正文

用戶rfm模型（rfm模型將用戶分為幾個類別）

發(fā)布時間：2023-04-22 03:52:33 稿源：創(chuàng)意嶺閱讀： 144

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于用戶rfm模型的問題，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、【知識分享】RFM模型與顧客生命周期管理（二）
2、k-means與RFM模型結合進行用戶群體劃分
3、客戶識別的rfm模型指的是什么
4、客戶價值如何分析？看看這個RFM模型分析吧

用戶rfm模型（rfm模型將用戶分為幾個類別）

一、【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。

二、k-means與RFM模型結合進行用戶群體劃分

在CRM系統(tǒng)中經常要對用戶進行劃分，以標記不同的標簽，進行個性化的營銷觸達動作。通常的用戶群體劃分會使用用戶的一些屬性信息，例如年齡，職業(yè)，性別等。但是這些屬性基本上都是用戶本身的特征屬性，并不是和品牌關聯產生的屬性信息。另外一種常用的用戶模型，就是 RFM模型 ，是以用戶的實際購買行為數據作為基礎，進行用戶群體的劃分的，在實踐中更加具有實際價值。

RFM模型由三個指標組成，分別為：

最近一次消費 (Recency)

消費頻率 (Frequency)

消費金額 (Monetary)

可以看到這三個屬性都是通過用戶的購買行為計算得出的，這些指標基本上代表了用戶是否活躍，購買能力，忠誠度等信息。

而我們的目標是通過對每個用戶的RFM屬性進行計算，將用戶群體劃分為不同的種類進行區(qū)分，以便我們進行分析和精準營銷。例如我們可以分析出高價值用戶，重點發(fā)展用戶，流失用戶等群體進行針對性營銷動作。

本文將使用Python的一些工具包，對用戶數據集進行分析處理，例如建立RFM模型，數據標準化，以及使用k-means聚類算法將用戶群體進行劃分。需要讀者具有一些基礎的Python和數據統(tǒng)計知識。

首先我們通過一些訂單數據分析得到一部分用戶的樣本數據來：

這里包括了用戶的id，總購買筆數，總購買金額以及最后一筆訂單時間的信息。我們將文件加載進來，截取一部分后對字段類型進行處理：

為了將其轉化為我們要使用的RFM屬性，我們需要對last_order_date進行處理，轉換為最后一次訂單時間到目前的天數。這樣我們就獲得了RFM的基本屬性，分別為last_order_day_from_now(R), total_order_count(F), total_order_price(M)。處理完成后對數據進行可視化觀察數據分布：

其散點圖為：

我們會發(fā)現實際上的數據大部分都聚集在了一起，并且有一些非常離散的極端值數據，這對我們后續(xù)進行數據聚類會產生不利影響，所以我們使用log函數對數據進行處理，讓其分布的更加均勻：

可以看到現在數據分布的已經比較均勻了，這為我們進行聚類打下一個比較好的基礎。但同時我們也會發(fā)現RFM這三個屬性的單位卻并不相同，分別是天數，交易筆數和交易金額。這就造成了其數值差別巨大。而聚類算法一般都是使用不同向量間的距離進行計算劃分的，屬性單位不同造成的數值差異過大會造成計算距離時的權重分布不均衡，也并不能反映實際情況，所以我們還要對數據進行標準化處理，這里我們使用z-score對RFM屬性進行加工運算。

z-score是一種數據標準化的計算方法，其公式為：

z = (x – μ) / σ

μ代表x所屬數據組的平均值，σ代表x所屬數據組的方差。所以通過z-score計算，我們將絕對值數據轉化為一個數據在所屬數據組中的位置（得分），這樣不同單位和類型間的數據使用z-score做相互的比較也就有了一定的意義。

這時候會看到數據不但分布較為均勻，而且不同維度間的數值差異也很小了，這樣我們可以把三種不同單位的屬性一起進行處理。

當我們建立好RFM的數據模型之后，期望通過不同的RFM值，對用戶進行區(qū)分以進行精準化營銷。當然我們可以通過對RFM這三組數值的平均值或者中位數和每個用戶進行比較，以建立起一個數據立方，進行群體劃分。但另外一方面，一般來說用戶群體會大致符合28原則，80%左右的收入是由20%左右的客戶所貢獻的，所以根據平均值或者中位數進行群體劃分也并不能總是科學的反應出不同的用戶群體來，所以我們也可以基于數據本身的特性，使用聚類算法進行處理，以便讓數據更加“自然”的區(qū)分。

這里我們選用非常常用的k-means算法進行聚類計算，k-means聚類的原理并不復雜，首先隨機的或者通過更高效的方式（例如k-means++）選取k個點，然后不斷迭代的計算，修正這k個點的坐標，目的是讓集合中的每個點的距離（有很多種距離算法，比較常用的是歐氏距離）都和k個點里的其中一個盡量的近，而和其他的盡量的遠。這樣數據集合就能根據自身的分布規(guī)律，自然的區(qū)分出不同的類別來。

這里我們將k值設定為3，也就是將數據劃分為三個部分，通過使用我們處理后的RFM屬性進行計算，最終我們得到：

可以看到不同的顏色代表不同的用戶類別，可以簡單的認為標記為0的是流失用戶，1是重點發(fā)展用戶，2是高價值用戶。這樣我們就可以對不同的群體使用適合的營銷策略了，同時當有新的用戶加入后，我們也可以使用得到的k-means模型對其進行預測劃分。

在使用這種方式做實際的數據處理時，可能因為數據分布的原因導致區(qū)分度并不是特別好，因為根據銷售數據進行用戶區(qū)分，并不是總能發(fā)現比較明顯的區(qū)分“界限”，也就是不同群體間的邊界其實是非常模糊和混雜的（從上面的最終分析圖也可以看出這樣的情況），所以從這個角度講，單純通過RFM模型和聚類進行用戶群體劃分也是有它的局限性的。

三、客戶識別的rfm模型指的是什么

RFM模型。

即：

最近一次消費(Recency)

消費頻率(Frequency)

消費金額(Monetary)

在眾多的客戶關系管理(CRM)的分析模式中，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。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三項指標來描述該客戶的價值狀況。

四、客戶價值如何分析？看看這個RFM模型分析吧

相信很多企業(yè)都希望服務好客戶，促進銷售轉化，最好能對產品和品牌產生黏性，長期購買。于是絞盡腦汁去維護客戶關系，但往往不是很理想，無感的依舊無感。為什么？因為不同的客戶消費需求不一樣。因此，對不同的客戶進行價值劃分，可以更好地幫助業(yè)務部門進行精準營銷，為不同的客戶定制不同的營銷策略，以提高轉化率。

那么如何對客戶價值進行分析呢？這里我們可以通過RFM模型對客戶進行細分：

R：最近一次消費（Recency），指客戶最近交易日期距離當前天數。

F：消費頻率（Frequency），表示客戶在一定時期內的購買次數。

M：消費金額（Monetary），表示客戶在一定時期內消費的平均金額。

通過這樣的模型對客戶價值劃分后，我們可以將客戶類型細分成：重要價值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、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，如下圖所示：

借助上圖所示的RFM模型分析，企業(yè)可以很直觀的了解到不同客戶所對應的價值。若想清晰的掌握不同客戶類型下的客戶數量及其所帶來的銷售額情況，我們可以借助下圖幫助用戶直觀統(tǒng)計出不同類型客戶的情況：

如圖，我們可以看到，一般挽留客戶與一般發(fā)展客戶的數量最多，但其所帶來的銷售價值并不高，而重要價值客戶所占數量不多，但卻為企業(yè)帶來了最大的收益價值。因此，企業(yè)可在面對不同類型的客戶時，采取不同的銷售策略，為企業(yè)帶來更大的收益價值。

在對客戶價值分析的過程中，我們還可以結合其他圖表對客戶進行分析，聯動篩選出想要了解的客戶情況：

如上圖所示，我們可以借助此分析報表，篩選過濾出任意一家或多家客戶的月度銷售額、成本、平均單價、所購買的商品種類、筆數等指標數據的變化趨勢，以及客戶所購買的物料具體明細，幫助企業(yè)更清晰了解不同客戶的銷售價值，以此采取不同的銷售應對策略。

當然，上述圖表僅供參考，在實際中可另行修改設計。該分析模型制作完成后，借助數林BI對數據進行自定義更新設置后，后續(xù)數據可自動可從用友或金蝶系統(tǒng)中獲取，幫助我們減少定期重復做表的繁瑣，減輕工作量，從而提高工作效率。

以上就是關于用戶rfm模型相關問題的回答。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。