-
當(dāng)前位置:首頁(yè) > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
用戶rfm模型(rfm模型將用戶分為幾個(gè)類別)
大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于用戶rfm模型的問(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(xiě)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:
一、【知識(shí)分享】RFM模型與顧客生命周期管理(二)
二. RFM模型的應(yīng)用
說(shuō)到應(yīng)用,主要可拆分為三個(gè)步驟:進(jìn)行客戶細(xì)分、輸出目標(biāo)客戶還有針對(duì)性的二次營(yíng)銷。與一般想象不同,并不是細(xì)分維度越多越好——我們主要有兩個(gè)指標(biāo)來(lái)幫助自己選擇合適的細(xì)分指標(biāo):一是店鋪規(guī)模,而是店鋪的商品和顧客結(jié)構(gòu)。比如一個(gè)只有百人客戶群的店鋪,那么其用戶畫(huà)像的豐富性一定不及餓了么的外賣群體;一個(gè)只賣母嬰產(chǎn)品的垂直網(wǎng)站,其典型的用戶畫(huà)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(yíng)銷方法、客戶細(xì)分以及營(yíng)銷策略三者之間的關(guān)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(chéng)程度,從M值可以區(qū)分顧客的可獲利程度。
我們可以根據(jù)RFM的綜合值給每個(gè)用戶進(jìn)行打分(線性?三維立體?),分?jǐn)?shù)越高的顧客對(duì)店鋪的意義和重要性越大。但不代表分?jǐn)?shù)低的那些組人員需要放棄。相反,我們?cè)俅螐?qiáng)調(diào)的是對(duì)于不同的顧客,營(yíng)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(gè)必然的過(guò)程。顧客也是,每天有新人來(lái),每天也有顧客遺忘你。作為店鋪管理者,需要關(guān)注的重點(diǎn)是如何有效的劃分客戶生命周期以及如何針對(duì)不同生命周期客戶制定有效的營(yíng)銷策略。
上表以店鋪售賣商品類目回購(gòu)周期為維度,劃分了生命周期的五個(gè)階段,并標(biāo)明了客戶特征。供大家參考。
CHAPTER FOUR 顧客生命周期營(yíng)銷
結(jié)合上一張圖的顧客營(yíng)銷策略,這里是一張示例的計(jì)劃表。
這張圖列舉了目前市面上可見(jiàn)的維系類活動(dòng)與營(yíng)銷類活動(dòng)。
二、k-means與RFM模型結(jié)合進(jìn)行用戶群體劃分
在CRM系統(tǒng)中經(jīng)常要對(duì)用戶進(jìn)行劃分,以標(biāo)記不同的標(biāo)簽,進(jìn)行個(gè)性化的營(yíng)銷觸達(dá)動(dòng)作。通常的用戶群體劃分會(huì)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(guān)聯(lián)產(chǎn)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(shí)際購(gòu)買(mǎi)行為數(shù)據(jù)作為基礎(chǔ),進(jìn)行用戶群體的劃分的,在實(shí)踐中更加具有實(shí)際價(jià)值。
RFM模型由三個(gè)指標(biāo)組成,分別為:
最近一次消費(fèi) (Recency)
消費(fèi)頻率 (Frequency)
消費(fèi)金額 (Monetary)
可以看到這三個(gè)屬性都是通過(guò)用戶的購(gòu)買(mǎi)行為計(jì)算得出的,這些指標(biāo)基本上代表了用戶是否活躍,購(gòu)買(mǎi)能力,忠誠(chéng)度等信息。
而我們的目標(biāo)是通過(guò)對(duì)每個(gè)用戶的RFM屬性進(jìn)行計(jì)算,將用戶群體劃分為不同的種類進(jìn)行區(qū)分,以便我們進(jìn)行分析和精準(zhǔn)營(yíng)銷。例如我們可以分析出高價(jià)值用戶,重點(diǎn)發(fā)展用戶,流失用戶等群體進(jìn)行針對(duì)性營(yíng)銷動(dòng)作。
本文將使用Python的一些工具包,對(duì)用戶數(shù)據(jù)集進(jìn)行分析處理,例如建立RFM模型,數(shù)據(jù)標(biāo)準(zhǔn)化,以及使用k-means聚類算法將用戶群體進(jìn)行劃分。需要讀者具有一些基礎(chǔ)的Python和數(shù)據(jù)統(tǒng)計(jì)知識(shí)。
首先我們通過(guò)一些訂單數(shù)據(jù)分析得到一部分用戶的樣本數(shù)據(jù)來(lái):
這里包括了用戶的id,總購(gòu)買(mǎi)筆數(shù),總購(gòu)買(mǎi)金額以及最后一筆訂單時(shí)間的信息。我們將文件加載進(jìn)來(lái),截取一部分后對(duì)字段類型進(jìn)行處理:
為了將其轉(zhuǎn)化為我們要使用的RFM屬性,我們需要對(duì)last_order_date進(jìn)行處理,轉(zhuǎn)換為最后一次訂單時(shí)間到目前的天數(shù)。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(duì)數(shù)據(jù)進(jìn)行可視化觀察數(shù)據(jù)分布:
其散點(diǎn)圖為:
我們會(huì)發(fā)現(xiàn)實(shí)際上的數(shù)據(jù)大部分都聚集在了一起,并且有一些非常離散的極端值數(shù)據(jù),這對(duì)我們后續(xù)進(jìn)行數(shù)據(jù)聚類會(huì)產(chǎn)生不利影響,所以我們使用log函數(shù)對(duì)數(shù)據(jù)進(jìn)行處理,讓其分布的更加均勻:
可以看到現(xiàn)在數(shù)據(jù)分布的已經(jīng)比較均勻了,這為我們進(jìn)行聚類打下一個(gè)比較好的基礎(chǔ)。但同時(shí)我們也會(huì)發(fā)現(xiàn)RFM這三個(gè)屬性的單位卻并不相同,分別是天數(shù),交易筆數(shù)和交易金額。這就造成了其數(shù)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(jìn)行計(jì)算劃分的,屬性單位不同造成的數(shù)值差異過(guò)大會(huì)造成計(jì)算距離時(shí)的權(quán)重分布不均衡,也并不能反映實(shí)際情況,所以我們還要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,這里我們使用z-score對(duì)RFM屬性進(jìn)行加工運(yùn)算。
z-score是一種數(shù)據(jù)標(biāo)準(zhǔn)化的計(jì)算方法,其公式為:
z = (x – μ) / σ
μ代表x所屬數(shù)據(jù)組的平均值,σ代表x所屬數(shù)據(jù)組的方差。所以通過(guò)z-score計(jì)算,我們將絕對(duì)值數(shù)據(jù)轉(zhuǎn)化為一個(gè)數(shù)據(jù)在所屬數(shù)據(jù)組中的位置(得分),這樣不同單位和類型間的數(shù)據(jù)使用z-score做相互的比較也就有了一定的意義。
這時(shí)候會(huì)看到數(shù)據(jù)不但分布較為均勻,而且不同維度間的數(shù)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(jìn)行處理。
當(dāng)我們建立好RFM的數(shù)據(jù)模型之后,期望通過(guò)不同的RFM值,對(duì)用戶進(jìn)行區(qū)分以進(jìn)行精準(zhǔn)化營(yíng)銷。當(dāng)然我們可以通過(guò)對(duì)RFM這三組數(shù)值的平均值或者中位數(shù)和每個(gè)用戶進(jìn)行比較,以建立起一個(gè)數(shù)據(jù)立方,進(jìn)行群體劃分。但另外一方面,一般來(lái)說(shuō)用戶群體會(huì)大致符合28原則,80%左右的收入是由20%左右的客戶所貢獻(xiàn)的,所以根據(jù)平均值或者中位數(shù)進(jìn)行群體劃分也并不能總是科學(xué)的反應(yīng)出不同的用戶群體來(lái),所以我們也可以基于數(shù)據(jù)本身的特性,使用聚類算法進(jìn)行處理,以便讓數(shù)據(jù)更加“自然”的區(qū)分。
這里我們選用非常常用的k-means算法進(jìn)行聚類計(jì)算,k-means聚類的原理并不復(fù)雜,首先隨機(jī)的或者通過(guò)更高效的方式(例如k-means++)選取k個(gè)點(diǎn),然后不斷迭代的計(jì)算,修正這k個(gè)點(diǎn)的坐標(biāo),目的是讓集合中的每個(gè)點(diǎn)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(gè)點(diǎn)里的其中一個(gè)盡量的近,而和其他的盡量的遠(yuǎn)。這樣數(shù)據(jù)集合就能根據(jù)自身的分布規(guī)律,自然的區(qū)分出不同的類別來(lái)。
這里我們將k值設(shè)定為3,也就是將數(shù)據(jù)劃分為三個(gè)部分,通過(guò)使用我們處理后的RFM屬性進(jìn)行計(jì)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(jiǎn)單的認(rèn)為標(biāo)記為0的是流失用戶,1是重點(diǎn)發(fā)展用戶,2是高價(jià)值用戶。這樣我們就可以對(duì)不同的群體使用適合的營(yíng)銷策略了,同時(shí)當(dāng)有新的用戶加入后,我們也可以使用得到的k-means模型對(duì)其進(jìn)行預(yù)測(cè)劃分。
在使用這種方式做實(shí)際的數(shù)據(jù)處理時(shí),可能因?yàn)閿?shù)據(jù)分布的原因?qū)е聟^(qū)分度并不是特別好,因?yàn)楦鶕?jù)銷售數(shù)據(jù)進(jìn)行用戶區(qū)分,并不是總能發(fā)現(xiàn)比較明顯的區(qū)分“界限”,也就是不同群體間的邊界其實(shí)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(gè)角度講,單純通過(guò)RFM模型和聚類進(jìn)行用戶群體劃分也是有它的局限性的。
三、客戶識(shí)別的rfm模型指的是什么
RFM模型。
即:
最近一次消費(fèi)(Recency)
消費(fèi)頻率(Frequency)
消費(fèi)金額(Monetary)
在眾多的客戶關(guān)系管理(CRM)的分析模式中,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。該機(jī)械模型通過(guò)一個(gè)客戶的近期購(gòu)買(mǎi)行為、購(gòu)買(mǎi)的總體頻率以及花了多少錢(qián)三項(xiàng)指標(biāo)來(lái)描述該客戶的價(jià)值狀況。
四、客戶價(jià)值如何分析?看看這個(gè)RFM模型分析吧
相信很多企業(yè)都希望服務(wù)好客戶,促進(jìn)銷售轉(zhuǎn)化,最好能對(duì)產(chǎn)品和品牌產(chǎn)生黏性,長(zhǎng)期購(gòu)買(mǎi)。于是絞盡腦汁去維護(hù)客戶關(guān)系,但往往不是很理想,無(wú)感的依舊無(wú)感。為什么?因?yàn)椴煌目蛻粝M(fèi)需求不一樣。因此,對(duì)不同的客戶進(jìn)行價(jià)值劃分,可以更好地幫助業(yè)務(wù)部門(mén)進(jìn)行精準(zhǔn)營(yíng)銷,為不同的客戶定制不同的營(yíng)銷策略,以提高轉(zhuǎn)化率。
那么如何對(duì)客戶價(jià)值進(jìn)行分析呢?這里我們可以通過(guò)RFM模型對(duì)客戶進(jìn)行細(xì)分:
R:最近一次消費(fèi)(Recency),指客戶最近交易日期距離當(dāng)前天數(shù)。
F:消費(fèi)頻率(Frequency),表示客戶在一定時(shí)期內(nèi)的購(gòu)買(mǎi)次數(shù)。
M:消費(fèi)金額(Monetary),表示客戶在一定時(shí)期內(nèi)消費(fèi)的平均金額。
通過(guò)這樣的模型對(duì)客戶價(jià)值劃分后,我們可以將客戶類型細(xì)分成:重要價(jià)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(jià)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(duì)應(yīng)的價(jià)值。若想清晰的掌握不同客戶類型下的客戶數(shù)量及其所帶來(lái)的銷售額情況,我們可以借助下圖幫助用戶直觀統(tǒng)計(jì)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(shù)量最多,但其所帶來(lái)的銷售價(jià)值并不高,而重要價(jià)值客戶所占數(shù)量不多,但卻為企業(yè)帶來(lái)了最大的收益價(jià)值。因此,企業(yè)可在面對(duì)不同類型的客戶時(shí),采取不同的銷售策略,為企業(yè)帶來(lái)更大的收益價(jià)值。
在對(duì)客戶價(jià)值分析的過(guò)程中,我們還可以結(jié)合其他圖表對(duì)客戶進(jìn)行分析,聯(lián)動(dòng)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(bào)表,篩選過(guò)濾出任意一家或多家客戶的月度銷售額、成本、平均單價(jià)、所購(gòu)買(mǎi)的商品種類、筆數(shù)等指標(biāo)數(shù)據(jù)的變化趨勢(shì),以及客戶所購(gòu)買(mǎi)的物料具體明細(xì),幫助企業(yè)更清晰了解不同客戶的銷售價(jià)值,以此采取不同的銷售應(yīng)對(duì)策略。
當(dāng)然,上述圖表僅供參考,在實(shí)際中可另行修改設(shè)計(jì)。該分析模型制作完成后,借助數(shù)林BI對(duì)數(shù)據(jù)進(jìn)行自定義更新設(shè)置后,后續(xù)數(shù)據(jù)可自動(dòng)可從用友或金蝶系統(tǒng)中獲取,幫助我們減少定期重復(fù)做表的繁瑣,減輕工作量,從而提高工作效率。
以上就是關(guān)于用戶rfm模型相關(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,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。
推薦閱讀:
百度用戶服務(wù)中心人工電話(百度用戶服務(wù)中心官網(wǎng))
中國(guó)用戶如何注冊(cè)臉書(shū)(中國(guó)用戶如何注冊(cè)臉書(shū)賬戶)
抖音小店主賬號(hào)和子賬號(hào)(抖音小店主賬號(hào)和子賬號(hào)直播用戶畫(huà)像)