正文

rfm模型怎么做

發(fā)布時(shí)間：2023-04-03 20:29:08 稿源：創(chuàng)意嶺閱讀： 144 當(dāng)前文章關(guān)鍵詞排名出租

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型怎么做的問題，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、用戶價(jià)值分層——基于RFM模型的研究分析
2、如何分析RFM模型才能最有效，才能真正起到精細(xì)化運(yùn)營(yíng)的作用？
3、淺談RFM模型
4、電子商務(wù)行業(yè)大數(shù)據(jù)分析采用的算法及模型有哪些?

rfm模型怎么做

一、用戶價(jià)值分層——基于RFM模型的研究分析

• R（Recency）：消費(fèi)間隔，最近一次距離上次消費(fèi)的時(shí)間間隔

• F（Frequency）：消費(fèi)頻次，一段時(shí)間（1個(gè)月/1年...）內(nèi)的消費(fèi)總次數(shù)

• M（Monetary）：消費(fèi)金額，一段時(shí)間（1個(gè)月/1年...）內(nèi)的消費(fèi)總金額

RFM模型是用戶價(jià)值研究中的經(jīng)典模型，基于近度（Recency），頻度（Frequency）和額度（Monetory）這3個(gè)指標(biāo)對(duì)用戶進(jìn)行聚類，找出具有潛在價(jià)值的用戶, 從而輔助商業(yè)決策，提高營(yíng)銷效率。RFM作為一種數(shù)據(jù)驅(qū)動(dòng)的客戶細(xì)分技術(shù)，可幫助營(yíng)銷人員做出更明智的戰(zhàn)略性決策，使?fàn)I銷人員能夠快速識(shí)別用戶并將其細(xì)分為同類群體，并針對(duì)性制定個(gè)性化的營(yíng)銷策略，提高用戶的參與度和留存率。

RFM建模所需要的數(shù)據(jù)源是相對(duì)簡(jiǎn)單的，只用到了購(gòu)買記錄中的時(shí)間和金額這兩個(gè)字段。我們基于交易數(shù)據(jù)中用戶的最后一次的購(gòu)買時(shí)間，購(gòu)買的次數(shù)以和頻率，以及平均/總消費(fèi)額對(duì)每個(gè)用戶計(jì)算了三個(gè)維度的標(biāo)準(zhǔn)分。然后我們對(duì)于三個(gè)維度賦予了不同的權(quán)重，再基于加權(quán)后的分值應(yīng)用K-Means進(jìn)行聚類，根據(jù)每種人群三個(gè)維度與平均值之間的高低關(guān)系，確定哪些是需要保持用戶，哪些是需要挽留的用戶，哪些是需要發(fā)展的用戶等。在將這些客戶圈出之后，便可以對(duì)不同客戶群使用不同針對(duì)性地營(yíng)銷策略（引導(dǎo)，喚醒等），提高復(fù)購(gòu)率與轉(zhuǎn)化率。值得注意的是，三個(gè)維度的權(quán)重制定并沒有統(tǒng)一的標(biāo)準(zhǔn)，比較通用的方法是用層次分析法(AHP)，實(shí)際場(chǎng)景結(jié)合行業(yè)以及具體公司的特點(diǎn)進(jìn)行因地制宜、因人而異的優(yōu)化。

RFM因素：

• R值越高，顧客的有效期越近，對(duì)商家活動(dòng)的響應(yīng)越積極

• F值越高，顧客的消費(fèi)頻次越高，對(duì)商家的忠誠(chéng)度就越高

• M值越高，顧客的消費(fèi)能力越高，對(duì)商家貢獻(xiàn)度就越高

• 想要提高復(fù)購(gòu)率和留存率，需要時(shí)刻警惕R值

RFM分析：

• 誰(shuí)是您最有價(jià)值的客戶？

• 導(dǎo)致客戶流失率增多的是哪些客戶？

• 誰(shuí)有潛力成為有價(jià)值的客戶？

• 你的哪些客戶可以保留?

• 您哪些客戶最有可能對(duì)參與度活動(dòng)做出響應(yīng)？

• 誰(shuí)是你不需要關(guān)注的無價(jià)值客戶？

• 針對(duì)哪些客戶制定哪種發(fā)展、保留、挽回策略？

通過RFM模型，可以幫助營(yíng)銷人員實(shí)現(xiàn)客戶細(xì)分；衡量客戶價(jià)值和客戶利潤(rùn)創(chuàng)收能力；識(shí)別優(yōu)質(zhì)客戶；指定個(gè)性化的溝通和營(yíng)銷服務(wù)；為更多的營(yíng)銷決策提供有力支持。

數(shù)據(jù)導(dǎo)入：使用python的pandas.read_csv導(dǎo)入樣本數(shù)據(jù)。

缺失值校驗(yàn)：因數(shù)據(jù)為生產(chǎn)真實(shí)的交易數(shù)據(jù)，質(zhì)量相對(duì)較高，缺失值較低。

極值校驗(yàn)：第一份樣本數(shù)據(jù)獲取的用戶訂單實(shí)付金額，其中會(huì)存在優(yōu)惠或補(bǔ)差支付，同時(shí)因就餐人數(shù)不一致，產(chǎn)生的的訂單消費(fèi)也會(huì)存在較大的差異，造成極致波動(dòng)、標(biāo)準(zhǔn)差值較大，因此需對(duì)金額進(jìn)行處理，以人均消費(fèi)額替代訂單支付金額，可去掉10元以下、萬(wàn)元以上的交易訂單。

獲取RFM值：使用 groupby獲取RFM值

獲取RFM評(píng)分值：數(shù)據(jù)離散，pandas.cut

實(shí)驗(yàn)數(shù)據(jù)RFM分值占比

說明：F、M分布不均勻，極值差異大，經(jīng)數(shù)據(jù)探查知曉該商戶開通了企業(yè)團(tuán)餐業(yè)務(wù)，企業(yè)會(huì)給員工發(fā)放補(bǔ)貼，導(dǎo)致員工呈現(xiàn)較高的消費(fèi)頻次，該類用戶的消費(fèi)行為絕大程度依賴于企業(yè)，在實(shí)際的RFM模型可踢出此類訂單，降低此類人群的分值，其次數(shù)據(jù)中的M值為客戶實(shí)付金額，該商戶支持預(yù)定、會(huì)餐、大小桌，同一單的消費(fèi)群體不同，或可使用人均消費(fèi)總額作為M值。

RFM數(shù)據(jù)合并，建立R、F、M數(shù)據(jù)框：pandas+numpy

計(jì)算RFM綜合分值：權(quán)重法

權(quán)重值主要賦值方法可分為主觀賦權(quán)法、客觀賦權(quán)法，如下：

主觀賦權(quán)法：主要由專家經(jīng)驗(yàn)得到權(quán)數(shù)，然后對(duì)指標(biāo)進(jìn)行綜合評(píng)價(jià)。是一種結(jié)合性方法，易操作，存在一定主觀性。常用方法：層次分析法AHP、權(quán)值因子判斷表法、德爾菲法、模糊分析法、二項(xiàng)系數(shù)法、環(huán)比評(píng)分法、最小平方法、序關(guān)系分析法等。

客觀賦權(quán)法：依據(jù)歷史數(shù)據(jù)研究指標(biāo)之間的相關(guān)關(guān)系或指標(biāo)與評(píng)估結(jié)果的影響關(guān)系來綜合評(píng)價(jià)。這是定量研究，無須考慮決策者主觀意愿和業(yè)務(wù)經(jīng)驗(yàn)，計(jì)算方法較為復(fù)雜。常用方法：主成分分析、因子分析、熵值法、變異系數(shù)法、均方差法、回歸分析法等。

因樣本數(shù)據(jù)分布不均勻，故手動(dòng)賦權(quán)重值，去除部分極值。

結(jié)論：以近90天的消費(fèi)活躍來看，用戶消費(fèi)頻次集中在1-6次，呈現(xiàn)出極佳的復(fù)購(gòu)率?？梢葬槍?duì)消費(fèi)一次的人群進(jìn)行特征分析。比如針對(duì)人群的流動(dòng)性，若流動(dòng)人群占比較大，可進(jìn)一步推廣特色菜吸引客戶，若周邊人群占比較高，可基于復(fù)購(gòu)人群的特征進(jìn)行分析，同時(shí)平臺(tái)可提供該類人群近期消費(fèi)偏好，供商家參考，制定針對(duì)性方案。

了解RFM定義后，將3個(gè)指標(biāo)作為坐標(biāo)系的XYZ坐標(biāo)軸，從空間上切割成8類，作為用戶的價(jià)值分層，如下圖：

用戶價(jià)值分層說明：

上面我們已經(jīng)計(jì)算得到各個(gè)用戶的RFM分值，接下來要依據(jù)分值進(jìn)行分類。

定義RFM 的分值等級(jí)

使用pyecharts繪制玫瑰圖：

結(jié)論：商家顧客表現(xiàn)出來的忠誠(chéng)度較高，但新客獲取能力較低。但是單純看分層占比，并沒有實(shí)際意義，可以基于價(jià)值分層與其他特征關(guān)聯(lián)分析進(jìn)行精準(zhǔn)投放。如下圖（網(wǎng)絡(luò)參考圖，本期實(shí)驗(yàn)并未涉及其他特征）所示：

用戶畫像是基于用戶信息與行為衍生出來的特征屬性，用戶的準(zhǔn)入信息是用戶的主觀特征，是一種既定的事實(shí)，通過對(duì)用戶行為的采集、研究，刻畫出單個(gè)用戶的特征。其意義在于基于某一事物對(duì)群里特征進(jìn)行分類，有效的體現(xiàn)事物的合適人群；同時(shí)針對(duì)群里特征的偏愛、習(xí)慣研究，可以刻畫出用戶的需求，實(shí)現(xiàn)精準(zhǔn)化營(yíng)銷。

用戶畫像的基礎(chǔ)成分來源于用戶的準(zhǔn)入信息（會(huì)員注冊(cè)時(shí)的登記信息），更多的特征數(shù)據(jù)來源于用戶的各類行為，而RFM模型便是基于用戶消費(fèi)行為提煉出來的價(jià)值指標(biāo)。通過對(duì)各個(gè)價(jià)值分層的群體特征研究，可以有效提升獲客能力以及針對(duì)各類人群實(shí)現(xiàn)精準(zhǔn)化營(yíng)銷。

市場(chǎng)和運(yùn)營(yíng)往往絞盡腦汁做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷，拓渠道，不斷開發(fā)客戶、做回訪維系客戶感情，除了少數(shù)運(yùn)氣好的之外，但大多效果寥寥，這是為何？

經(jīng)驗(yàn)豐富的營(yíng)銷人員都知道“了解客戶”和“客戶細(xì)分”的重要性。營(yíng)銷人員不僅要著眼于創(chuàng)造更多的訪問量和點(diǎn)擊量以提高客戶獲取，還必須遵循從提高點(diǎn)擊率（CTR）轉(zhuǎn)變?yōu)樘岣弑Ａ?，忠誠(chéng)度并建立客戶關(guān)系的新范式。與其將整個(gè)客戶群作為一個(gè)整體進(jìn)行分析，不如將其劃分為同類群體，了解每個(gè)群體的特征，并使他們參與相關(guān)的活動(dòng)，而不是僅根據(jù)客戶年齡或地理位置進(jìn)行客戶細(xì)分。而RFM分析是市場(chǎng)營(yíng)銷人員分析客戶行為的最流行、最簡(jiǎn)單、最有效的客戶細(xì)分方法之一。

針對(duì)RFM分層用戶制定相應(yīng)的營(yíng)銷策略:

• 重要價(jià)值客戶是您的最佳客戶，他們是那些最新購(gòu)買，最常購(gòu)買，并且花費(fèi)最多的消費(fèi)者。提供VIP服務(wù)和個(gè)性化服務(wù)，獎(jiǎng)勵(lì)這些客戶，他們可以成為新產(chǎn)品的早期采用者，并有助于提升您的品牌。

• 重要發(fā)展客戶：近期客戶，消費(fèi)金額高，但平均頻率不太高，忠誠(chéng)度不高。提供會(huì)員或忠誠(chéng)度計(jì)劃或推薦相關(guān)產(chǎn)品以實(shí)現(xiàn)向上銷售并幫助他們成為您的忠實(shí)擁護(hù)者和高價(jià)值客戶。

• 重要保持客戶：經(jīng)常購(gòu)買、花費(fèi)巨大，但最近沒有購(gòu)買的客戶。向他們發(fā)送個(gè)性化的重新激活活動(dòng)以重新連接，并提供續(xù)訂和有用的產(chǎn)品以鼓勵(lì)再次購(gòu)買。

• 重要挽回客戶：曾經(jīng)光顧，消費(fèi)金額大，購(gòu)買頻率低，但最近沒有光顧的顧客。設(shè)計(jì)召回策略，通過相關(guān)的促銷活動(dòng)或續(xù)訂帶回他們，并進(jìn)行調(diào)查以找出問題所在，避免將其輸給競(jìng)爭(zhēng)對(duì)手。

•一般價(jià)值客戶：最近購(gòu)買，消費(fèi)頻次高但消費(fèi)金額低的客戶，需要努力提高其客單價(jià)，提供產(chǎn)品優(yōu)惠以吸引他們。

• 一般發(fā)展客戶：最近購(gòu)買，但消費(fèi)金額和頻次都不高的客戶?？商峁┟赓M(fèi)試用以提高客戶興趣，提高其對(duì)品牌的滿意度。

• 一般保持客戶：很久未購(gòu)買，消費(fèi)頻次雖高但金額不高的客戶。可以提供積分制，各種優(yōu)惠和打折服務(wù)，改變宣傳方向和策略與他們重新聯(lián)系，而采用公平對(duì)待方式是最佳。

• 一般挽留客戶：RFM值都很低的客戶。針對(duì)這類客戶可以對(duì)其減少營(yíng)銷和服務(wù)預(yù)算或直接放棄。

此外，目前的RFM分析中，一般給與M值更高的權(quán)重，如果一般挽留客戶與一般發(fā)展客戶占據(jù)多數(shù)，說明公司的用戶結(jié)構(gòu)不是很合理，需要盡快采取措施進(jìn)行優(yōu)化。

二、如何分析RFM模型才能最有效，才能真正起到精細(xì)化運(yùn)營(yíng)的作用？

舉一個(gè)互聯(lián)網(wǎng)餐飲的例子~來證明如何分析RFM模型：

如何通過外賣訂單數(shù)據(jù)，分析用戶的基本屬性；

用戶的訂單上都有訂餐地址，通過對(duì)于訂餐地址的統(tǒng)計(jì)，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡某道菜的用戶都在哪里。類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購(gòu)構(gòu)成、復(fù)購(gòu)用戶跨平臺(tái)使用情況、性別組成做更精細(xì)化的分析。值得注意的是，數(shù)據(jù)平臺(tái)間的差異還是蠻大的，有利于針對(duì)不同平臺(tái)做出不同的營(yíng)銷策略。

上面這些最基本的用戶屬性對(duì)于精細(xì)化運(yùn)營(yíng)還是不夠的。因?yàn)檫@些信息無法幫助你解決下面四個(gè)問題——

1.誰(shuí)是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？

2.誰(shuí)是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？

3.誰(shuí)是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？

4.誰(shuí)是我的重要挽留客戶，他們都有什么特點(diǎn)？

2.如何通過RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)

　RFM模型是一個(gè)被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來區(qū)分客戶，RFM分別是：

R = Recency 最近一次消費(fèi)

F = Frequency 消費(fèi)頻率

M = Monetary 消費(fèi)金額

需要詳細(xì)了解以上三個(gè)指標(biāo)定義的，百度會(huì)將維度再細(xì)分出5份，這樣就能夠細(xì)分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營(yíng)銷……顯然125類用戶已超出普通人腦的計(jì)算范疇了，更別說針對(duì)125類用戶量體定制營(yíng)銷策略。實(shí)際運(yùn)用上，我們只需要把每個(gè)唯獨(dú)做一次兩分即可，這樣在3個(gè)維度上我們依然得到了8組用戶。

重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，必須是VIP??！

重要保持客戶（011）：最近消費(fèi)時(shí)間較遠(yuǎn)，但消費(fèi)頻次和金額都很高，說明這是個(gè)一段時(shí)間沒來的忠實(shí)客戶，我們需要主動(dòng)和他保持聯(lián)系。

重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，忠誠(chéng)度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。

重要挽留客戶（001）：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)基于挽留措施。

rfm模型怎么做

3.如何在BDP個(gè)人版上建立RFM模型，幫助用戶分群

這時(shí)候可能會(huì)有朋友問了，天啦，你這個(gè)三維模型，我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來（即在近30天有復(fù)購(gòu)的用戶中做分析），壓扁了就會(huì)看到。

上方的表示或許還是太學(xué)術(shù)了，簡(jiǎn)單的說

第一步：先挑出來近1個(gè)月的復(fù)購(gòu)用戶。

第二步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的平均實(shí)付金額做縱軸。

第三步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的購(gòu)買次做橫軸，生成表格。

第四步，你需要自己在這個(gè)表格上劃紅線。

rfm模型怎么做

橫著的紅線，代表著你認(rèn)為來吃飯的客人平均每餐該花多少錢，我這里設(shè)定的值是25元，叫外賣25都沒付到，對(duì)我而言是低消費(fèi)金額（低M）用戶。

豎著的紅線，代表著你認(rèn)為復(fù)購(gòu)多少次的客人，是你的高頻用戶。外賣點(diǎn)餐流動(dòng)率很大，一個(gè)用戶每個(gè)月能在一家店點(diǎn)三次以上的菜，對(duì)我而言即是高頻。

這樣，BDP個(gè)人版上的RFM模型就建立好了。這個(gè)RFM模型在實(shí)操時(shí)有什么用呢？舉個(gè)例子

比如對(duì)圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時(shí)，你可以用RFM做個(gè)分析，只選取R值高的用戶(最近2周到最近一個(gè)月內(nèi)消費(fèi)的用戶），轉(zhuǎn)化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個(gè)用戶發(fā)短信，得到100個(gè)訂單，還是愿意花48元給800人發(fā)短信得到80個(gè)訂單，相信大家一定會(huì)選后者。

而整體的RFM區(qū)分，則能夠幫掌柜們針對(duì)不同的用戶發(fā)不同的短信，短信的開頭是用“好久不見”、還是用“恭喜你成為VIP”，就得看時(shí)重要保持客戶還是重要價(jià)值用戶了。只有能區(qū)分用戶，才能走向精細(xì)化運(yùn)營(yíng)。

三、淺談RFM模型

個(gè)人理解中的RFM是為了研究用戶（買家）的一個(gè)算法模型，身為產(chǎn)品從業(yè)者的我們都喜歡談目標(biāo)用戶，而何謂目標(biāo)用戶，我們可以簡(jiǎn)單把他們歸結(jié)為付費(fèi)用戶，也就是為我們產(chǎn)品帶來收入的人群。而PM一項(xiàng)很重要的職能就是分析數(shù)據(jù)，根據(jù)單一用戶的購(gòu)物行為對(duì)其分析不僅要浪費(fèi)大量的人力資源，浪費(fèi)時(shí)間且不可行，而且若缺乏一套具體的算法模型也難以脫離個(gè)人主觀性。而研究用戶，洞察人性卻又是PM的主要工作內(nèi)容，在產(chǎn)品迭代過程中，通常需要根據(jù)用戶的屬性進(jìn)行歸類，也就是通過分析數(shù)據(jù)，對(duì)用戶進(jìn)行歸類，以便于在推送及轉(zhuǎn)化過程中獲得更大的收益。了解用戶的行為感受是必不可少的職責(zé)，而RFM就是一種了解付費(fèi)用戶結(jié)構(gòu)的基本方法。由于該模型設(shè)計(jì)到具體算法，網(wǎng)上大多數(shù)文獻(xiàn)說得都比較復(fù)雜分散，而且存在重大歧義，如RFM中R值的概念Josh Bycer認(rèn)為R值越大用戶回購(gòu)率越高，而真實(shí)情況未必如此。本文檔主要是為了歸納匯總RFM模型的概念以及適用場(chǎng)景，以盡量直白的方式呈現(xiàn)給讀者。奈何才疏學(xué)淺，許多地方未必正確，不足之處望指導(dǎo)。

R-Recency（近期）-最后一次購(gòu)買是多久以前；R值越大，表示客戶交易發(fā)生的日期越久，反之則表示客戶交易發(fā)生的日期越近。

F-Frequency（頻率）-購(gòu)買頻率；F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。

M-Monetary（消費(fèi)）-設(shè)定時(shí)間段內(nèi)客戶的總消費(fèi)金額；M值越大，表示客戶價(jià)值越高，反之則表示客戶價(jià)值越低。這是衡量客戶價(jià)值最重要的指標(biāo)。

1.誰(shuí)是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？

2.誰(shuí)是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？

3.誰(shuí)是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？

4.誰(shuí)是我的重要挽留客戶，他們都有什么特點(diǎn)？

根據(jù)三維圖表，以RFM為XYZ軸，1代表高，0代表低

1.重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間較短、消費(fèi)頻次和消費(fèi)金額都較高。這是門店應(yīng)該主要關(guān)注的VIP客戶。

2.重要保持客戶（011）：最近消費(fèi)時(shí)間較長(zhǎng)，消費(fèi)頻次和消費(fèi)金額都較高。說明這是個(gè)一段時(shí)間沒來的忠實(shí)客戶，我們需要主動(dòng)和他保持聯(lián)系。

3.重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較短、消費(fèi)金額高，但消費(fèi)頻次較低。忠誠(chéng)度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。

4.重要挽留客戶（001）：最近消費(fèi)時(shí)間較長(zhǎng)、消費(fèi)頻次不高，但消費(fèi)金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)吸引客戶回流。

RFM模型的最終目的是為了區(qū)別出有價(jià)值的用戶在此基礎(chǔ)上細(xì)分用戶類型做到精準(zhǔn)運(yùn)營(yíng)，實(shí)現(xiàn)效率最大化。RFM模型較為動(dòng)態(tài)地顯示了客戶消費(fèi)輪廓，這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù)，根據(jù)用戶群體、產(chǎn)品特性，產(chǎn)品的周期去改善三項(xiàng)指標(biāo)的狀況，從而為更多的營(yíng)銷決策提供支持。在RFM的分類基礎(chǔ)上，去進(jìn)行的基礎(chǔ)維護(hù)運(yùn)營(yíng)，根據(jù)關(guān)鍵運(yùn)營(yíng)指標(biāo)，選取重點(diǎn)需要優(yōu)化的用戶群體，進(jìn)行差異化運(yùn)營(yíng)，從而刺激用戶持續(xù)的消費(fèi)、留存。RFM模型同時(shí)也能作為監(jiān)控用戶行為的有效工具，讓管理者了解客戶的行為從而反思現(xiàn)存的營(yíng)銷模式，為企業(yè)后續(xù)的發(fā)展方向做出戰(zhàn)略性部署。

RFM模型主要用于電商領(lǐng)域，但是我們也可以替換RFM相關(guān)的字段使其適用于互聯(lián)網(wǎng)產(chǎn)品。作為CRM一個(gè)模塊的RFM應(yīng)用范圍以及應(yīng)用之廣此處便不再展開。

四、電子商務(wù)行業(yè)大數(shù)據(jù)分析采用的算法及模型有哪些?

第一、RFM模型

通過了解在網(wǎng)站有過購(gòu)買行為的客戶，通過分析客戶的購(gòu)買行為來描述客戶的價(jià)值，就是時(shí)間、頻率、金額等幾個(gè)方面繼續(xù)進(jìn)行客戶區(qū)分，通過這個(gè)模型進(jìn)行的數(shù)據(jù)分析，網(wǎng)站可以區(qū)別自己各個(gè)級(jí)別的會(huì)員、鐵牌會(huì)員、銅牌會(huì)員還是金牌會(huì)員就是這樣區(qū)分出來的。同時(shí)對(duì)于一些長(zhǎng)時(shí)間都沒有購(gòu)買行為的客戶，可以對(duì)他們進(jìn)行一些針對(duì)性的營(yíng)銷活動(dòng)，激活這些休眠客戶。使用RFM模型只要根據(jù)三個(gè)不同的變量進(jìn)行分組就可以實(shí)現(xiàn)會(huì)員區(qū)分。

第二、RFM模型

這個(gè)應(yīng)該是屬于數(shù)據(jù)挖掘工具的一種，屬于關(guān)聯(lián)性分析的一種，就可以看出哪兩種商品是有關(guān)聯(lián)性的，例如衣服和褲子等搭配穿法，通過Apriori算法，就可以得出兩個(gè)商品之間的關(guān)聯(lián)系，這可以確定商品的陳列等因素，也可以對(duì)客戶的購(gòu)買經(jīng)歷進(jìn)行組套銷售。

第三、Spss分析

主要是針對(duì)營(yíng)銷活動(dòng)中的精細(xì)化分析，讓針對(duì)客戶的營(yíng)銷活動(dòng)更加有針對(duì)性，也可以對(duì)數(shù)據(jù)庫(kù)當(dāng)中的客戶購(gòu)買過的商品進(jìn)行分析，例如哪些客戶同時(shí)購(gòu)買過這些商品，特別是針對(duì)現(xiàn)在電子商務(wù)的細(xì)分越來越精細(xì)，在精細(xì)化營(yíng)銷上做好分析，對(duì)于企業(yè)的營(yíng)銷效果有很大的好處。

第四、網(wǎng)站分析

訪問量、頁(yè)面停留等等數(shù)據(jù)，都是重要的流量指標(biāo)，進(jìn)行網(wǎng)站數(shù)據(jù)分析的時(shí)候，流量以及轉(zhuǎn)化率也是衡量工作情況的方式之一，對(duì)通過這個(gè)指標(biāo)來了解其他數(shù)據(jù)的變化也至關(guān)重要。

以上就是關(guān)于rfm模型怎么做相關(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。