rfm分析法的优缺点（rfm模型分析案例）

大家好！今天让创意岭的小编来大家介绍下关于rfm分析法的优缺点的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、基于RFM的客户价值分析报告

• 2、rfm模型的三个指标是什么?

• 3、用户分层-RFM分层方法论

• 4、数据分析之聚类分析

一、基于RFM的客户价值分析报告

项目背景

在面向客户制定运营策略、营销策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。精准化运营的前提是客户分类。通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。

项目目标

本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1.借助某电商客户数据，对客户进行群体分类；2.比较各细分群体的客户价值；3.对不同价值的客户制定相应的运营策略。

分析过程

1.数据预览  

我们的源数据是订单表，记录着用户交易相关字段

通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况

只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况

订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型

2. 数据清洗

(1)剔除退款

(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额

(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)

首先构造R值，思路是按买家昵称分组，选取付款日期最大值

为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”

然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )

思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数

最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来

三个指标合并

3. 维度打分 

维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分

R值依据行业经验，设置为30天一个跨度，区间左闭右开

F值和购买频次挂钩，每多购买一次，分值多加一分

M值我们按照50元的一个区间来进行划分

这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值

4. 分值计算 

(1)算出每个用户的R,F,M分值

(2)简化分类结果  

通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组

5.客户分层

RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类

Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来

人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户

然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签

数据解读与建议：

首先查看各类用户占比情况

然后查看不同类型客户消费金额贡献占比

最后导出数据，在tableau中数据可视化展示

通过数据可视化后，我们可以发现：

1.客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%

2.高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户

3.流失客户和新客户的总人数占比约38%，但金额总占比只有约13%

建议：

1.针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户

2.针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户

3.针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。

二、rfm模型的三个指标是什么?

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：

1、最近一次消费

最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。

理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。营销人员若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近的一次消费就是营销人员第一个要利用的工具。

历史显示，如果能让消费者购买，他们就会持续购买。这也就是为什么，0至3个月的顾客收到营销人员的沟通信息多于3至6个月的顾客。

2、消费频率

消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。

分类：

根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，如购买一次的客户为新客户，购买两次的客户为潜力客户，购买三次的客户为老客户，购买四次的客户为成熟客户，购买五次及以上则为忠实客户。

其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。

3、消费金额

消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。

它显示出排名前10%的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40%以上。如看累计百分比的那一栏，我们会发现有40%的顾客贡献公司总营业额的80%；而有60%的客户占营业额的90%以上。

最右的一栏显示每一等分顾客的平均消费，表现最好的 10%的顾客平均花费1195美元，而最差的10%仅有18美元 。

应用意义

RFM模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值(甚至是终身价值)，通过改善三项指标的状况，从而为更多的营销决策提供支持。

在RFM模式中，R(Recency)表示客户购买的时间有多远，F(Frequency)表示客户在时间内购买的次数，M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。

RFM非常适用于生产多种商品的企业，而且这些商品单价相对不高，如消费品、化妆品、小家电、录像带店、超市等；

它也适合在一个企业内只有少数耐久商品，但是该商品中有一部分属于消耗品，如复印机、打印机、汽车维修等消耗品；RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。

RFM可以用来提高客户的交易次数。业界常用的DM(直接邮寄)，常常一次寄发成千上万封邮购清单，其实这是很浪费钱的。

根据统计(以一般邮购日用品而言)，如果将所有R(Recency)的客户分为五级，最好的第五级回函率是第四级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的产品信息。如果用M(Monetary)来把客户分为五级，最好与次好的平均回复率，几乎没有显著差异。

三、用户分层-RFM分层方法论

我们都知道，所有的运营工作都是围绕着用户展开的。运营策略从某种程度来说，就是资源对用户的有效分配。那么，知道什么用户应该制定什么样的运营策略，就尤为重要了，而这就要依赖于我们的用户分层了。

在运营过程中，用户分层的作用很明显，它能 帮助我们把用户分成各个层次和群体，然后我们根据各个层次和群体的不同，才能有的放矢的制定出更精准、更有针对性的运营策略。

我们在运营工作中，经常会听到“用户画像”、“用户分层”、“用户分群”这几个词，貌似有些类似特别是后面两个，但如果严格说的话，还是有区别的。

本篇准确地说应该是包括了“用户分层+用户分群”，这里就统称为用户分层了。而本篇我们也会通过一个实例，用一张Excel表作为工具，从零开始一步一步的完成一次用户分层过程。

关于用户分层，我们需先明白以下几点：

一、用户分层在不同的行业中是不一样的，而且可能是多样化的。

比如滴滴打车，用软件打车的人是一种用户；司机也是一种用户；广告商也是一种用户。如果要做用户分层的话，就需要对这三种类型的用户分别做一套不同的用户分层体系。

二、用户分层在产品发展的不同阶段会有不同的变化。

比如我们区分价值用户和一般用户，

初期我们产品少，一个月买2次化200元钱可能就是我们的价值用户了。

随着公司的发展我们产品的不断增多，需要一个月买10次化5000元才有能算是我们的价值用户了。

三、用户分层需要定性和定量

如上面的例子一样，我们需要对用户有一个定性的过程，如价值用户、一般用户，或者VIP，超级VIP等等；然后必须要对此进行定量，比如消费多少金额才能算价值用户。

那么如何用科学化的手段进行一次用户分析，以确定各用户群体的行为特征，完成一次用户分层的过程，就必须要说到经典的RFM用户模型了。如下图：

RFM模型历史悠久，其理论知识这里就不阐述了，简单的说就是通过 最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个指标 ，然后把每个指标按照实际的情况，分成5档，一共形成了125类的用户。然后为了执行方便，把125类的用户归纳成8大类， 如下图 ，最后根据这8大类用户的情况制定运营策略。

这里要说明的一点是，RFM模型不是互联网时代的产物，事实上在传统行业里也用的很广，所以其指标主要针对的是付费用户。 如果我们的互联网产品用户人群是免费用户，一样可以用这个RFM模型并使用它的方法 ，只是指标换成了 最后一次登录、登录频率、产品使用时间。

接下来我们就用实例来操作一遍：

我们现在手上有500份付费用户数据，包含（用户、最后一次消费时间间隔、消费频率、消费金额）四个字段，我们如何进行用户分层并制定有效运营策略呢？

第一步：我们把数据导入或粘贴到Excel当中，再原有的4个表头基础上，再增加R值、F值、M值三个表头。做好这样一张Excel表，如下图：

（此处只选10条数据做实例）

第二步：分别确定好RFM这三个指标五档的标准。

这是比较难的一步，因为不同的行业不同的产品不同的阶段都有不同的划分标准。比如消费金额，1000个用户里面，最低1元，最高10000元。大部分情况下，20%的用户占据了80%的金额，而80%的用户占了20%的金额，是一个长尾的分布效果。所以我们不能简单的用最高金额/5，或者用户总数/5的平均分法，这样分出来的结果不能代表一个拥有类似行为表现的群体。

这个主要还是依靠大家在本身各自行业中的理解和实际场景需求来确定了。 当然，如果我们实在没有什么头绪的话，我们可以 通过散点图大致分辨一下 ，如下图：

大家可以看到，通过散点图，我们可以比较直观的看清用户的分布（上图为用户的消费金额分布）。 我们去分档的时候就尽可能的将密集的一部分分在一起，这样，该档用户群体的行为共性也就更大一点。

需要说明的是，这不是一个很严谨的分法，需要大家在实际过程中进行不断的调整。而如果我们面临海量数据的时候，最好是通过聚类算法等技术手段，才能更加科学精准的帮助我们进行判断。

以本例来说，我们最后定下了RFM各个指标下的五个分档标准。如图：

第三步：分别计算出每条记录的R、F、M值。

我们通过在Excel里面加入if判断，自动计算出该记录对应的R、F、M值，比如我们RFM分层表中，0001用户对应的R值，

即单元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我们来解释一下这条if判断语句：

同样的算法，我们写出计算每一条记录F值和M值的判断条件。

然后，我们把Excel的单元格往下拉，最后形成这样的图：

第四步：分别算出总的R、F、M的平均值。

这一步比较简单，我们以上全部算完之后，再最下面增加一行，用AVERAGE（）计算出以上所有行数的平均值。如图：

第五步：根据每条记录的R、F、M值和所有记录的平均值，判断出每条记录的R、F、M值是在平均值之上，还是平均值之下。

首选，我们先增加三个表头，如图：

然后，我们用每一条记录的R值来R的平均值进行比较，如果<平均值则显示“低”，如果大于等于则显示“高”。

我们还是用If判断语句进行自动判断，以上图为例，用户0001的“R高低值”即：

这样，我们就变成了下图：

这个时候，我们发现了一个问题，当我们把单元格往下拉的时候，E3固然变成了E4，但E13也变成了E14，由于E13是一个固定格子的数字，我们不希望它随着单元格的下拉而改变。我们就需要在if语句中在E13两边加上“$”这个符号了。

如下：

同时，为了更直观，我们设置一个条件格式，若文本中含有“高”则背景色为红色，若含有“低”则背景色为绿色。这时候再往下拖一下单元格，就变成这样拉，如图：

第六步：根据比较值，进行八大类的归类。

接下来，我们就要根据我们的“R高低值”“F高低值”“M高低值”，自动计算出我们的用户层级拉。我们先加个表头“用户层级”。

这一次，我们要写一串稍微长一点的IF判断语句，如下：

本文所写的都是在Excel里面的IF判断语句，建议大家能够自己写一下，不想写或写不出也没关系，直接保存好上面的if语句Copy一下直接用就行了（修改一下单元格的序号就可以了）。

最后，如下图：

当然，我们还可以在用户层级的表头上加上“筛选”功能，可以直接搜索到我们需要的那些用户。大家也可以通过不同的颜色来区分不同的用户层级，这个就自由发挥拉。

好了，到这里，我们就已经通过用一张Excel表，完成了一次用户分层的全过程。 这张表最后的效果是，就像一个程序一样，我们任意输入三个RFM数字，表格将自动会跳出这个用户的层级。 大家保存好这张excel表，以后用起来套一下就可以了，效率是相当快的。大家可以尝试自己从头做一遍，若有需要的话可在留言区留下邮箱，我会发送给大家。

完成后上面六步之后，我们已经得到了完成用户分层之后的所有用户记录，这时我们需要做成图表的形式，开个会、做个汇报啥的，如下图：

回到我们上面说的，做用户分层的目的是为了有的放矢的制定出更精准、更有针对性的运营策略。所以，我们最终我们还是回到制定运营策略上来。我们的例子可参考下图：

再接下来要如何具体实施和执行，就不在本篇文章的范畴里了。

用户分层是运营过程中非常重要的一个环节，快速的进行用户分层也是我们必备的一个方法。我们把用户分的层，其实用户本身是不知道的。如果我们分一个层级让用户知道，不仅知道而且还非常喜欢，以此来不断引导用户进行自我层级的上升。

四、数据分析之聚类分析

RFM分析只能对客户的行为进行分析，包含的信息量有点少。一般来说，对人群进行分类，要综合考虑其行为、态度、模式以及相关背景属性，通过使用特定的方法，发现隐藏在这些信息背后的特征，将其分成几个类别，每一类具有一定的共性，进而做出进一步的探索研究。这个分类的过程就是聚类分析。

聚类分析，就是按照个体的特征将它们分类，目的在于让同一个类别内的个体之间具有较高的相似度，而不同类别之间具有较大的差异性。这样，就能够根据不同类别的特征有的放矢地进行分析，并制定出适用于不同类别的解决方案。

聚类可以对变量进行聚类，但是更常见的还是对个体进行聚类，也就是样本聚类。例如对用户、渠道、商品、员工等方面的聚类，聚类分析主要应用在市场细分、用户细分等领域。

为了合理的聚类，需要采用适当的指标来衡量研究对象之间的联系紧密程度，常用的指标有“距离”和“相似系数”，相似系数一般指的是相关系数。假设将研究对象采用点表示，聚类分析时，将“距离”较小的点或“相似系数”较大的点归为同一类，将“距离”较大的点或“相似系数”较小的点归为不同的类。

聚类分析具有如下特点：

1.对于聚类结果是未知的，不同的聚类分析方法可能得到不同的分类结果，或者相同的聚类分析方法但是所分析的变量不同，也会得到不同的聚类结果；

2.对于聚类结果的合理性判断比较主观，只要类别内相似性和类别间差异性都能得到合理的解释和判断，就认为聚类结果是可行的。

聚类分析可以应用于以下场景：

聚类分析的步骤：

（1）确定需要参与聚类分析的变量；

（2）对数据进行标准化处理；

因为各个变量间的变量值的数量级别差异较大或者单位不一致，例如一个变量的单位是元，另一个变量的单位是百分比，数量级别差异较大，而且单位也不一致，无法直接进行比较或者计算“距离”和“相似系数”等指标。

（3）选择聚类方法和类别个数；

（4）聚类分析结果解读；

常用的聚类方法包括：

1.快速聚类：也称K均值聚类，它是按照一定的方法选取一批聚类中心点，让个案向最近的聚类中心点聚集形成初始分类，然后按照最近距离原则调整不合理的分类，直到分类合理为止。

2.系统聚类：也称层次聚类，首先将参与聚类的个案（或变量）各视为一类，然后根据两个类别之间的聚类或者相似性逐步合并，直到所有个案（或变量）合并为一个大类为止。实际上，系统聚类分析结果展现了每个个案的聚类过程和分类结果。系统聚类之后，要制作交叉表通过每一个类别的均值来了解每一类别的特征。

3.二阶聚类：也称两步聚类，它是随着人工智能的发展起来的一种智能聚类方法。整个聚类方法分为两个步骤，第一个步骤是预聚类，就是根据定义的最大类别数对个案进行初步归类；第二个步骤是正式聚类，就是对第一步得到的初步归类进行再聚类并确定最终聚类结果，并且在这一步中，会根据一定的统计标准确定聚类的类别数。

（1）系统聚类分析不仅支持输入单个分类数量，还支持输入分类数量的范围。这对于暂时无法确定类别数，或者想进行多类别数的结果比较时，非常方便。

（2）系统聚类分析支持生成聚类结果图，从而更加直观地查看聚类过程。系统聚类分析支持两种图形：

谱系图（树状图）：它以树状的形式展现个案被分类的过程；

冰柱图：它以“X”的形式显示全部类别或指定类别数的分类过程。

（3）系统聚类分析提供多种聚类方法和适用于不同数据类型的测量方法。

其中，测量方法（度量标准）：

（i）区间：适用于连续变量，虽然SPSS提供了8种测量方法，但是通常选用默认的【平方欧式距离】即可。

（ii）计数：适用于连续或分类变量，SPSS提供了2种测量方法，通常选用【卡式测量】即可。

（iii）二元：适用于0/1分类变量，SPSS提供多达27种测量方法，通常选用【平方欧式距离】即可。

通过方法里的转换值项来进行标准化处理。由于参与聚类分析的变量是连续变量，所以，【测量】应选择【区间】项，方法为默认的【平方欧式距离】，标准化可以选择【Z得分】，选择按【变量项】，用以每个变量单独进行标准化。

二阶聚类分析能够对连续变量和分类变量同时进行处理，无需提前指定聚类的数目，二阶聚类会自动分析并输出最优聚类数。二阶聚类的自动聚类结果借由统计指标施瓦兹贝叶斯准则（BIC）帮助判断最佳分类数量。判断一个聚类方案的依据是BIC的数值越小，同时，“BIC变化量”的绝对值和“距离测量比率”数值越大，则说明聚类效果越好。

聚类分析属于探索性数据分析方法，它没有一个所谓的标准流程和答案，不同的数据有不同的适用方法，即使相同的数据，应用不同的方法也可能会得到不同的结果。只要能有效解决实际业务问题即可。

以上就是关于rfm分析法的优缺点相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

colouful怎么说（colourful用英语怎么说读音）

paper免费查重入口官网（paperfree免费查重入口官网）

RFM模型的优缺点

从联想思维中获得灵感——如何更有效地激发创意

通过互联网挣钱有哪些渠道（通过互联网挣钱有哪些渠道和方法）