(yùn)營(yíng)，對(duì)于不同的細(xì)分人群采取不同的運(yùn)營(yíng)策略，在實(shí)際的應(yīng)用場(chǎng)景中，店鋪可以根據(jù)自己店鋪的實(shí)際情況來細(xì)分人群，購(gòu)買人群多的就分多個(gè)人群，購(gòu)買人群少的就少分幾個(gè)人群，具體的情況根據(jù)店鋪來定。

RFM模型的量化細(xì)分

        上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分，而如果想要更細(xì)地對(duì)人群進(jìn)行劃分，就需要對(duì)RFM進(jìn)行量化處理，一般采用的方式有

1、根據(jù)經(jīng)驗(yàn)定義權(quán)重

RFM值=a*R值+b*F值+c*M值

對(duì)于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來判斷

2、歸一化處理

將RFM的值進(jìn)行歸一化處理，公式為

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是歸一化處理過后的值

3、AHP層次分析得出權(quán)重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

具體參考鏈接

最終按照得出值的大小進(jìn)行人群細(xì)分，得出不同的人群

二、電商銷售數(shù)據(jù)分析案例(Oracle)

數(shù)據(jù)來源于Kaggle的電商數(shù)據(jù)集 The UCI Machine Learning Repository ，英國(guó)在線零售商在2010年12月1日到2011年12月9日的在線銷售數(shù)據(jù)，該電商公司主要以銷售各類禮品為主，多數(shù)客戶都是批發(fā)商。

使用Oracle 對(duì)數(shù)據(jù)進(jìn)行處理與清洗，通過RFM模型、復(fù)購(gòu)率、消費(fèi)生命周期等對(duì)用戶維度進(jìn)行分析，利用ABC分類、退貨率等維度展開剖析，結(jié)合Excel圖表進(jìn)行可視化展示，為精準(zhǔn)營(yíng)銷與個(gè)性化服務(wù)提供支持。

根據(jù)分析目的選擇字段，數(shù)據(jù)集共8個(gè)字段，如果表格字段較多，視情根據(jù)分析目的的需要選擇合適的字段。

創(chuàng)建備用表new_ecommerce，將舊表的數(shù)據(jù)去重添加進(jìn)備用表。原有數(shù)據(jù)541909條， 去重后數(shù)據(jù)536641條，刪除重復(fù)值5268條。

檢查缺失值

CustomerID存在缺失值135037條，Description出現(xiàn)缺失值1454條。數(shù)據(jù)都很大，不可能全部刪除。Description產(chǎn)品描述不是項(xiàng)目分析，不用處理。

在實(shí)際工作中，像CustomerID客戶ID缺失，首先找業(yè)務(wù)部門或者數(shù)據(jù)來源部門確認(rèn)信息并且補(bǔ)上。本項(xiàng)目只有單一數(shù)據(jù)，無法找到相關(guān)人員確認(rèn)，暫且把NULL值替換為0。

5.1檢查日期是否在范圍內(nèi)（2010年12月1日到2011年12月9日）

交易成功，銷量不可能為負(fù)值或零值。如果銷量為零或者負(fù)值情況，那么需要和業(yè)務(wù)/數(shù)據(jù)來源部門確認(rèn)具體的原因。這里假設(shè)出現(xiàn)負(fù)值是客戶退貨情況。

檢查發(fā)現(xiàn)交易銷量小于0的發(fā)票編號(hào)大都是"C”開頭的，有部分異常銷量小于0但不是以"C"開頭，這里做刪除處理。

檢查發(fā)現(xiàn)有單價(jià)為0的免費(fèi)單，共計(jì)1174。暫且不分析免費(fèi)單，直接刪除免費(fèi)單的數(shù)據(jù)。

檢查發(fā)現(xiàn)兩筆壞賬，單價(jià)都是負(fù)值，故把它刪除。

根據(jù)分析目的，我們處理InvoiceDate日期數(shù)據(jù)。這里只做日期分析，不分析小時(shí)分鐘，故轉(zhuǎn)換為日期格式。

根據(jù)分析目的，本次分析將采用RFM模型

在RFM模式中：

R：最近一次消費(fèi)時(shí)間（最近一次消費(fèi)到參考時(shí)間的間隔）

F：消費(fèi)的頻率(消費(fèi)了多少次）

M：消費(fèi)的金額 （總消費(fèi)金額）

一般的分析型RFM強(qiáng)調(diào)以客戶的行為來區(qū)分客戶。

根據(jù)最近一次消費(fèi)與客戶數(shù)的分析結(jié)果顯示最長(zhǎng)的天數(shù)差是373天，最短0天；80%的客戶在200天內(nèi)都有交易記錄，說明客戶忠誠(chéng)度不錯(cuò)。

分析顯示，10次交易記錄以內(nèi)的客戶占絕大部分，說明客戶是很認(rèn)可產(chǎn)品和服務(wù)。

在2010年12月1日到2011年12月9日期間，交易金額主要集中在 1000英鎊以內(nèi)和1000-3000英鎊這兩個(gè)范圍內(nèi)。

分析發(fā)現(xiàn)，該電商平臺(tái)總交易客戶數(shù)4372位。交易客戶中，一般發(fā)展客戶（可以說是新客戶）最多，占總數(shù)的34%，其次是一般挽留客戶(流失客戶)29%，重要發(fā)展客戶22%，重要價(jià)值客戶10%，重要挽留客戶5%和重要挽回客戶0.16%。

每月新客數(shù)量及其占比

每月的新老客戶的銷售數(shù)量與銷售金額

用戶生命周期 = 最近一次購(gòu)買時(shí)間 - 第一次購(gòu)買時(shí)間

商品退貨分析

結(jié)合ABC分類進(jìn)行分析，選取退貨率大于均值且為A級(jí)的商品（主要是綜合上文提及的ABC分類和退貨率計(jì)算，通過創(chuàng)建view的形式進(jìn)行聯(lián)結(jié)后篩選，創(chuàng)建退貨率視圖為view_return_rate，ABC分類視圖為view_class），這里篩選出64個(gè)商品。

三、【分析方法or思維】RFM模型——用戶價(jià)值分析

  RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段，模型主要是利用客戶的最近一次消費(fèi)（Recency）、總體消費(fèi)頻率（Fequency）以及消費(fèi)全額（Monetary）3項(xiàng)指標(biāo)來描述該客戶的價(jià)值狀況。 RFM代表近度，頻率和額度，這些指標(biāo)表征了客戶的一些消費(fèi)行為和習(xí)慣。頻率和額度會(huì)影響客戶的生命周期價(jià)值，新近度會(huì)影響保留率，而保留率是忠誠(chéng)度的衡量標(biāo)準(zhǔn)。

   RFM是一種客戶細(xì)分技術(shù)，用以幫助營(yíng)銷人員快速識(shí)別用戶類型及群體分類，并幫助營(yíng)銷人員根據(jù)客戶細(xì)分類型的共性、個(gè)性提供一定的營(yíng)銷策略。因而，RFM的最終成果是客戶的分類及分類分析。

四、基于RFM模型用戶價(jià)值分析（K-Means聚類）

本次分析數(shù)據(jù)來源CDNow網(wǎng)站的用戶在1997年1月1日至1998年6月30日期間內(nèi)購(gòu)買CD訂單明細(xì)，對(duì)訂單明細(xì)進(jìn)行RFM模型的K-Means 聚類分析并提出運(yùn)營(yíng)策略建議

-- 每個(gè)數(shù)據(jù)一共4列，分別是用戶ID、訂單時(shí)間、訂單數(shù)量、訂單金額，數(shù)據(jù)類型都是數(shù)值型

-- 刪除255個(gè)重復(fù)值

-- 共有80個(gè)，訂單數(shù)均為1，可能是未付款訂單或免費(fèi)活動(dòng)，沒有明顯價(jià)值，可以剔除

-- 數(shù)據(jù)集的時(shí)間在1997-01-01到1998-06-30日，因此將此次觀察日期定義為1998年6月30日

RFM模型的定義：R為最近一次下單時(shí)間，F(xiàn)為購(gòu)買頻次，M為購(gòu)買金額。提取所需要的字段信息：

-- 完成數(shù)據(jù)預(yù)處理

利用K-means算法對(duì)客戶進(jìn)行聚類

結(jié)合業(yè)務(wù)，分析客戶特征，分析客戶價(jià)值

-- 在K=4、5的時(shí)候SSE曲線趨于平緩，再用輪廓系數(shù)看一下

-- 選擇最高點(diǎn)K=4進(jìn)行聚類

R：最近消費(fèi)時(shí)間 F：消費(fèi)頻次 M：消費(fèi)金額

經(jīng)分析，把客戶群體分為以下4類：

第1類人群：占比28.73%，RMF三個(gè)值都比較低，屬于低價(jià)值用戶

第2類人群：占比3.6%，F(xiàn)和M較高，R低，屬于重要保持用戶

第3類人群：占比67.52%（最多），R值較高，屬于一般發(fā)展用戶

第4類人群：只有22人，F(xiàn)和M特別高，R低，屬于高價(jià)值的重要保持用戶

用戶特點(diǎn)及策略：

（1）重要保持用戶：

消費(fèi)次數(shù)（F）和消費(fèi)金額（M）高，最近消費(fèi)時(shí)間（R）低

是公司的高價(jià)值用戶，對(duì)公司貢獻(xiàn)最大，所占比例小，主要目標(biāo)是促進(jìn)提高滿意度，延長(zhǎng)用戶生命周期?？刹扇€(gè)性化營(yíng)銷，如設(shè)計(jì)VIP服務(wù)、提供高質(zhì)量產(chǎn)品、與客戶互動(dòng)了解情況等，促進(jìn)用戶回流。

（2）重要發(fā)展用戶： 消費(fèi)次數(shù)（F）和消費(fèi)金額（M）低，最近消費(fèi)時(shí)間（R）高

此類客戶當(dāng)前價(jià)值不高，但是所在比例最大，有發(fā)展?jié)摿?，主要目?biāo)是提升其購(gòu)買頻次和金額，可采取交叉銷售、個(gè)性化推薦、組合優(yōu)惠券等策略，提升單次購(gòu)買的訂單金額及促進(jìn)重復(fù)購(gòu)買。

（3）低價(jià)值用戶：

消費(fèi)次數(shù)（F）、消費(fèi)金額（M）和最近消費(fèi)時(shí)間（R）三個(gè)值都低

此類用戶優(yōu)先級(jí)最低，可能在打折促銷、打造爆款時(shí)會(huì)進(jìn)行購(gòu)買。

小結(jié)： 各類別用戶都明顯出現(xiàn)R值低的情況，說明用戶留存較低，結(jié)合業(yè)務(wù)場(chǎng)景（CDNow在線CD零售平臺(tái)），屬于用戶消費(fèi)頻次高的場(chǎng)景，應(yīng)引起重視，找到產(chǎn)品問題，提高用戶留存，培養(yǎng)用戶忠誠(chéng)度

以上就是關(guān)于運(yùn)用RFM模型成功的案例相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

如何運(yùn)用室內(nèi)景觀設(shè)計(jì)（如何運(yùn)用室內(nèi)景觀設(shè)計(jì)）

生活中常見的ai運(yùn)用（生活中常見的ai運(yùn)用方法）

云錦在景觀設(shè)計(jì)中運(yùn)用（云錦的藝術(shù)風(fēng)格）

sem優(yōu)化關(guān)鍵詞技巧（關(guān)鍵詞優(yōu)化和sem推廣有哪些操作技巧和注意事項(xiàng)-）

手機(jī)網(wǎng)頁(yè)版qq（手機(jī)網(wǎng)頁(yè)版qq郵箱怎么發(fā)文件）