正文

rfm最簡(jiǎn)單的計(jì)算（rfm值計(jì)算公式）

發(fā)布時(shí)間：2023-04-13 23:49:52 稿源：創(chuàng)意嶺閱讀： 150

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于rfm最簡(jiǎn)單的計(jì)算的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)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、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個(gè)模塊，請(qǐng)求高人指點(diǎn)，怎樣計(jì)算客戶流失率？
2、SQL建立RFM模型指標(biāo)的兩種方法對(duì)比
3、身高體重標(biāo)準(zhǔn)計(jì)算公式
4、基于RFM模型的用戶分類及精細(xì)化運(yùn)營(yíng)（附實(shí)例）

rfm最簡(jiǎn)單的計(jì)算（rfm值計(jì)算公式）

一、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個(gè)模塊，請(qǐng)求高人指點(diǎn)，怎樣計(jì)算客戶流失率？

第N月的用戶流失率=1-第（N-6）月進(jìn)站用戶在第N、N-1、N-2、N-3、N-4、N-5月回站總數(shù)/第（N-6）月進(jìn)站用戶數(shù)×100%

、例：某4S店2011年2月份客戶流失率

通俗的說(shuō)就是：2010年8月份進(jìn)站的用戶數(shù)（非進(jìn)站臺(tái)次，因有可能一個(gè)用戶一個(gè)月會(huì)幾次進(jìn)站），在2010年9、10、11、12以及2011年1、2月是否有回站，只要有回就算回站了，不管回來(lái)幾次，這樣就沒(méi)有流失了。假設(shè)2010年8月4S進(jìn)站的用戶數(shù)為100個(gè)，后六個(gè)月這100個(gè)用戶回來(lái)88個(gè)，那回站率為88%，1-回站率等于流失率為12%，所以該4S店客戶流失率為12%。

二、SQL建立RFM模型指標(biāo)的兩種方法對(duì)比

本筆記將利用sql語(yǔ)言構(gòu)建RFM模型，將會(huì)有兩種辦法對(duì)用戶進(jìn)行分類。

第一種方法是基于有明確業(yè)務(wù)指標(biāo)計(jì)算RFM分值。

第二種是按二八定律設(shè)定閥值。

首先看看RFM模型是什么？

R值:Rencency(最近一次消費(fèi)) 指的是用戶在店鋪?zhàn)罱淮钨?gòu)買時(shí)間距離分析點(diǎn)的時(shí)間間隔;

F值:Frequency(消費(fèi)頻率) 指的是是用戶在固定時(shí)間內(nèi)的購(gòu)買次數(shù);

M值:Monetary(消費(fèi)金額) 指的是一段時(shí)間(通常是1年)內(nèi)的消費(fèi)金額;

根據(jù)三個(gè)值的高低之分，會(huì)得出8種類型的客戶；

一般每個(gè)指標(biāo)都會(huì)有1，2，3，4，5分的分值標(biāo)準(zhǔn)，此指標(biāo)一般根據(jù)具體業(yè)務(wù)需求進(jìn)行設(shè)置；

如：

然后根據(jù)以上標(biāo)準(zhǔn)對(duì)用戶進(jìn)行打分，并會(huì)求得各指標(biāo)均值，進(jìn)行比較，大于均值為高，少于均值為低。

接下來(lái)按照此標(biāo)準(zhǔn)用sql執(zhí)行。

首先我們導(dǎo)入相關(guān)數(shù)據(jù)，并去重?cái)?shù)據(jù)放進(jìn)新表 temp_trade；

由于時(shí)間關(guān)系，以導(dǎo)入如下數(shù)據(jù)，期間利用

SET date_time = STR_TO_DATE(time,'%Y-%m-%d %H');

set dates=date(date_time);

這兩個(gè)函數(shù)對(duì)原表（紅框）日期進(jìn)行處理；

再檢查一下關(guān)鍵字段有無(wú)缺失值

查詢后得出并無(wú)缺失。

再檢查一下用戶行為是否有1、2、3、4以外的異常值；

查詢結(jié)果無(wú)異常值；

-- 建新表，放進(jìn) 去重后的數(shù)據(jù)

create table temp_trade like o_retailers_trade_user;

insert into temp_trade select distinct * from o_retailers_trade_user;

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

CREATE VIEW r_clevel AS

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù),

(CASE

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=2 THEN 5

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=4 THEN 4

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=6 THEN 3

WHEN DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間)<=8 THEN 2

ELSE

1 END )AS R分值

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

SELECT user_id , COUNT(user_id) AS 購(gòu)買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購(gòu)買頻次 desc

CREATE VIEW f_clevel AS

SELECT user_id , 購(gòu)買頻次 ,

(CASE

WHEN 購(gòu)買頻次<=2 THEN 1

WHEN 購(gòu)買頻次<=4 THEN 2

WHEN 購(gòu)買頻次<=6 THEN 3

WHEN 購(gòu)買頻次<=8 THEN 4

ELSE 5 END )AS F分值

FROM

(

SELECT user_id , COUNT(user_id) AS 購(gòu)買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

-- 1.R平均值

SELECT avg(R分值) as 'r_avg' FROM r_clevel;

-- 2.F平均值

select avg(F分值) as 'f_avg' from f_clevel;

create view RFM_table

select a.*,b.分值,

(case

when a.分值>2.5515 and b.分值>2.2606 then '重要高價(jià)值客戶' when a.分值<2.5515 and b.分值>2.2606 then '重要喚回客戶'

when a.分值>2.5515 and b.分值<2.2606 then '重要深耕客戶' when a.分值<2.5515 and b.分值<2.2606 then '重要挽留客戶' END

) as user_class

from r_clevel a, f_clevel b

where a.user_id=b.user_id;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

RFM_table

GROUP BY user_class

SELECT COUNT(DISTINCT user_id) AS 購(gòu)買用戶數(shù)

FROM

temp_trade

WHERE behavior_type='2'

SELECT

相差天數(shù)

FROM

(

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù)

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費(fèi)時(shí)間 desc

ORDER BY 相差天數(shù) DESC

LIMIT 32,1

SELECT

購(gòu)買頻次

FROM

(

SELECT user_id , 購(gòu)買頻次

FROM

(

SELECT user_id , COUNT(user_id) AS 購(gòu)買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購(gòu)買頻次 DESC

LIMIT 32,1

CREATE VIEW RF_TABLE AS

SELECT user_id , 最近一次消費(fèi)時(shí)間 , DATEDIFF('2019-12-19',最近一次消費(fèi)時(shí)間) AS 相差天數(shù),購(gòu)買頻次

FROM

(

SELECT user_id , max(dates) AS 最近一次消費(fèi)時(shí)間 , COUNT(user_id) AS 購(gòu)買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id)a

select user_id,

(case

when 相差天數(shù)<=19 and 購(gòu)買頻次>=7 then '重要高價(jià)值客戶' when 相差天數(shù)>19 and 購(gòu)買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購(gòu)買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購(gòu)買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE ;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

(

select user_id,

(case

when 相差天數(shù)<=19 and 購(gòu)買頻次>=7 then '重要高價(jià)值客戶' when 相差天數(shù)>19 and 購(gòu)買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購(gòu)買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購(gòu)買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE

) a

GROUP BY user_class

三、身高體重標(biāo)準(zhǔn)計(jì)算公式

體重指數(shù)BMI＝體重／身高的平方（國(guó)際單位kg／㎡）。

理想體重（Kg）＝（18．5～23．9）×身高的平方（單位m）根據(jù)世界衛(wèi)生組織定下的標(biāo)準(zhǔn)，亞洲人的BMI（體重指標(biāo)BodyMassIndex）若高于22．9便屬于過(guò)重。

亞洲人和歐美人屬于不同人種，WHO的標(biāo)準(zhǔn)不是非常適合中國(guó)人的情況，為此制定了中國(guó)參考標(biāo)準(zhǔn)

身體質(zhì)量指數(shù)是國(guó)際上常用的衡量人體肥胖程度和是否健康的重要標(biāo)準(zhǔn)，主要用于統(tǒng)計(jì)分析。肥胖程度的判斷不能采用體重的絕對(duì)值，它天然與身高有關(guān)。因此，BMI通過(guò)人體體重和身高兩個(gè)數(shù)值獲得相對(duì)客觀的參數(shù)，并用這個(gè)參數(shù)所處范圍衡量身體質(zhì)量。

rfm最簡(jiǎn)單的計(jì)算（rfm值計(jì)算公式）

擴(kuò)展資料：

身體質(zhì)量指數(shù)（BMI）通常被用來(lái)評(píng)估一個(gè)人的體重是否合適。但加州舊金山賽德斯－西奈醫(yī)學(xué)中心的科學(xué)家們進(jìn)行的一項(xiàng)研究發(fā)現(xiàn)了一種更科學(xué)的體脂指標(biāo)—相對(duì)脂肪質(zhì)量指數(shù)（RFM）。

長(zhǎng)期以來(lái)，世界各地的專家都承認(rèn)BMI并不完美。它沒(méi)有考慮到性別差異（女性通常比男性有更多的體脂肪）；骨量、肌肉量和多余脂肪之間也沒(méi)有區(qū)別，兒童和老年人的結(jié)果差別很大。長(zhǎng)期以來(lái)，BMI一直是衡量人群肥胖程度的粗略指標(biāo)。

研究人員利用美國(guó)疾病控制與預(yù)防中心健康與營(yíng)養(yǎng)調(diào)查中心的1．2萬(wàn)名成年人的數(shù)據(jù)，得出了300多個(gè)估測(cè)體脂的公式，從而得出了RFM的計(jì)算方法。

參考資料：百度百科-BMI

四、基于RFM模型的用戶分類及精細(xì)化運(yùn)營(yíng)（附實(shí)例）

一、RFM模型簡(jiǎn)介

1、釋義

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。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(jī)械模型通過(guò)一個(gè)客戶的近期購(gòu)買行為、購(gòu)買的總體頻率以及花了多少錢3項(xiàng)指標(biāo)來(lái)描述該客戶的價(jià)值狀況。

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

F：消費(fèi)頻率 (Frequency)：用戶在一段時(shí)間內(nèi)，對(duì)產(chǎn)品的消費(fèi)頻次

M：消費(fèi)金額 (Monetary)：代表用戶的貢獻(xiàn)價(jià)值

一般情況下，我們將R、F、M分別分五個(gè)維度打分，通過(guò)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(gè)方向定義為：高、低，兩個(gè)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(duì)性指定精細(xì)化運(yùn)營(yíng)策略，幫助大家了解完RFM模型后，我將用一個(gè)實(shí)例具體展示操作流程，以下實(shí)例以某玩家作品網(wǎng)站為例，爬取前十個(gè)網(wǎng)頁(yè)共240個(gè)玩家作品的昵稱、編號(hào)、點(diǎn)贊數(shù)、積分、上傳日期時(shí)間等信息進(jìn)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(jì)算RFM均值

3.5 用戶分類

3.6 統(tǒng)計(jì)與可視化

4 運(yùn)營(yíng)策略

1 數(shù)據(jù)爬取

2 數(shù)據(jù)清洗