2019/2/16-星期六-阴晴天
终于当了做简单案例分析模型啦，今天要记录的是简单的RFM客户价值分析模型。首先必不可少的第一步需要讲一下什么是RFM客户价值分析模型。
一、理论概述
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。模型依据一个客户的近期购买行为（R）、购买的总体频率（F）以及消费总金额（M）来描述客户的价值。
根据三个指标我们可得到一个RFM的三维模型，每块空间代表着一类数据。
所以我们需要将每一天客户数据转化成上图R--F--M，从而给客户贴上客户级别的标签。
二、模型分析
①数据清洗
原始数据https://pan.baidu.com/s/11YcFmuJbvVbC7OxSMxFMcg，包含用户ID，下单日期，订单号，消费金额。
拿到一份数据需要简单浏览数据的情况。需要关注的点有：
①包含空值的数据，用户ID，下单日期，订单号，消费金额空值的情况。
②通过筛选查看数据的情况，如可以快速查看到时间数据的分布，金额的分布。同时也可以根据数据情况排序。
③留意异常值，如下单金额中金额为0，负数这类在业务中定为异常值。
④通过建立数据透视表观察数据。
所以根据上面三个方面的观察我们可以对数据进行清洗：
1、通过Excel“定位--空值--右键删除”，去除空值的数据。
2、通过筛选，删除小于amountinfo小于1的数据。
②数据整理
根据RFM模型，我们需要R、F、M的值。
对原始数据建立数据透视表。
根据图7数据，填入到图6中。
R是客户的最后交易时间跟数据采集时间的差作为计量标准；F是数据集中同一客户ID的交易次数。M是客户的交易额。
③数据分析
需要对RFM分箱，即对R、F、M的值进行打分的操作。这里采用简单范围法，即通过R\F\M的极差将数据三等分。
R-score的计算公式：“=IF(ROUNDUP((D2-$P$4)/$P$4,0)=0,1,ROUNDUP((D2-$P$4)/$P$4,0)) ”；$P$4是极值三等分距。
ROUNDUP是向上取整；IF函数是为了将式子等于0的转化成1；
通过判断R-score\F-score\M-score，是否大于三等分点，大于为1，小于为了0.
通过vlookup多条件匹配，=VLOOKUP(分析表!K2:K59683&分析表!L2:L59683&分析表!M2:M59683,IF({1,0},Sheet3!B$2:B$9&Sheet3!C$2:C$9&Sheet3!$D$2:$D$9,Sheet3!$E$2:$E$9),2,0)；得到结果：
④可视化，建立数据透视表以及图标
1、客户占比分析：从饼图可以直观的看到该数据新客户占到了57%，流失客户同样高到40.65%，重要价值客户，以及重要唤回客户分别为0.96%、1.19%。
2、客户金额分析：
从客户的总体消费金额来看，新客户的消费金额占到45%，流失客户消费金额占到39%。
所以可初步断定该平台主要是吸引新客户，但是对客户留存不足，需要通过运营手段加强流失客户、重要挽回客户的挽留，重要价值用户的培养。
三、基于客户价值的运营分析
当客户价值分类完成，需要针对不同层级的客户实施不同的运营策略。
（1）重要价值客户：维持现状，重点维护
最近消费时间近，消费频次和消费金额都很高；重点维护对象，VIP大用户组织建设是必要的，权益专享、定期福利等；
（2）重要发展客户：提升频次，重点深耕
最近消费时间较近，消费金额高，但频次不高；属于忠诚度不高用户。着力让用户在平台上活跃，优化产品和服务，帮助用户提升频次。
（3）重要保持客户：用户回流，重点挽回
最近消费时间较远，但消费频次和金额都很高；说明这是个一段时间没来的忠实客户，定期的EDM、PUSH、短信，主动和用户保持联系和互动；
（4）重要挽留客户：提前预警，重点召回
最近消费时间较远，消费频次不高，消费金额高；属于重点的预流失用户，提前做好预流失预警和策略触达。
（5）一般价值用户：潜力用户，刺激复购
最近消费时间较近，消费频次高，就是消费金额低；属于重点潜力用户，可以发放大额卡券，引导此类用户不断增加投资。
（6）一般发展用户：多为新用户，挖掘需求
最近消费时间较近，消费频次低，消费金额也低；可能是新用户，最近投资过，需要客服回复工作加强，以及福利及时提醒。
（7）一般保持用户：流失召回
最近消费时间较远，消费频次高，消费金额低；属于流失用户，可能前期在普通很活跃，后期情感受挫，或是产品、服务、奖励力度达不到心里预期，需要做好利益与情感双重触达。
（8）一般挽留用户：可放弃治疗
最近消费时间，消费频次与消费金额都很低，此类用户流失已久，较难挽回，预算受限的情况下，可以放弃此类用户。
四、RFM模型的深入思考
①从使用模型的情况来看，RFM的分层上面是使用的简单的均值划分，即大于均值则打分为1，小于均值则为0。所以也默认的RFM三个指标之间的权重是一直的，但是现实中却不一定。
②只是将客户根据特征分类，但是却没有针对各个类别客户的忠诚度和价值。
所以改进可以从这两方面入手，1、重新确定R\F\M三个指标的权重；2、重新进行分类并对各个类别客户进行价值评分。
最近发现一片文章讲通过层次分析方法确定权重，但是觉得依赖于砖家拍脑袋确定重要性。方法大致是砖家确定指标，通过特征向量归一化处理得到各个指标。对于RFM模型的优化还需要好好研究下。
