正文

銀行rfm模型應(yīng)用實(shí)例（rfm模型概述及應(yīng)用分析）

發(fā)布時(shí)間：2023-04-18 17:09:07 稿源：創(chuàng)意嶺閱讀： 106

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于銀行rfm模型應(yīng)用實(shí)例的問(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(huà)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(xiě)出的就越詳細(xì)，有微信小程序端、在線(xiàn)網(wǎng)頁(yè)版、PC客戶(hù)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(hù)遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話(huà)175-8598-2043，或添加微信：1454722008

本文目錄:

1、4種常見(jiàn)的用戶(hù)分層方法(RFM核心模型)
2、RFM模型分析與客戶(hù)細(xì)分
3、RFM模型的應(yīng)用意義
4、基于RFM的客戶(hù)價(jià)值分析報(bào)告

銀行rfm模型應(yīng)用實(shí)例（rfm模型概述及應(yīng)用分析）

一、4種常見(jiàn)的用戶(hù)分層方法(RFM核心模型)

一.什么是用戶(hù)分層？

用戶(hù)分層是以用戶(hù)價(jià)值（比如說(shuō)：活躍用戶(hù)、高價(jià)值用戶(hù)）為中心來(lái)進(jìn)行切割的，在同一分層模型下，一個(gè)用戶(hù)只會(huì)處于一個(gè)層次中。還有一種說(shuō)法是用戶(hù)分群，它是以用戶(hù)屬性（用戶(hù)身上的某一類(lèi)標(biāo)簽，比如：喜歡在地鐵上看書(shū)的用戶(hù)）為中心進(jìn)行劃分，1個(gè)用戶(hù)可能會(huì)同時(shí)擁有多個(gè)屬性。

用戶(hù)分層的本質(zhì)是一種以用戶(hù)和特征、用戶(hù)行為等為中心對(duì)用戶(hù)進(jìn)行細(xì)分的精細(xì)化運(yùn)營(yíng)。

二.4種常見(jiàn)的用戶(hù)分層方法？

分層實(shí)施的兩大核心：

第一，我們找到一個(gè)分層的模型之后，處于不同層級(jí)的用戶(hù)，需要能夠被通過(guò)數(shù)據(jù)字段或標(biāo)簽等方式識(shí)別區(qū)分出來(lái)。

第二，面向每一類(lèi)用戶(hù)的運(yùn)營(yíng)機(jī)制或策略是明確穩(wěn)定的。

用戶(hù)分層的兩個(gè)維度：

第一個(gè)維度：業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度是高還是低

舉個(gè)栗子：像手機(jī)里的鬧鐘，定了鬧鐘之后，響了就取消掉，鬧鐘的過(guò)程簡(jiǎn)單且標(biāo)準(zhǔn)化程度非常高。再比如，像一些閱讀類(lèi)APP它的用戶(hù)所在的地區(qū)，用戶(hù)的年齡及身份不同，用戶(hù)的需求也會(huì)不同，它的業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度低，是一個(gè)非標(biāo)的產(chǎn)品，并且有時(shí)它的業(yè)務(wù)鏈條非常長(zhǎng)還非常的復(fù)雜。

第二個(gè)維度：用戶(hù)在產(chǎn)品中互相影響的可能性是高還是低

有一些產(chǎn)品用戶(hù)是會(huì)在產(chǎn)品當(dāng)中發(fā)生關(guān)系的，而有些產(chǎn)品呢就不會(huì)，有時(shí)候同一類(lèi)型的產(chǎn)品，用戶(hù)之間的影響也可能會(huì)不同。

舉個(gè)栗子：像理財(cái)類(lèi)的產(chǎn)品，用戶(hù)之間的影響非常的低，但是像抖音、知乎這樣的產(chǎn)品，用戶(hù)之間的關(guān)系程度就高一些。

當(dāng)我們知道用戶(hù)處在哪個(gè)維度之后，我們就可以知道運(yùn)用哪一種分層方式了。

第一類(lèi)：用戶(hù)個(gè)性化特質(zhì)&需求區(qū)隔分層

這一類(lèi)的分層方式就比較適合適用在業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度低的，業(yè)務(wù)主鏈條比較多樣，業(yè)務(wù)比較復(fù)雜這樣的產(chǎn)品當(dāng)中。

我們對(duì)用戶(hù)進(jìn)行個(gè)性化特質(zhì)的區(qū)隔分層，要首先清楚用戶(hù)個(gè)性化區(qū)隔的常見(jiàn)維度有哪些：

由上圖可以發(fā)現(xiàn)，自然屬性里進(jìn)行區(qū)隔要依靠的是用戶(hù)的基礎(chǔ)數(shù)據(jù)，個(gè)性化需求里面的顯性和隱性消費(fèi)偏好要依賴(lài)的是用戶(hù)的行為數(shù)據(jù)。場(chǎng)景則是依賴(lài)于時(shí)間、地理位置進(jìn)行區(qū)分的。

那進(jìn)行個(gè)性化區(qū)隔分層的依據(jù)是什么呢？

我們要看看用戶(hù)是否會(huì)因?yàn)樯厦嫠惲械倪@些行為和屬性的不同，導(dǎo)致其需求、使用動(dòng)機(jī)、使用偏好等會(huì)出現(xiàn)較大差異。

那怎么判斷呢？要么靠常識(shí)和用戶(hù)洞察，要么靠數(shù)據(jù)。

進(jìn)行用戶(hù)個(gè)性化區(qū)隔分層時(shí)的兩種選擇：

第一種：選擇一個(gè)維度對(duì)用戶(hù)進(jìn)行劃分，分別給予定向解決文案。像美柚這款產(chǎn)品，用戶(hù)在不同的階段，比如：我在備孕、我懷孕了、我是辣媽等不同的維度進(jìn)行相關(guān)信息的區(qū)分和推送。

第二種：選擇兩個(gè)有相關(guān)性的維度通過(guò)交叉區(qū)隔對(duì)用戶(hù)進(jìn)行劃分，再分別給予定向的解決方案。比方如某基金理財(cái)類(lèi)的產(chǎn)品：通過(guò)兩個(gè)維度來(lái)切割對(duì)用戶(hù)進(jìn)行劃分。

第二類(lèi)：用戶(hù)身份區(qū)隔分層

這一類(lèi)的分層方式就比較適合運(yùn)用在用戶(hù)在產(chǎn)品中互相影響的可能性高的產(chǎn)品當(dāng)中。

一款產(chǎn)品當(dāng)中，如果用戶(hù)之間是可見(jiàn)，可被影響的，我們賦予用戶(hù)身份的特質(zhì)（加V、勛章等）才會(huì)有意義。

說(shuō)到用戶(hù)身份區(qū)隔分層就會(huì)提到用戶(hù)金字塔模型：

用戶(hù)金字塔模型是按照用戶(hù)的價(jià)值貢獻(xiàn)度大小或用戶(hù)影響力的稀缺程度由下到上搭建一個(gè)金字塔模型，再賦予每一類(lèi)用戶(hù)對(duì)應(yīng)的角色和權(quán)益，搭建一個(gè)良性關(guān)系。

那如何梳理并搭建一個(gè)產(chǎn)品的用戶(hù)金字塔模型呢？

首先，先梳理出產(chǎn)品的業(yè)務(wù)邏輯（這個(gè)產(chǎn)品當(dāng)中有哪幾類(lèi)業(yè)務(wù)角色，這個(gè)業(yè)務(wù)角色當(dāng)中他們是怎么發(fā)生關(guān)系的），然后逐次思考：

第三類(lèi)：用戶(hù)價(jià)值區(qū)隔分層

通過(guò)判斷用戶(hù)的價(jià)值高中低，來(lái)對(duì)用戶(hù)完成分層。這一類(lèi)和第四類(lèi)的分層方式是通用的，所有產(chǎn)品都可以應(yīng)用。

用戶(hù)價(jià)值區(qū)隔分層有兩種做法：

第一種：依靠用戶(hù)生命周期定義對(duì)用戶(hù)進(jìn)行價(jià)值區(qū)隔

生命周期的定義我們上面說(shuō)過(guò)，用戶(hù)生命周期的定義，必然與用戶(hù)的價(jià)值成長(zhǎng)路徑有關(guān)。不同的產(chǎn)品用戶(hù)價(jià)值成長(zhǎng)路徑也會(huì)不同

用戶(hù)生命周期的定義無(wú)非就兩種：

第一種是強(qiáng)付費(fèi)類(lèi)的產(chǎn)品

我們把用戶(hù)從進(jìn)入到付費(fèi), 持續(xù)付費(fèi)到流失這樣一個(gè)典型的路徑畫(huà)出來(lái)，然后給不同的用戶(hù)劃分不同的階段，每個(gè)階段被定義成用戶(hù)生命周期里的層次。

第二種：是流量類(lèi)的產(chǎn)品

第二種：通過(guò)關(guān)鍵用戶(hù)行為對(duì)用戶(hù)進(jìn)行價(jià)值區(qū)隔。

這兩種方式的有共性也有差異性，共性是：都需要找到某一種方式對(duì)于我們當(dāng)前站內(nèi)的用戶(hù)的用戶(hù)價(jià)值進(jìn)行判斷。并對(duì)用戶(hù)價(jià)值的區(qū)間（是高還是低）做界定。然后對(duì)不同價(jià)值區(qū)間的用戶(hù)做針對(duì)性的運(yùn)營(yíng)。不同的是：去判斷用戶(hù)價(jià)值第一種依靠的是用戶(hù)的生命周期的模型，第二種是通過(guò)幾個(gè)關(guān)鍵用戶(hù)的行為做交叉分析。

通過(guò)關(guān)鍵用戶(hù)行為對(duì)用戶(hù)進(jìn)行價(jià)值區(qū)隔是找到產(chǎn)品中能夠衡量用戶(hù)價(jià)值的關(guān)鍵行為，對(duì)其進(jìn)行交叉分析和評(píng)估，最終形成某種分層模型，比如經(jīng)典的RFM模型。

那什么是RFM模型呢？

RFM模型是衡量客戶(hù)價(jià)值和客戶(hù)創(chuàng)利能力的重要工具和手段，它通過(guò) Recency-距離最近一次交易、Frequency-交易頻率、Monetary-交易金額這三項(xiàng)指標(biāo)來(lái)描述該客戶(hù)的價(jià)值狀態(tài)，依據(jù)這三項(xiàng)指標(biāo) 劃分8類(lèi)客戶(hù)價(jià)值。

實(shí)施RFM用戶(hù)分層的操作步驟是什么？

第一步：抓取用戶(hù)R、F、M三個(gè)維度下的原始數(shù)據(jù)。

首先，我們需求提出數(shù)據(jù)的需求，并定義出F中的“一段時(shí)間”是多久以及用戶(hù)類(lèi)型，然后拉出該時(shí)間段內(nèi)所有的訂單數(shù)據(jù)，數(shù)據(jù)字段包括用戶(hù)ID、下單時(shí)間和訂單金額。這里需要注意的是定義一段時(shí)間，我們可以拍腦袋，也可以參考業(yè)務(wù)進(jìn)展和需求，一般如果業(yè)務(wù)比較穩(wěn)定的情況下，多以自然年或季度、半年等為單位來(lái)進(jìn)行定義。

第二步：定義R、F、M的評(píng)估模型與中值

我們需要根據(jù)業(yè)務(wù)特性或數(shù)據(jù)分布情況來(lái)劃分?jǐn)?shù)據(jù)分布區(qū)間，設(shè)定評(píng)估模型，然后設(shè)定中值。

第三步：進(jìn)行數(shù)據(jù)處理，獲取用戶(hù)的R、F、M值

第四步：參照評(píng)估模型與中值，對(duì)用戶(hù)進(jìn)行分層。

第五步：針對(duì)不同層級(jí)用戶(hù)制定運(yùn)營(yíng)策略，推進(jìn)落地。

第四類(lèi)：AARRR模型分層

AARRR模型通常是在增長(zhǎng)的語(yǔ)境下看到的，我們也可以通過(guò)這個(gè)模型對(duì)用戶(hù)進(jìn)行粗放的分層。

第一種AARRR模型：

第二種AARRR模型：

兩種模型并沒(méi)有絕對(duì)的好與壞，只是適用的場(chǎng)景不同，像滴滴這種產(chǎn)品，用戶(hù)上一就收費(fèi)，收入放在前面比較好。

如果是流量型的產(chǎn)品，有了流量才能增值用第一種AARRR模型比較好一些。

想用好AARRR模型來(lái)用用戶(hù)分層的話(huà)，一定要找到合適的數(shù)據(jù)指標(biāo)，來(lái)描述和定義處于每一層級(jí)的用戶(hù)。

鏈接：https://www.jianshu.com/p/5bb31f906aee

二、RFM模型分析與客戶(hù)細(xì)分

RFM模型分析與客戶(hù)細(xì)分

根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)研究所Arthur Hughes的研究，客戶(hù)數(shù)據(jù)庫(kù)中有三個(gè)神奇的要素，這三個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)：最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)。

RFM模型：R(Recency)表示客戶(hù)最近一次購(gòu)買(mǎi)的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶(hù)在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的次數(shù)，M (Monetary)表示客戶(hù)在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的金額。一般原始數(shù)據(jù)為3個(gè)字段：客戶(hù)ID、購(gòu)買(mǎi)時(shí)間(日期格式)、購(gòu)買(mǎi)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(jìn)而可以進(jìn)行客戶(hù)細(xì)分，客戶(hù)等級(jí)分類(lèi)，Customer Level Value得分排序等，實(shí)現(xiàn)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)!

這里再次借用@數(shù)據(jù)挖掘與數(shù)據(jù)分析的RFM客戶(hù)RFM分類(lèi)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?yàn)镽FM分析僅是項(xiàng)目的一個(gè)小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點(diǎn)對(duì)計(jì)算機(jī)的內(nèi)存和硬盤(pán)容量都有要求。

先說(shuō)說(shuō)對(duì)海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點(diǎn)體會(huì)：(僅指?jìng)€(gè)人電腦操作平臺(tái)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(chǔ)單位，一般最好在外置電源移動(dòng)硬盤(pán)存儲(chǔ);如果客戶(hù)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(pán)進(jìn)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(guò)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(yùn)行出結(jié)果是常有的現(xiàn)象，特別是在進(jìn)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(guò)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(shí)間占整個(gè)項(xiàng)目的70%，我這里說(shuō)如果是超大數(shù)據(jù)集可能時(shí)間要占到90%以上。一方面是處理費(fèi)時(shí)，一方面可能就只能這臺(tái)電腦處理，不能幾臺(tái)電腦同時(shí)操作;

多帶來(lái)不同，這是我一直強(qiáng)調(diào)的體驗(yàn)。所以海量數(shù)據(jù)需要用到抽樣技術(shù)，用來(lái)查看數(shù)據(jù)和預(yù)操作，記?。河袝r(shí)候即使樣本數(shù)據(jù)正常，也可能全部數(shù)據(jù)有問(wèn)題。建議數(shù)據(jù)分隔符采用“|”存儲(chǔ);

如何強(qiáng)調(diào)一個(gè)數(shù)據(jù)挖掘項(xiàng)目和挖掘工程師對(duì)行業(yè)的理解和業(yè)務(wù)的洞察都不為過(guò)，好的數(shù)據(jù)挖掘一定是市場(chǎng)導(dǎo)向的，當(dāng)然也需要IT人員與市場(chǎng)人員有好的溝通機(jī)制;

數(shù)據(jù)挖掘會(huì)面臨數(shù)據(jù)字典和語(yǔ)義層含義理解，在MetaData元數(shù)據(jù)管理和理解上下功夫會(huì)事半功倍，否則等數(shù)據(jù)重構(gòu)完成發(fā)現(xiàn)問(wèn)題又要推倒重來(lái)，悲劇;

每次海量大數(shù)據(jù)挖掘工作時(shí)都是我上微博最多的時(shí)侯，它真的沒(méi)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(jìn)而細(xì)分客戶(hù)僅是數(shù)據(jù)挖掘項(xiàng)目的一個(gè)小部分，假定我們拿到一個(gè)月的客戶(hù)充值行為數(shù)據(jù)集(實(shí)際上有六個(gè)月的數(shù)據(jù))，我們們先用IBM Modeler軟件構(gòu)建一個(gè)分析流：

數(shù)據(jù)結(jié)構(gòu)完全滿(mǎn)足RFM分析要求，一個(gè)月的數(shù)據(jù)就有3千萬(wàn)條交易記錄!

我們先用挖掘工具的RFM模型的RFM匯總節(jié)點(diǎn)和RFM分析節(jié)點(diǎn)產(chǎn)生R(Recency)、F(Frequency)、M (Monetary);

接著我們采用RFM分析節(jié)點(diǎn)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(duì)RFM得分進(jìn)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(gè)RFM魔方塊。

傳統(tǒng)的RFM模型到此也就完成了，但125個(gè)細(xì)分市場(chǎng)太多啦無(wú)法針對(duì)性營(yíng)銷(xiāo)也需要識(shí)別客戶(hù)特征和行為，有必要進(jìn)一步細(xì)分客戶(hù)群;

另外：RFM模型其實(shí)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(jiǎn)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(jìn)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(jìn)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(jìn)行不同塊的對(duì)比分析：均值分析、塊類(lèi)別分析等等

這時(shí)候我們就可以看出Tableau可視化工具的方便性

接下來(lái)，我們繼續(xù)采用挖掘工具對(duì)R、F、M三個(gè)字段進(jìn)行聚類(lèi)分析，聚類(lèi)分析主要采用：Kohonen、K-means和Two-step算法：

這時(shí)候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個(gè)變量還是要進(jìn)行變換，因?yàn)镽、F、M三個(gè)字段的測(cè)量尺度不同最好對(duì)三個(gè)變量進(jìn)行標(biāo)準(zhǔn)化，例如：Z得分(實(shí)際情況可以選擇線(xiàn)性插值法，比較法，對(duì)標(biāo)法等標(biāo)準(zhǔn)化)!另外一個(gè)考慮：就是R、F、M三個(gè)指標(biāo)的權(quán)重該如何考慮，在現(xiàn)實(shí)營(yíng)銷(xiāo)中這三個(gè)指標(biāo)重要性顯然不同!

有資料研究表明：對(duì)RFM各變量的指標(biāo)權(quán)重問(wèn)題,Hughes,Arthur認(rèn)為RFM在衡量一個(gè)問(wèn)題上的權(quán)重是一致的,因而并沒(méi)有給予不同的劃分。而Stone,Bob通過(guò)對(duì)信用卡的實(shí)證分析,認(rèn)為各個(gè)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(jiǎn)單加權(quán)法(實(shí)際情況需要專(zhuān)家或營(yíng)銷(xiāo)人員測(cè)定);具體選擇哪種聚類(lèi)方法和聚類(lèi)數(shù)需要反復(fù)測(cè)試和評(píng)估，同時(shí)也要比較三種方法哪種方式更理想!

下圖是采用快速聚類(lèi)的結(jié)果：

以及kohonen神經(jīng)算法的聚類(lèi)結(jié)果：

接下來(lái)我們要識(shí)別聚類(lèi)結(jié)果的意義和類(lèi)分析：這里我們可以采用C5.0規(guī)則來(lái)識(shí)別不同聚類(lèi)的特征：

其中Two-step兩階段聚類(lèi)特征圖：

采用評(píng)估分析節(jié)點(diǎn)對(duì)C5.0規(guī)則的模型識(shí)別能力進(jìn)行判斷：

結(jié)果還不錯(cuò)，我們可以分別選擇三種聚類(lèi)方法，或者選擇一種更易解釋的聚類(lèi)結(jié)果，這里選擇Kohonen的聚類(lèi)結(jié)果將聚類(lèi)字段寫(xiě)入數(shù)據(jù)集后，為方便我們將數(shù)據(jù)導(dǎo)入SPSS軟件進(jìn)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(gè)字段分類(lèi)與該字段的均值進(jìn)行比較，利用Excel軟件的條件格式給出與均值比較的趨勢(shì)!結(jié)合RFM模型魔方塊的分類(lèi)識(shí)別客戶(hù)類(lèi)型：通過(guò)RFM分析將客戶(hù)群體劃分成重要保持客戶(hù)、重要發(fā)展客戶(hù)、重要挽留客戶(hù)、一般重要客戶(hù)、一般客戶(hù)、無(wú)價(jià)值客戶(hù)等六個(gè)級(jí)別;(有可能某個(gè)級(jí)別不存在);

另外一個(gè)考慮是針對(duì)R、F、M三個(gè)指標(biāo)的標(biāo)準(zhǔn)化得分按聚類(lèi)結(jié)果進(jìn)行加權(quán)計(jì)算，然后進(jìn)行綜合得分排名，識(shí)別各個(gè)類(lèi)別的客戶(hù)價(jià)值水平;

至此如果我們通過(guò)對(duì)RFM模型分析和進(jìn)行的客戶(hù)細(xì)分滿(mǎn)意的話(huà)，可能分析就此結(jié)束!如果我們還有客戶(hù)背景資料信息庫(kù)，可以將聚類(lèi)結(jié)果和RFM得分作為自變量進(jìn)行其他數(shù)據(jù)挖掘建模工作!

三、RFM模型的應(yīng)用意義

RFM模型較為動(dòng)態(tài)地顯示了一個(gè)客戶(hù)的全部輪廓，這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù)，同時(shí)，如果與該客戶(hù)打交道的時(shí)間足夠長(zhǎng)，也能夠較為精確地判斷該客戶(hù)的長(zhǎng)期價(jià)值(甚至是終身價(jià)值)，通過(guò)改善三項(xiàng)指標(biāo)的狀況，從而為更多的營(yíng)銷(xiāo)決策提供支持。

在RFM模式中，R(Recency)表示客戶(hù)購(gòu)買(mǎi)的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶(hù)在時(shí)間內(nèi)購(gòu)買(mǎi)的次數(shù)，M (Monetary)表示客戶(hù)在時(shí)間內(nèi)購(gòu)買(mǎi)的金額。一般的分析型CRM著重在對(duì)于客戶(hù)貢獻(xiàn)度的分析，RFM則強(qiáng)調(diào)以客戶(hù)的行為來(lái)區(qū)分客戶(hù)。

RFM非常適用于生產(chǎn)多種商品的企業(yè)，而且這些商品單價(jià)相對(duì)不高，如消費(fèi)品、化妝品、小家電、錄像帶店、超市等；它也適合在一個(gè)企業(yè)內(nèi)只有少數(shù)耐久商品，但是該商品中有一部分屬于消耗品，如復(fù)印機(jī)、打印機(jī)、汽車(chē)維修等消耗品；RFM對(duì)于加油站、旅行保險(xiǎn)、運(yùn)輸、快遞、快餐店、KTV、行動(dòng)電話(huà)信用卡、證券公司等也很適合。

RFM可以用來(lái)提高客戶(hù)的交易次數(shù)。業(yè)界常用的DM(直接郵寄)，常常一次寄發(fā)成千上萬(wàn)封郵購(gòu)清單，其實(shí)這是很浪費(fèi)錢(qián)的。根據(jù)統(tǒng)計(jì)(以一般郵購(gòu)日用品而言)，如果將所有R(Recency)的客戶(hù)分為五級(jí)，最好的第五級(jí)回函率是第四級(jí)的三倍，因?yàn)檫@些客戶(hù)剛完成交易不久，所以會(huì)更注意同一公司的產(chǎn)品信息。如果用M(Monetary)來(lái)把客戶(hù)分為五級(jí)，最好與次好的平均回復(fù)率，幾乎沒(méi)有顯著差異。

有些人會(huì)用客戶(hù)絕對(duì)貢獻(xiàn)金額來(lái)分析客戶(hù)是否流失，但是絕對(duì)金額有時(shí)會(huì)曲解客戶(hù)行為。因?yàn)槊總€(gè)商品價(jià)格可能不同，對(duì)不同產(chǎn)品的促銷(xiāo)有不同的折扣，所以采用相對(duì)的分級(jí)(例如R、F、M都各分為五級(jí))來(lái)比較消費(fèi)者在級(jí)別區(qū)間的變動(dòng)，則更可以顯現(xiàn)出相對(duì)行為。企業(yè)用R、F的變化，可以推測(cè)客戶(hù)消費(fèi)的異動(dòng)狀況，根據(jù)客戶(hù)流失的可能性，列出客戶(hù)，再?gòu)腗（消費(fèi)金額）的角度來(lái)分析，就可以把重點(diǎn)放在貢獻(xiàn)度高且流失機(jī)會(huì)也高的客戶(hù)上，重點(diǎn)拜訪(fǎng)或聯(lián)系，以最有效的方式挽回更多的商機(jī)。

RFM也不可以用過(guò)頭，而造成高交易的客戶(hù)不斷收到信函。每一個(gè)企業(yè)應(yīng)該設(shè)計(jì)一個(gè)客戶(hù)接觸頻率規(guī)則，如購(gòu)買(mǎi)三天或一周內(nèi)應(yīng)該發(fā)出一個(gè)感謝的電話(huà)或Email，并主動(dòng)關(guān)心消費(fèi)者是否有使用方面的問(wèn)題，一個(gè)月后發(fā)出使用是否滿(mǎn)意的詢(xún)問(wèn)，而三個(gè)月后則提供交叉銷(xiāo)售的建議，并開(kāi)始注意客戶(hù)的流失可能性，不斷地創(chuàng)造主動(dòng)接觸客戶(hù)的機(jī)會(huì)。這樣一來(lái)，客戶(hù)再購(gòu)買(mǎi)的機(jī)會(huì)也會(huì)大幅提高。

企業(yè)在推行CRM時(shí)，就要根據(jù)RFM模型的原理，了解客戶(hù)差異，并以此為主軸進(jìn)行企業(yè)流程重建，才能創(chuàng)新業(yè)績(jī)與利潤(rùn)。否則，將無(wú)法在新世紀(jì)的市場(chǎng)立足。

銀行rfm模型應(yīng)用實(shí)例（rfm模型概述及應(yīng)用分析）

四、基于RFM的客戶(hù)價(jià)值分析報(bào)告

項(xiàng)目背景

在面向客戶(hù)制定運(yùn)營(yíng)策略、營(yíng)銷(xiāo)策略時(shí)，我們希望針對(duì)不同的客戶(hù)推行不同的策略，實(shí)現(xiàn)精準(zhǔn)化運(yùn)營(yíng)，以期獲取最大的轉(zhuǎn)化率。精準(zhǔn)化運(yùn)營(yíng)的前提是客戶(hù)分類(lèi)。通過(guò)客戶(hù)分類(lèi)，對(duì)客戶(hù)群體進(jìn)行細(xì)分，區(qū)別出低價(jià)值客戶(hù)、高價(jià)值客戶(hù)，對(duì)不同的客戶(hù)群體開(kāi)展不同的個(gè)性化服務(wù)，將有限的資源合理地分配給不同價(jià)值的客戶(hù)，實(shí)現(xiàn)效益最大化。在客戶(hù)分類(lèi)中，RFM模型是一個(gè)經(jīng)典的分類(lèi)模型，模型利用通用交易環(huán)節(jié)中最核心的三個(gè)維度——最近消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)細(xì)分客戶(hù)群體，從而分析不同群體的客戶(hù)價(jià)值。

項(xiàng)目目標(biāo)

本項(xiàng)目借助某電商客戶(hù)數(shù)據(jù)，探討如何對(duì)客戶(hù)群體進(jìn)行細(xì)分，以及細(xì)分后如何利用RFM模型對(duì)客戶(hù)價(jià)值進(jìn)行分析。在本項(xiàng)目中，主要希望實(shí)現(xiàn)以下三個(gè)目標(biāo)：1.借助某電商客戶(hù)數(shù)據(jù)，對(duì)客戶(hù)進(jìn)行群體分類(lèi)；2.比較各細(xì)分群體的客戶(hù)價(jià)值；3.對(duì)不同價(jià)值的客戶(hù)制定相應(yīng)的運(yùn)營(yíng)策略。

分析過(guò)程

1.數(shù)據(jù)預(yù)覽

我們的源數(shù)據(jù)是訂單表，記錄著用戶(hù)交易相關(guān)字段

通過(guò)數(shù)據(jù)可以發(fā)現(xiàn)，訂單狀態(tài)有交易成功和退款關(guān)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(guān)察數(shù)據(jù)類(lèi)型與缺失情況

訂單一共28833行，沒(méi)有缺失，付款日期是時(shí)間格式，實(shí)付金額、郵費(fèi)和購(gòu)買(mǎi)數(shù)量是數(shù)值型，其他均為字符串類(lèi)型

2. 數(shù)據(jù)清洗

(1)剔除退款

(2)關(guān)鍵字段提取：提取RFM模型所需要的買(mǎi)家昵稱(chēng)，付款時(shí)間，實(shí)付金額

(3)關(guān)鍵字段構(gòu)造：構(gòu)建模型所需的三個(gè)字段，R(最近一次購(gòu)買(mǎi)時(shí)間間隔),F(購(gòu)買(mǎi)頻次),M(平均或累計(jì)購(gòu)買(mǎi)金額)

首先構(gòu)造R值，思路是按買(mǎi)家昵稱(chēng)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(hù)最近一次付款時(shí)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(dāng)作“今天”

然后處理F,即每個(gè)用戶(hù)累計(jì)購(gòu)買(mǎi)頻次( 明確一下單個(gè)用戶(hù)一天內(nèi)購(gòu)買(mǎi)多次訂單合并為一次訂單 )

思路：引入一個(gè)精確到天的日期標(biāo)簽，依照“買(mǎi)家昵稱(chēng)”和“日期標(biāo)簽”分組，把每個(gè)用戶(hù)一天內(nèi)的多次下單合并，再統(tǒng)計(jì)購(gòu)買(mǎi)次數(shù)

最后處理M,本案例M指用戶(hù)平均支付金額，可以通過(guò)總金額除以購(gòu)買(mǎi)頻次計(jì)算出來(lái)

三個(gè)指標(biāo)合并

3. 維度打分

維度確認(rèn)的核心是分值確定。RFM模型中打分一般采取5分制，依據(jù)數(shù)據(jù)和業(yè)務(wù)的理解，進(jìn)行分值的劃分

R值依據(jù)行業(yè)經(jīng)驗(yàn)，設(shè)置為30天一個(gè)跨度，區(qū)間左閉右開(kāi)

F值和購(gòu)買(mǎi)頻次掛鉤，每多購(gòu)買(mǎi)一次，分值多加一分

M值我們按照50元的一個(gè)區(qū)間來(lái)進(jìn)行劃分

這一步我們確定了一個(gè)打分框架，每一個(gè)用戶(hù)的每個(gè)指標(biāo)，都有其對(duì)應(yīng)的分值

4. 分值計(jì)算

(1)算出每個(gè)用戶(hù)的R,F,M分值

(2)簡(jiǎn)化分類(lèi)結(jié)果

通過(guò)判斷每個(gè)客戶(hù)的R,F,M值是否大于平均值，來(lái)簡(jiǎn)化分類(lèi)結(jié)果。0表示小于平均值，1表示大于平均值，整體組合下來(lái)有8個(gè)分組

5.客戶(hù)分層

RFM經(jīng)典分層按照R,F,M每一項(xiàng)指標(biāo)是否高于平均值，把用戶(hù)劃分為8類(lèi)

Python實(shí)現(xiàn)思路如下：先定義一個(gè)人群數(shù)值，將之前判斷的R,F,M是否大于均值的三個(gè)值加起來(lái)

人群數(shù)值是數(shù)值類(lèi)型，位于前面的0會(huì)自動(dòng)略過(guò)，比如1代表001的高消費(fèi)喚回客戶(hù)人群，10對(duì)應(yīng)010的一般客戶(hù)

然后在python中定義一個(gè)判斷函數(shù)，通過(guò)判斷人群數(shù)值，來(lái)返回對(duì)應(yīng)的分類(lèi)標(biāo)簽

數(shù)據(jù)解讀與建議：

首先查看各類(lèi)用戶(hù)占比情況

然后查看不同類(lèi)型客戶(hù)消費(fèi)金額貢獻(xiàn)占比

最后導(dǎo)出數(shù)據(jù)，在tableau中數(shù)據(jù)可視化展示

通過(guò)數(shù)據(jù)可視化后，我們可以發(fā)現(xiàn)：

1.客戶(hù)流失情況嚴(yán)重，高消費(fèi)喚回客戶(hù)，流失客戶(hù)占比超過(guò)總客戶(hù)的50%

2.高消費(fèi)喚回客戶(hù)和頻次深耕客戶(hù)的金額總占比約66%，這兩部分客戶(hù)是消費(fèi)的重點(diǎn)客戶(hù)

3.流失客戶(hù)和新客戶(hù)的總?cè)藬?shù)占比約38%，但金額總占比只有約13%

建議：

1.針對(duì)高消費(fèi)喚回客戶(hù)，流失客戶(hù)采用喚回策略，推送相關(guān)信息，發(fā)禮品券等挽留客戶(hù)

2.針對(duì)高消費(fèi)喚回客戶(hù)和頻次深耕客戶(hù)，考慮繼續(xù)挖掘其消費(fèi)特性，如喜愛(ài)購(gòu)買(mǎi)的產(chǎn)品，消費(fèi)的時(shí)間段，后續(xù)據(jù)此加強(qiáng)店鋪產(chǎn)品與時(shí)間段的改進(jìn)，最大程度留住這兩部分客戶(hù)

3.針對(duì)流失客戶(hù)和新客戶(hù)金額總占比低，建議推出一些低價(jià)產(chǎn)品，用來(lái)拉取新客戶(hù)，保證店鋪的活躍性。

以上就是關(guān)于銀行rfm模型應(yīng)用實(shí)例相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。