【机器学习业务篇】基于RFM模型的用户分群方法

一、RFM模型

RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

客户分类

R：基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。例如5分制。

F：基于交易频率计算的得分，交易频率越高，得分越高。如5分制。

M：基于交易金额计算的得分，交易金额越高，得分越高。如5分制。

RFM总分值：RFM=RS*100+FS*10+MS*1

RFM分析的主要作用：

识别优质客户。可以指定个性化的沟通和营销服务，为更多的营销决策提供有力支持。

能够衡量客户价值和客户利润创收能力。

RFM的假设前提：

假设交易的可能性：

最近交易过的客户 > 最近没有交易过的

交易频率高的客户 > 交易频率低的

交易金额大的客户 > 交易金额小的

二、分析实践

SPSS RFM分析有现成的工具箱，接受的数据格式有两种：

交易数据：每次交易占用一行，关键变量是客户ID、交易时间、交易金额。

客户数据：每次交易占用一行，关键变量是客户ID、交易总金额、最近交易日期、交易总次数。

三、RFM分析应用

为客户分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。

因此有三件事要做：

计算出各个指标得分的平均值；

将各个变量高于平均分的定义为“高”，低于平均分的定义为“低”；

根据三个变量“高”“低”的组合来定义客户类型；如“高”“高”“高”为高价值客户。

部分结果如下图：

结果截图

通过RFM方法，我们根据用户的属性数据分析，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助。

作者：阿信欧了
链接：https://www.jianshu.com/p/3193f5ffcecd
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

 

相关案例：

【机器学习小案例篇】关于RFM模型的小案例