如何利用RFM對客戶進行分類（如何利用rfm對客戶進行分類分析）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于如何利用RFM對客戶進行分類的問題，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、在線網頁版、PC客戶端

官網：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、如何使用RFM分析最具價值的網游付費用戶

• 2、基于RFM的客戶價值分析報告

• 3、數據分析小試牛刀-1

• 4、【知識分享】RFM模型與顧客生命周期管理（二）

一、如何使用RFM分析最具價值的網游付費用戶

IBM SPSS Statistics 18 版本后，新增加了客戶直銷模塊，該模塊的操作界面簡單明了，結果報告分析清晰易懂，可以廣泛的應用于電信，零售，銀行，保險，證券，傳媒，市場研究等行業(yè)領域，是為市場營銷人員精心設計的用以提高直銷效率，改善直銷活動效果的工具。

該模塊最重要的就是RFM模型，有關該模型的內容參見http://wiki.mbalib.com/wiki/RFM模型

以下為某段時間用戶購買的記錄（模擬數據），點擊菜單欄“直銷”|“選擇方法”。

之后便會彈出如下的直銷菜單選項

在“直銷”模塊中，分為三部分：

了解我的聯系人：用于對客戶信息進行分析，將客戶根據不同的特征進行分類。

改進我的市場營銷活動，預測客戶對營銷活動的響應率。

對我的數據評分，利用“選擇最有可能購買的聯系人”和其他模塊中的多種程序構建預測模型，根據預測模型對新的用戶數據評分。

此處介紹使用直銷模塊的“了解我的聯系人”

分析幫助標識我的最佳聯系人（RFM分析）

通過本文了解如何使用客戶直銷分析模塊中的RFM分析功能了解目標客戶，從而幫助我們針對不同的客戶指定smart營銷策略提供更可靠的依據。

RFM分析目標客戶

RFM是眾多的客戶關系管理（CRM）分析模式中，被廣泛提到和應用的模型之一。該模型應用于衡量客戶價值和客戶創(chuàng)造的利潤能力的分析。RFM模型通過一個客戶的最近一次消費（Regency）、消費總體頻率（Frequency）以及消費金額（Monetary）對客戶進行RFM打分，根據客戶的RFM得分來描述該客戶的價值情況。

最近一次消費：最近上一次消費時間是評價客戶價值的重要指標，理論上，最近購買產品或者服務的顧客，最有可能成為再次光臨的消費者，最推出的新品也最有可能做出反應。

消費總體頻率：消費總體頻率是在限定時間內的購買次數。最長購買的顧客，也是滿意度最高的顧客。

消費金額：消費金額是在限定時間期間購買金額的綜合。根據“帕累托”法則–通常80%的利潤來自20%的重要客戶，消費金額越多的客戶越是需要維系的關系客戶。

也由此，根據三個指標，對客戶進行評級。在此假設三個指標的界別分別為1到5,5為最高級別：

基于最近購買日期或自最近購買以來的時間間隔，消費日期越近或時間間隔越短，客戶等級越低，為1.

針對客戶消費頻率，為客戶分配一個頻率等級，其中較高的值代表購買頻率較高。例如，將最長購買的客戶的購買頻率等級評為5.

按消費金額對客戶進行評級，其中消費金額值最高的客戶將獲得最高等級5.

將客戶的三個指標等級合并就得到RFM得分。RFM得分最高的客戶即為對新產品最有可能做出反應的客戶。例如，某客戶最近一次消費，消費總體頻率和消費金額的等級分別是4、3、5，該客戶的RFM得分是435.

應用背景及數據描述

事實上如果針對傳統(tǒng)行業(yè)的新產品進行推銷，我們不需要進行RFM模型的改進可以直接進行分析使用。然而當我們在電子商務領域或者游戲行業(yè)的最具價值玩家的提取和分析角度，我們需要對該模型進行改進實施。

在此處，我們參考一個案例“基于RFM的電信客戶市場細分方法”（http://wiki.mbalib.com/wiki/RFM模型），如果我們從玩家的購買記錄著手，我們發(fā)現，玩家會在極其短暫的時間內，購買多次道具，那么我們如果要是以用戶的購買次數作為頻度來衡量，就失去了RFM模型本身的價值，于是我們考慮以用戶的充值次數作為頻度計數分析。同時依據電子購買的周期特點進行調整。

具體操作分析：

在進入直銷面板后，選擇數據格式，彈出“RFM分析：數據格式”對話框：

RFM數據格式

RFM分析根據數據行表示的含義分為來自交易數據的RFM分析和來自客戶數據的RFM分析。

來自交易數據的RFM分析

當數據行表示單筆單筆交易記錄，選擇交易數據的RFM分析。交易數據舉例如下圖，數據列中包含用戶ID，產皮信息，購買時間和消費金額；數據行表示一個客戶的一條購買記錄，一個客戶可以有多條購買記錄。

來自客戶數據的RFM分析

當數據行表示單個客戶的交易記錄，選擇客戶數據的RFM分析?？蛻魯祿e例如下，數據列中包含客戶ID，該客戶消費的總金額，最近購買日期，購買總次數和最近一次購買時間間隔。

本例使用交易類型的數據，選擇“交易數據”，點擊“繼續(xù)”，進入“交易數據的RFM分析”對話框，如下圖，如果是客戶類型，選擇“客戶數據”。

在“變量”頁面中，將變量“account”，“time”，“income”分別選入對應的“客戶標識符”，“交易日期”，“交易金額”文本框中。

在“摘要方法”下拉框中有四種匯總每個客戶交易金額的方法：總計（交易金額總額），均值，中位數或最大值（最高交易金額）。

本數據中，交易金額是單詞充值的錢數，選擇“總計”。

進入“離散化”頁面，如圖

在RFM分析中，需要將最近一次消費、消費總體頻率、消費金額進行分級，在對數據的實際操作中就是將大量數值分類，稱之為“離散化”。在“離散化”頁面中可以設定將數值分類的方法。

在“離散化方法”框中可以定義數據是按照三個指標的優(yōu)先級依次分類或三個指標獨立分類。

在 RFM 分析結果輸出中，類別對應著相應的塊。在“塊數”框中可以指定三個指標的塊數。每個指標可選擇 1 到 9 級進行分塊，默認分為 5 塊。

“結”是指具有相同指標值的客戶。在“結”框中可以指定對具有相同指標值的客戶如何分配到對應的塊中。

選擇“保存”頁面，如圖所示。

在“保存”頁面中，可以指定想要保存的變量，包括三個指標的原始變量，對原始變量分級后的變量（以“_ 得分”為后綴名命名的變量）以及 RFM 得分。還可以指定新生數據的保存位置。

選擇“輸出”頁面，如圖所示。

已離散化數據中設置的輸出圖表是對圖中“已保存變量的名稱”中的“嶄新 _ 得分”、“頻率 _ 得分”和“消費金額 _ 得分”進行描述。

未離散化數據中設置的輸出圖是對圖中“已保存變量的名稱”中的“最 _ 近 _ 日期”、“交易 _ 計數”和“金額”進行描述。

可以根據需要選擇輸出的圖表。在此選擇所有輸出圖表。

全部設置完后，點擊“確定”按鈕，就可以得到客戶的 RFM 得分，并可以在 IBM SPSS Statistics 的輸出查看器中通過圖表查看根據三個指標分塊后的客戶分布情況。

分析結果展現（分析報告在下一篇文章中闡述）

新生成數據，各項得分

RFM散點圖

RFM直方圖

RFM熱圖

RFM計數表

RFM計塊圖

以上就是通過RFM進行最具價值客戶分析的全過程，有關于結果的解讀將在下一篇文章說明。

展望：

RFM模型在網游方面的應用目前還比較淺，由于作為互聯網行業(yè)的性質與傳統(tǒng)的行業(yè)有所不同，我們需要在更加的短暫的時間內，專注于用戶的屬性和需求。其實，在網游應用上，我覺得更多的是通過RFM刺激哪些已經付費但付費頻度不高的用戶，其實他們是最容易轉化成我們的穩(wěn)定付費用戶，換句話說，在游戲內一系列的贈送活動之外，針對這些群體應該給予特殊的不同的福利和關照，讓他們感到溫暖，即使你支付了一毛錢。因為你既然一條腿踏上了賊船，就不會下來了。因為你投入了你的精力，時間，金錢。

明日把上面各圖的含義和分析向諸位闡述一下，希望對大家有幫助。

二、基于RFM的客戶價值分析報告

項目背景

在面向客戶制定運營策略、營銷策略時，我們希望針對不同的客戶推行不同的策略，實現精準化運營，以期獲取最大的轉化率。精準化運營的前提是客戶分類。通過客戶分類，對客戶群體進行細分，區(qū)別出低價值客戶、高價值客戶，對不同的客戶群體開展不同的個性化服務，將有限的資源合理地分配給不同價值的客戶，實現效益最大化。在客戶分類中，RFM模型是一個經典的分類模型，模型利用通用交易環(huán)節(jié)中最核心的三個維度——最近消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)細分客戶群體，從而分析不同群體的客戶價值。

項目目標

本項目借助某電商客戶數據，探討如何對客戶群體進行細分，以及細分后如何利用RFM模型對客戶價值進行分析。在本項目中，主要希望實現以下三個目標：1.借助某電商客戶數據，對客戶進行群體分類；2.比較各細分群體的客戶價值；3.對不同價值的客戶制定相應的運營策略。

分析過程

1.數據預覽  

我們的源數據是訂單表，記錄著用戶交易相關字段

通過數據可以發(fā)現，訂單狀態(tài)有交易成功和退款關閉的，檢查是否還有其他情況

只有這兩種情況，后續(xù)清洗中需剔除退款訂單。然后觀察數據類型與缺失情況

訂單一共28833行，沒有缺失，付款日期是時間格式，實付金額、郵費和購買數量是數值型，其他均為字符串類型

2. 數據清洗

(1)剔除退款

(2)關鍵字段提?。禾崛FM模型所需要的買家昵稱，付款時間，實付金額

(3)關鍵字段構造：構建模型所需的三個字段，R(最近一次購買時間間隔),F(購買頻次),M(平均或累計購買金額)

首先構造R值，思路是按買家昵稱分組，選取付款日期最大值

為了得到最終的R值，用今天減去每位用戶最近一次付款時間，就得到R值了，這份訂單是7月1日生成的，所以這里我們把“2019-7-1”當作“今天”

然后處理F,即每個用戶累計購買頻次( 明確一下單個用戶一天內購買多次訂單合并為一次訂單 )

思路：引入一個精確到天的日期標簽，依照“買家昵稱”和“日期標簽”分組，把每個用戶一天內的多次下單合并，再統(tǒng)計購買次數

最后處理M,本案例M指用戶平均支付金額，可以通過總金額除以購買頻次計算出來

三個指標合并

3. 維度打分 

維度確認的核心是分值確定。RFM模型中打分一般采取5分制，依據數據和業(yè)務的理解，進行分值的劃分

R值依據行業(yè)經驗，設置為30天一個跨度，區(qū)間左閉右開

F值和購買頻次掛鉤，每多購買一次，分值多加一分

M值我們按照50元的一個區(qū)間來進行劃分

這一步我們確定了一個打分框架，每一個用戶的每個指標，都有其對應的分值

4. 分值計算 

(1)算出每個用戶的R,F,M分值

(2)簡化分類結果  

通過判斷每個客戶的R,F,M值是否大于平均值，來簡化分類結果。0表示小于平均值，1表示大于平均值，整體組合下來有8個分組

5.客戶分層

RFM經典分層按照R,F,M每一項指標是否高于平均值，把用戶劃分為8類

Python實現思路如下：先定義一個人群數值，將之前判斷的R,F,M是否大于均值的三個值加起來

人群數值是數值類型，位于前面的0會自動略過，比如1代表001的高消費喚回客戶人群，10對應010的一般客戶

然后在python中定義一個判斷函數，通過判斷人群數值，來返回對應的分類標簽

數據解讀與建議：

首先查看各類用戶占比情況

然后查看不同類型客戶消費金額貢獻占比

最后導出數據，在tableau中數據可視化展示

通過數據可視化后，我們可以發(fā)現：

1.客戶流失情況嚴重，高消費喚回客戶，流失客戶占比超過總客戶的50%

2.高消費喚回客戶和頻次深耕客戶的金額總占比約66%，這兩部分客戶是消費的重點客戶

3.流失客戶和新客戶的總人數占比約38%，但金額總占比只有約13%

建議：

1.針對高消費喚回客戶，流失客戶采用喚回策略，推送相關信息，發(fā)禮品券等挽留客戶

2.針對高消費喚回客戶和頻次深耕客戶，考慮繼續(xù)挖掘其消費特性，如喜愛購買的產品，消費的時間段，后續(xù)據此加強店鋪產品與時間段的改進，最大程度留住這兩部分客戶

3.針對流失客戶和新客戶金額總占比低，建議推出一些低價產品，用來拉取新客戶，保證店鋪的活躍性。

三、數據分析小試牛刀-1

一．背景介紹

一家在英國注冊的非商店在線零售店主要銷售獨特的禮品，其中許多客戶是批發(fā)商。下文針對該店2010年12月1日至2011年12月9日期間發(fā)生的所有交易數據進行多角度的分析，以提高該店銷售量，降低退貨率。

二．提出問題及分析思路

客戶總數量，每月客戶數量？

分析不同客戶的價值，進行精準化營銷？

商品的種類，熱銷商品以及退貨訂單數高的商品種類？

客戶所屬國家，不同國家的訂單數，退貨訂單數以及銷售金額？    具體分析思路如下：

三.理解，清洗數據

1.理解數據

本數據集來源于開源數據集網站kaggle： https://www.kaggle.com/carrie1/ecommerce-data

數據有542K行X 8列，8個字段如下：

2.數據清洗

2.1缺失值處理

a.在記錄中找到1454條描述詳情為空，單價為0，無客戶編碼的記錄,這些數據對我們作用不大，將其刪除。

b.存在133k條數據客戶號碼缺失，因數據量大，暫不明確它是否有作用，先保留后再看看能否使用。

2.2 發(fā)票日期和時間處理

發(fā)現日期和時間之間存在空格，利用分列工具將它進行數據處理。補全字段名字“Time”

四.構建模型

1.2010年12月1日至2011年12月9日期間總客戶數量，及每月客戶數。

通過上面的統(tǒng)計可知：

a.店鋪這段時間的總顧客有4372，平均每個月有1082位客戶。（其中2011年12月數據只有前9天數據，故不計入），很多客戶存在重復購買行為。

b. 2011年1月至8月，客戶數量有著小幅度的波動，在9月之后持續(xù)增長。

2.通過建立RFM模型尋找價值客戶

利用RFM模型分析客戶近期的購買行為，頻率及消費金額三項指標來描述客戶的價值和創(chuàng)利能力（Recency：距離最近一次購買的時間，Frequency:購買次數，Monetary:購買總金額）

將上述SQL得出的數據導出為xlsx格式到excel中進行處理。

首先將時間設定為2011/12/10，然后統(tǒng)一得出距離2011/12/10最后一次購買的時間。

設置R,F,M參數并打分

備注：R參數打分原則為距離最近一次購買時間大于0天，小于15天的打5分，依次類推；F參數打分原則為購買次數大于0次，小于2次，得1分；依次類推。M參數打分原則為訂單金額大于-5000，小于250，得1分；依次類推。

通過參數分數的設置，利用lookup函數給用戶打分：

打分結果統(tǒng)計如下：

可以看出分布比較均勻，說明參數設置合理。

然后計算出用戶RFM的平均值，將每個用戶的R/F/M分數與平均值比較，如果大于平均值則為1，小于平均值為0.

然后連接RFM值，這樣得到了所有用戶的RFM值,對客戶進行分類如下圖：

當RF=111時，表示客戶最近有購買行為，購買次數多，交易金額高；

這類客戶是重要價值客戶，需要保持。

當RF=110時，表示客戶最近有購買行為，購買次數多，交易金額較低；

這類客戶是潛力客戶，需要挖掘跟進。

當RF=001時，表示客戶最近沒有購買行為，購買次數少，交易金額高；

這類客戶是是潛在的有價值客戶，需要挽留。

當RF=000時，表示客戶最近沒有購買行為，購買次數少，交易金額低；

表示這類客戶已流失。

當RF=101時，表示客戶最近有購買行為，購買次數少，交易金額高；

這類客戶是重要深耕客戶，需要重點識別。

當RF=100時，表示客戶最近有購買行為，購買次數少，交易金額低；

這類客戶是新客戶，具有推廣價值。

當RF=011時，表示客戶最近沒有購買行為，購買次數多，交易金額高；

這類客戶是重要喚回客戶，需要喚回。

當RF=010時，表示客戶最近沒有購買行為，購買次數多，交易金額低；

這類客戶是一般維持客戶，交易次數多，但貢獻不大。

通過統(tǒng)計可以看出，店鋪的重要喚回客戶較多，其次是流失客戶，新客戶。這說明了店鋪在留存方面的不足。

3. 統(tǒng)計商品種類，不同商品的成功訂單數，退貨訂單數以及銷售金額

將以上的統(tǒng)計結果導出,整理得到

3.1 商品種類有3828種。其中有39類商品訂單數在1000及以上，熱銷的商品有白色t型燈座，3層蛋糕架，聚會彩旗，爆米花托，蛋糕盒，各類包，儲物袋，午餐袋，果醬罐，明信片，小裝飾品，茶杯茶碟，燈具，餐巾紙等等。

3.2 退貨訂單數top10的商品（除去郵費，樣品，折扣等特殊記錄）有3層蛋糕架,果醬罐，蛋糕食品柜，草莓陶瓷小飾品盒，茶杯茶碟，爆米花托，食譜盒，木制抽屜柜，紅色大袋子，紅色特大型午餐袋。

3.3 銷售金額top10的商品（除去郵費外）有3層蛋糕架, 白色t型燈座，聚會彩旗，紅色特大型袋子，兔子夜燈，紙質鏈盒，雜色鳥裝飾品，辣椒燈，野餐籃，爆米花托。

4. 統(tǒng)計客戶所屬國家，每個國家的訂單數以及訂單總金額（交易成功金額，交易失敗金額）。

將SQL的數據導出，整理得到

4.1 訂單數top10的國家

4.2 成功訂單數top10的國家

4.3 退貨訂單數top10的國家

4.4 訂單總金額top10的國家

根據SQL統(tǒng)計結果可知:

a.客戶來源于37個國家（除去未知信息），大部分屬于歐洲國家；其中英國本地的客戶訂單數最多，占比90%以上。

b. 訂單總金額top10的國家為英國，荷蘭，愛爾蘭，德國，法國，澳大利亞，瑞士，西班牙，比利時，瑞典。其中英國的訂單總金額是最多的，占比84% 。澳大利作為其中唯一的太平洋國家，占有1.4%的訂單總金額。

五．結論及建議

1.店鋪在9月份之后客戶數量持續(xù)增長，建議在8月底加大商品的上新。

2.店鋪的流失客戶，重要喚回客戶較多，說明店鋪的留存做的不足。建議針對重要喚回客戶進行精準化營銷活動，以促進這類客戶的回流。

3.熱銷商品種類例如有3層蛋糕架, 白色t型燈座，聚會彩旗，紅色特大型袋子，兔子夜燈，紙質鏈盒，雜色鳥裝飾品，辣椒燈，野餐籃，爆米花托等可以進行重點推銷或者進行組合銷售。

4.針對退貨訂單數的商品可以看出有部分商品種類與熱銷商品重合，因此店鋪要加大對商品品質的保障。

5.加大歐洲其他國家如荷蘭，愛爾蘭，德國，法國，瑞士，西班牙，比利時，瑞典；澳大利亞的市場推廣。

四、【知識分享】RFM模型與顧客生命周期管理（二）

二. RFM模型的應用

說到應用，主要可拆分為三個步驟：進行客戶細分、輸出目標客戶還有針對性的二次營銷。與一般想象不同，并不是細分維度越多越好——我們主要有兩個指標來幫助自己選擇合適的細分指標：一是店鋪規(guī)模，而是店鋪的商品和顧客結構。比如一個只有百人客戶群的店鋪，那么其用戶畫像的豐富性一定不及餓了么的外賣群體；一個只賣母嬰產品的垂直網站，其典型的用戶畫像一定是母親和幼兒，不論其用戶群大小。

這張表格闡述了營銷方法、客戶細分以及營銷策略三者之間的關系。從R值可區(qū)分顧客的活躍程度，從F值可以區(qū)分顧客的忠誠程度，從M值可以區(qū)分顧客的可獲利程度。

我們可以根據RFM的綜合值給每個用戶進行打分（線性？三維立體？），分數越高的顧客對店鋪的意義和重要性越大。但不代表分數低的那些組人員需要放棄。相反，我們再次強調的是對于不同的顧客，營銷策略要差異化。

CHAPTER THREE 顧客生命周期管理

生命周期，born-grow-flourish-decend-death，有生有亡，這是個必然的過程。顧客也是，每天有新人來，每天也有顧客遺忘你。作為店鋪管理者，需要關注的重點是如何有效的劃分客戶生命周期以及如何針對不同生命周期客戶制定有效的營銷策略。

上表以店鋪售賣商品類目回購周期為維度，劃分了生命周期的五個階段，并標明了客戶特征。供大家參考。

CHAPTER FOUR 顧客生命周期營銷

結合上一張圖的顧客營銷策略，這里是一張示例的計劃表。

這張圖列舉了目前市面上可見的維系類活動與營銷類活動。

以上就是關于如何利用RFM對客戶進行分類相關問題的回答。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：

如何設置從下拉表中選擇（如何設置從下拉表中選擇選項）

互聯網個人ip搭建如何賺錢（怎么用互聯網掙錢）

如何給顧客更好的體驗感（如何打造最佳客戶體驗）

目標市場的營銷策略包括（目標市場的營銷策略包括什么）

微信朋友圈怎么變成了視頻號