原创 数据分析-RFM 模型

RFM 模型的概念：

RFM 模型是一个传统的数据分析模型，沿用至今约 60 年。

1961 年，乔治·卡利南在顾客的资料库中指出，最近一次消费、消费频率、消费金额三项数据可以较为客观的描绘顾客的轮廓。

企业针对近期有消费的”新客“、消费频率高的”常客“、消费金额高的”贵客“进行精准营销和广告投放，确实收到了意料之外的惊喜。

因此，这三项数据成为了衡量客户价值和客户创利能力的重要工具和手段。也是 RFM 模型的三个重要指标：

1） R（Recency）：最近一次消费时间间隔，指用户最近一次消费时间距离现在的时间间隔；

2） F（Frequency）：消费频率，指用户一段时间内消费了多少次；

3） M（Monetary）：消费金额，指用户一段时间内的消费金额。

RFM 模型的使用步骤：

1） 获取含有 RFM 的用户数据

2） 根据 RFM 的阈值，对用户进行分类

 设置 RFM 阈值的方法：

1） 计算数据的平均数

2） 计算数据的中位数

3） 分区域评分，计算平均数

 RFM 模型的作用:

RFM 模型多用于精细化运营服务。单看 R、F、M 三个指标，其本身已经具备了一定的参考性：

一般来说，比起许久没有消费的顾客，消费时间间隔短的客户再次购买的几率较高。针对这类客户，可以采取唤醒或者刺激消费，如赠送打折券等。

消费频率高的客户，其忠诚度相对较高，可以规律性地提醒这类客户关于产品的一些优惠信息。

消费金额高的客户，客户价值也越高，可以提供专属该类客户的优惠价格。

如果根据 RFM 模型将用户细分为 8 类，还能进一步对不同价值的用户使用不同的运营策略，获取并保留关键性用户，针对价值高的客户制定促销策略。

比如重要价值用户，这类用户最近一次消费时间较近，消费频率高，消费金额高，需要提供 VIP 服务和个性化服务，提升品牌形象。

对于一般挽留用户，其最近一次消费时间较远，消费频率低，消费金额低，可以减少该类用户的营销成本和服务预算。

 RFM 模型的构建流程:

1)     计算 R、F、M 的值

得到 R、F、M 这 3 个指标，一般需要的信息有：用户名称/用户 ID、消费记录（如消费时间、消费金额）。

 2)     根据 RFM 的阈值，对用户进行分类

首先，我们了解一下什么叫阈值。

阈值，又叫临界值，是指一个效应能够产生的最低值或最高值。

比如日常生活中，煮开水会有一个“沸点”。当温度低于“沸点”时水还没煮开，当温度高于这个“沸点”时，水就煮沸腾了。

这里用来区分温度高低的“沸点”，就可以理解为阈值。

3)     给 R、F、M 各值按价值划分打分区间

这里需要注意的是，我们不是按指标的数值大小打分，而是对指标的价值打分。像最近一次消费时间间隔（R），消费时间间隔最近，即 R 值越小，用户的价值越高。如何定义打分的范围，需要结合具体的业务来调整。

4)     计算价值的平均值

打完分数后，分别计算 R、F、M 各打分值的平均值

5)     用户分类

最后，我们将两个用户的 RFM 值与各值的平均值进行对比。

如果一行里的 R 值打分大于平均值，就标记该行的 R 值打分为“高”，反之标记为“低”。F、M 值亦是同理。

 在构建 RFM 模型的过程中，有几个注意事项：

1） 现实业务，不一定有完整的 RFM 数据，需要通过计算或变换。比如上方的 R 值，我们需要确定一个时间点，并计算该时间点与用户最近一次消费时间才能得到最小时间间隔。

2） 划分 RFM 的“高低”值，关键是找到划分的阈值。分析目标的不同，所选择的分析方法也可能不同。

我们为 RFM 各值进行分区域评分，再计算各评分值的平均值来得到阈值。而在数据量大的情况下，其实我们也可以通过 R、F、M 各值的原始数据，直接计算平均数或中位数的方式来获得阈值，计算起来也相对简单。只是选择计算平均数来获得阈值的方式，它有个缺点就是：容易受到极值的影响，无法根据业务需求人为控制。只是选择计算平均数来获得阈值的方式，它有个缺点就是：容易受到极值的影响，无法根据业务需求人为控制。