常用分析模型---RFM客户价值模型

引入

问：如何量化用户价值?
答：用户精细化运营，针对不同类型的用户采用不同的运营手段来提高用户在产品中的活跃度、留存率和付费率。
引入用户分群工具----RFM模型，依托于用户最近一次购买时间、消费频次以及消费金额。

RFM模型定义

用模型前，要有用户最基础的交易数据，至少包含用户ID，交易金额，交易时间三个字段。

• R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。
• F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。
• M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

针对用户：最近一次消费时间距今比较久远，没有再消费了，但是累计消费金额和消费频次都很高的用户
此类用户曾经很有价值也就是RFM模型中的重要保持客户，我们不希望他流失，所以运营人员就会专门针对这类型用户设计召回策略，这也就是RFM模型的核心价值。

案例

假设近一年某人的消费行为：

假设统计时间设定为2019年12月31日，有：
R值 = 12月31日 – 11月11日 = 50；
F值 = 计数消费次数 = 4；
M值 = 1200+300+900+2000 = 4400；

遇到问题：R越大，客户用户价值越小。M和F反而是越大，用户价值越大。且三者量级无法衡量

处理方法：评分法和算法

评分法

用法：
1）都设定为平均5分值
根据三组数据各个值的特性，采用5分制为各个数据赋予一个评分值，R值的评分机制是R值越大，评分越小。具体评分的规则可以根据经验设定分值的给予区间，或者将数据平均分配成为5组，对应5个分值。
2）与平均分比较而划分维度，累加即RFM总值
在基于三组数据对应的评分值来计算评分值的平均数，大于等于平均数的数据划到高的维度，低于平均数的数据划到低的维度，自然将三组数据每组分别划分为高低两组，交叉组合后就是我们上面说过的8种情况。然后在将三组数据对应的评分值做累加就是RFM总值了。

优势
解决了不同量级数据相加时影响权重不均衡的问题。

劣势
赋值指标的设定需要资深的业务经验
什么样的算高频，什么样的算高额都是经验，并且用户的消费数据是不断膨胀的，根据手动设定的划分区间无法随着数据的不断膨胀而自动适配，所以需要根据经验和数据反馈不断修正。
手动设定不一定规范，且严重依靠经验

算法

用法
根据数据特性将数据基于模型处理后量化用户价值，分划分高低维度、量化用户价值两步。
1）划分高低维度
一般可以根据数据分布情况，选择中位数、四分之一位数或者四分之三位数，然后高于则划分为高纬度，低于则划分为低纬度。
2）量化用户价值
首先解决R、F、M三值量级不均衡的问题，然后计算RFM总值量化用户价值。
可将三组数据分别无量纲化处理映射至0到1的区间在合理放大然后相加。
可以选择最简单的无量纲化处理----（min-max归一化）

RFM总值的公式可设定为：
RFM总值 = R值*（-1）+F值+M值+1

这样总的范围就是0-4
可以根据RFM总值衡量用户价值