市场营销RFM模型

RFM模型

RFM的全称是Recency（进度） Frequency（频度） Monetary（值度），作为客户分层中最常用的一种市场营销模型。客户分层的定义是：可以根据大量的客户数据包括客户自身属性（职业，收入，年龄等）、行为和购物习惯的相似性度量划分为几个集群或层级，然后每个集群都可以作为一个整体进行描述、解释和研究，从而针对不同的客户群体采取相应的市场策略，以实现千人千面的目的。分层首先确定了正确的客户群体，然后为每个分层群体量身定制产品和体验，可以被视为一种将不同的产品和体验分配给最合适的用户的方法，在市场营销中，被定义为精准营销。

RFM正如它的名字描述，它所用到的数据主要就是Recency，Frequency以及Monetary：

Recency:

自客户上次购买以来经过的时间单位数。这个指标可以直接用时间单位（例如，月，日，年）来衡量，也可以映射到一些分数。例如，客户可以按照最近的购买日期进行排序，然后最近20%的客户被分配5分，接下来的20%被分配4分，以此类推，直到最后20%的客户获得1分等。我们知道每个产品都有其生命周期，比如汽车可能10年左右，手机3年更新换代，Recency就可以判断客户所处的生命周期阶段。

Frequency：

每个时间单位的平均购买次数。同样，度量可以直接用单位或分数来衡量。

Monetary：

一段时间花费的总金额。货币指标通常使用钱数值或者区间来衡量。

对于所有三个指标，通常使用相同的离散评分量表，比如从1到5，也可以直接用数值，然后对每个指标进行标准化处理（无量纲化）。在这种情况下，RFM模型可以被视为由单元组成的三维立方体，每个单元由三重度量值确定，并应用于客户细分市场，可以通过从RFM立方体中选择分段的子集来做出目标确定决策。一种可能的技术是将所有三个指标相加为一个分数，通过阈值将客户分层，另外一种可以通过Kmeans无监督学习通过聚类的方法将客户分成不同的类簇。RFM分析基于经验观察，即最近性、频率和货币指标通常与响应概率和寿命值相关。尽管这是一个公平的假设，但RFM方法是肤浅的，因为它衡量的是营销过程和消费者行为的最终结果，而不是利用影响消费者消费的行为因素。正如我们将在下一节中看到的，通过利用行为数据进行有监督的学习可以获得更灵活的解决方案。

下图是利用RFM模型对客户进行分层，针对不同的客户分层采取不同的营销策略。

数据源：

http://www.allmlp.com/public/resource/data/rfm_data.csv

user_id为每个消费客户ID

prod_id为消费产品ID

revenue_usd为消费金额，单位美元

order_date为消费日期

RFM代码：

请点击“代码链接”查看详细代码