正文

RFM中R怎么計算（rfm值計算公式）

發(fā)布時間：2023-04-21 17:06:12 稿源：創(chuàng)意嶺閱讀： 66

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于RFM中R怎么計算的問題，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(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)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、基于RFM模型的用戶分類及精細(xì)化運營（附實例）
2、RFM模型分析與客戶細(xì)分
3、用RFM模型劃分用戶等級
4、用戶體系搭建（二）——如何用RFM劃定用戶層級

RFM中R怎么計算（rfm值計算公式）

一、基于RFM模型的用戶分類及精細(xì)化運營（附實例）

一、RFM模型簡介

1、釋義

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。在眾多的客戶關(guān)系管理(CRM)的分析模式中，RFM模型是被廣泛提到的。該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標(biāo)來描述該客戶的價值狀況。

R：最近一次消費 (Recency)：代表用戶距離當(dāng)前最后一次消費的時間

F：消費頻率 (Frequency)：用戶在一段時間內(nèi)，對產(chǎn)品的消費頻次

M：消費金額 (Monetary)：代表用戶的貢獻(xiàn)價值

一般情況下，我們將R、F、M分別分五個維度打分，通過歸一化打分之后，把用戶所打分值與所有用戶的總分均值作高低比較，再將R、F、M每個方向定義為：高、低，兩個方向，如此可將用戶分為2 2 2=8類，如下：

當(dāng)我們將客戶分類后，便可以針對性指定精細(xì)化運營策略，幫助大家了解完RFM模型后，我將用一個實例具體展示操作流程，以下實例以某玩家作品網(wǎng)站為例，爬取前十個網(wǎng)頁共240個玩家作品的昵稱、編號、點贊數(shù)、積分、上傳日期時間等信息進行分析，具體流程如下：

1 數(shù)據(jù)爬取

2 數(shù)據(jù)清洗

3 數(shù)據(jù)分析

3.1 重新定義RFM

3.2 定義RFM打分標(biāo)準(zhǔn)

3.3 歸一化打分

3.4 計算RFM均值

3.5 用戶分類

3.6 統(tǒng)計與可視化

4 運營策略

1 數(shù)據(jù)爬取

2 數(shù)據(jù)清洗

3 數(shù)據(jù)分析

3.1 重新定義RFM

由于獲取的是作品相關(guān)信息（獲取信息有限），所以在此對RFM進行重新定義：

R：最近一次上傳作品日期據(jù)今天幾天；

F：作品數(shù)（用戶最近一段時間內(nèi)上傳作品的數(shù)量）；

M：點贊數(shù)（用戶最近一段時間內(nèi)上傳作品的點贊總數(shù)）

3.2 定義RFM打分標(biāo)準(zhǔn)

3.3 歸一化打分

3.4 計算RFM均值

3.5 用戶分類

將3.3與3.4比較得出用戶分類

3.6 統(tǒng)計與可視化

4 運營策略

以上便是此次操作全過程，不當(dāng)之處，還請指正，謝謝！

二、RFM模型分析與客戶細(xì)分

RFM模型分析與客戶細(xì)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(gòu)成了數(shù)據(jù)分析最好的指標(biāo)：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(yuǎn)，F(xiàn)(Frequency)表示客戶在最近一段時間內(nèi)購買的次數(shù)，M (Monetary)表示客戶在最近一段時間內(nèi)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(quán)(考慮權(quán)重)得到RFM得分，進而可以進行客戶細(xì)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(nèi)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(rèn)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(yù)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(jié)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(gòu)、神經(jīng)網(wǎng)絡(luò)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(zhǔn)備階段和數(shù)據(jù)預(yù)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(diào)的體驗。所以海量數(shù)據(jù)需要用到抽樣技術(shù)，用來查看數(shù)據(jù)和預(yù)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(diào)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(wù)的洞察都不為過，好的數(shù)據(jù)挖掘一定是市場導(dǎo)向的，當(dāng)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(gòu)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(zhuǎn)換為電信業(yè)務(wù)RFM分析主要思考：

這里的RFM模型和進而細(xì)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(gòu)建一個分析流：

數(shù)據(jù)結(jié)構(gòu)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(chǔ)數(shù)據(jù)重構(gòu)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(quán)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(xì)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(xì)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(gòu)技術(shù)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(gòu)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(gòu)。

我們可以將得到的數(shù)據(jù)導(dǎo)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(biāo)準(zhǔn)化，例如：Z得分(實際情況可以選擇線性插值法，比較法，對標(biāo)法等標(biāo)準(zhǔn)化)!另外一個考慮：就是R、F、M三個指標(biāo)的權(quán)重該如何考慮，在現(xiàn)實營銷中這三個指標(biāo)重要性顯然不同!

有資料研究表明：對RFM各變量的指標(biāo)權(quán)重問題,Hughes,Arthur認(rèn)為RFM在衡量一個問題上的權(quán)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(rèn)為各個指標(biāo)的權(quán)重并不相同,應(yīng)該給予頻度最高,近度次之,值度最低的權(quán)重;

這里我們采用加權(quán)方法：WR=2 WF=3 WM=5的簡單加權(quán)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(fù)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(jié)果：

以及kohonen神經(jīng)算法的聚類結(jié)果：

接下來我們要識別聚類結(jié)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(jié)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(jié)果，這里選擇Kohonen的聚類結(jié)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(dǎo)入SPSS軟件進行均值分析和輸出到Excel軟件!

輸出結(jié)果后將數(shù)據(jù)導(dǎo)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(jié)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(biāo)的標(biāo)準(zhǔn)化得分按聚類結(jié)果進行加權(quán)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(xì)分滿意的話，可能分析就此結(jié)束!如果我們還有客戶背景資料信息庫，可以將聚類結(jié)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、用RFM模型劃分用戶等級

如何對用戶進行等級分層，我們需要了解一個最常用的客戶分類模型，那就是RFM模型。

RFM模型是在客戶關(guān)系管理（CRM）分析模式中最受關(guān)注和應(yīng)用的模型之一。它主要通過最近一次消費（recency）、消費頻率（frequency）、消費金額（monetary）這三個維度的用戶行為來對用戶進行分層。RFM分別是這三個英文單詞的首字母縮寫。通過這一模型，企業(yè)可以動態(tài)地掌握用戶對企業(yè)的長期價值，甚至預(yù)測客戶的終身價值。

R（recency）指最近的消費時間。最近一次消費時間越近，說明這個用戶近期是活躍的，對企業(yè)是有印象的。最近一次消費距當(dāng)下時間越久，就越說明這個用戶可能沉睡或流失了，需要企業(yè)通過客戶關(guān)懷、營銷活動去觸達(dá)他，想辦法將他再次激活，盡量挽回這個用戶。

F（frequency）指消費頻率。消費頻率越高，消費也越活躍，代表用戶對企業(yè)或品牌越認(rèn)可，對企業(yè)貢獻(xiàn)的銷售價值越大。反之，消費頻率低，甚至用戶只來了一次后就再也沒來，說明用戶不活躍，相應(yīng)的貢獻(xiàn)價值也就少了。這時候企業(yè)就需要進行反思，他到底是不是企業(yè)的真正目標(biāo)用戶，是不是“薅羊毛”的用戶，又或者是不是企業(yè)的產(chǎn)品和服務(wù)有問題，傷害到了他?？傊?，企業(yè)需要針對消費頻率這一數(shù)據(jù)進行分析研究，找到原因，并想辦法解決。

M（monetary）指一段時間內(nèi)的消費金額。消費金額高，既說明用戶對企業(yè)產(chǎn)品的需求大，也能反映用戶的消費能力，同時還說明對企業(yè)和品牌的認(rèn)可。在一段時間內(nèi)，消費金額跟消費頻率呈正相關(guān)，消費頻率越高，累計的消費金額也會越高。

企業(yè)通過這三個維度合理評估用戶的長期價值，把用戶分為不同的等級，并對不同等級的用戶投入不同的資源和時間來維護，這樣就能讓公司的資源效果實現(xiàn)最大化。

過去，互聯(lián)網(wǎng)沒有如此發(fā)達(dá)，傳統(tǒng)企業(yè)沒有實現(xiàn)數(shù)字化，企業(yè)很難抓取用戶的實時數(shù)據(jù)，沒辦法實時掌握用戶動態(tài)、群體畫像，很難做精細(xì)化運營管理。而現(xiàn)在，無論是投廣告、做活動，還是依靠微信、社群、小程序、App，都能實時獲得大量數(shù)據(jù)，并且有了成熟的CRM軟件之后，企業(yè)能夠輕松地對用戶消費數(shù)據(jù)進行分析，進而做出正確的決策。

在實際應(yīng)用中，我們可以將RFM這三個維度，每個維度一分為二，大寫字母代表高，小寫字母代表低。這樣一來就得到8組用戶分類。

重要價值客戶：最近消費時間近、消費頻次和消費金額都很高，他們是企業(yè)的VIP客戶。

重要發(fā)展客戶：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高。他們是很有消費潛力的用戶，需要重點發(fā)展。

重要保持客戶：最近一次消費時間較遠(yuǎn)，但曾經(jīng)一段時間內(nèi)消費頻次和金額都很高，說明他過去是個忠誠客戶，企業(yè)需要主動和他聯(lián)系，嘗試激活。

重要挽留客戶：最近消費時間較遠(yuǎn)、消費頻次不高，但消費金額高，這些可能是將要流失或者已經(jīng)流失的用戶，企業(yè)應(yīng)當(dāng)采取挽留措施。

后面的一般價值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶相比前面四組的重要性會低一些。在實際成交客戶中，如果對這8組客戶維度進行簡化分類，我們可以把他們分為A、B、C三個等級。這樣，企業(yè)員工在維護時會更好地理解、操作。

總而言之，企業(yè)在人格上對用戶要一視同仁，尊重用戶，友善相待，但是在商業(yè)服務(wù)上則要區(qū)別對待。企業(yè)不要試圖給所有用戶一樣的服務(wù)，而是要將更高級的服務(wù)提供給那些更認(rèn)可企業(yè)、能帶來更高價值的用戶。

四、用戶體系搭建（二）——如何用RFM劃定用戶層級

RFM是很傳統(tǒng)的數(shù)據(jù)分析模型，幾乎所有文章都會提到它，然而市面上RFM模型很多只是講解了如何通過RFM解決和劃定用戶群體，但是很少有詳細(xì)說明RFM模型的計算方式，本文講解RFM模型的含義及應(yīng)用以及如何使用SPSS計算RFM模型。

1、RFM模型概述

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。在眾多的客戶關(guān)系管理的分析模式中，RFM模型是被廣泛提到的。該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標(biāo)來描述該客戶的價值狀況。（摘自百度百科）

以上是百度百科對RFM模型的描述，說的比較復(fù)雜，簡單的來講RFM是通過統(tǒng)計用戶最近購買時間（R），購買的次數(shù)（F），購買的金額（M）這三個維度來描述用戶在群體中的位置。對于這三個維度的描述具體如下：

基于這三個維度，將每個維度分為高低兩種情況，我們構(gòu)建出了一個三維的坐標(biāo)系。

通過圖表很直觀的發(fā)現(xiàn)，我們把客戶分為了2的三次方也就是8個群體。

2、RFM模型取數(shù)方法

根據(jù)RFM模型的定義，我們可以很容易的推導(dǎo)出，RFM模型的數(shù)據(jù)取數(shù)內(nèi)容主要包括三個字段即：最近購買時間、最近購買次數(shù)、消費金額。但是在實際工作中也會有問題是我們要計算每個用戶的購買時間、購買次數(shù)費事費力，所以一般也可以通過統(tǒng)計訂單來進行計算。

當(dāng)我們通過訂單進行統(tǒng)計時需要包含以下字段

當(dāng)我們準(zhǔn)備好以上數(shù)據(jù)時就可以開始準(zhǔn)備計算RFM模型

考慮不少人不是很了解SPSS，下面也將包含一些SPSS基礎(chǔ)功能的講解

1、設(shè)置度量標(biāo)準(zhǔn)

SPSS分為數(shù)據(jù)視圖和變量視圖，在開始前需要在變量視圖中設(shè)置數(shù)據(jù)類型

SPSS中數(shù)據(jù)類型包括度量、名義、序號，

2、設(shè)置變量類型及寬度

變量類型是定義該變量是何種類，點擊類型彈出變量類型選擇彈窗

寬度定義變量的展示位數(shù)，對于Order_id、User_id等需要注意變量長度，讓這兩個字段完全展示。

另外對于，Create_time這一字段應(yīng)選用日期這一類型并選擇yyyy:mm:dd

我們可以直接將excel里的數(shù)據(jù)直接復(fù)制過來。

4、選擇分析模型分析