正文

用戶rfm模型（rfm模型將用戶分為幾個(gè)類別）

發(fā)布時(shí)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(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:

1、【知識(shí)分享】RFM模型與顧客生命周期管理（二）
2、k-means與RFM模型結(jié)合進(jìn)行用戶群體劃分
3、客戶識(shí)別的rfm模型指的是什么
4、客戶價(jià)值如何分析？看看這個(gè)RFM模型分析吧

用戶rfm模型（rfm模型將用戶分為幾個(gè)類別）

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。