rfm模型.docx

rfm模型.docx

《rfm模型.docx》由会员分享，可在线阅读，更多相关《rfm模型.docx（17页珍藏版）》请在冰豆网上搜索。

rfm模型

根据美国数据库营销研究所ArthurHughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：

　　最近一次消费（Recency）

　　消费频率（Frequency）

　　消费金额（Monetary）

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，如果我们能让消费者购买，他们就会持续购买。

这也就是为什么，0至6个月的顾客收到营销人员的沟通信息多于31至36个月的顾客。

　　最近一次消费的过程是持续变动的。

在顾客距上一次购买时间满一个月之后，在数据库里就成为最近一次消费为两个月的客户。

反之，同一天，最近一次消费为3个月前的客户作了其下一次的购买，他就成为最近一次消费为一天前的顾客，也就有可能在很短的期间内就收到新的折价信息。

　　最近一次消费的功能不仅在于提供的促销信息而已，营销人员的最近一次消费报告可以监督事业的健全度。

优秀的营销人员会定期查看最近一次消费分析，以掌握趋势。

月报告如果显示上一次购买很近的客户，（最近一次消费为1个月）人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的征兆。

　　最近一次消费报告是维系顾客的一个重要指标。

最近才买你的商品、服务或是光顾你商店的消费者，是最有可能再向你购买东西的顾客。

再则，要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。

营销人员如接受这种强有力的营销哲学——与顾客建立长期的关系而不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。

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。

　　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”（loyaltyladder），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。

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’sLaw）——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。

　　如果你的预算不多，而且只能提供服务信息给2000或3000个顾客，你会将信息邮寄给贡献40％收入的顾客，还是那些不到1％的顾客？

数据库营销有时候就是这么简单。

这样的营销所节省下来的成本会很可观。

　　结合这三个指标，我们就可以把顾客分成5＊5＊5=125类，对其进行数据分析，然后制定我们的营销策略。

　　最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义。

而其中，最近一次消费是最有力的预测指标。

RFM模型的应用意义

　　在众多的客户关系管理（CRM）的分析模式中，RFM模型是被广泛提到的。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。

　　RFM模型较为动态地层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）表示客户最近一次购买的时间有多远，F（Frequency）表示客户在最近一段时间内购买的次数，M（Monetary）表示客户在最近一段时间内购买的金额。

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。

　　有些人会用客户绝对贡献金额来分析客户是否流失，但是绝对金额有时会曲解客户行为。

因为每个商品价格可能不同，对不同产品的促销有不同的折扣，所以采用相对的分级（例如R、F、M都各分为五级）来比较消费者在级别区间的变动，则更可以显现出相对行为。

企业用R、F的变化，可以推测客户消费的异动状况，根据客户流失的可能性，列出客户，再从M（消费金额）的角度来分析，就可以把重点放在贡献度高且流失机会也高的客户上，重点拜访或联系，以最有效的方式挽回更多的商机。

　　RFM也不可以用过头，而造成高交易的客户不断收到信函。

每一个企业应该设计一个客户接触频率规则，如购买三天或一周内应该发出一个感谢的电话或Email，并主动关心消费者是否有使用方面的问题，一个月后发出使用是否满意的询问，而三个月后则提供交叉销售的建议，并开始注意客户的流失可能性，不断地创造主动接触客户的机会。

这样一来，客户再购买的机会也会大幅提高。

　　企业在推行CRM时，就要根据RFM模型的原理，了解客户差异，并以此为主轴进行企业流程重建，才能创新业绩与利润。

否则，将无法在新世纪的市场立足

RFM模型：

R（Recency）表示客户最近一次购买的时间有多远，F（Frequency）表示客户在最近一段时间内购买的次数，M（Monetary）表示客户在最近一段时间内购买的金额。

一般原始数据为3个字段：

客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，CustomerLevelValue得分排序等，实现数据库营销！

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。

本次分析用的的软件工具：

IBMSPSSStatistics19，IBMSPSSModeler14.1，Tableau7.0，EXCEL和PPT

因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。

先说说对海量数据挖掘和数据处理的一点体会：

（仅指个人电脑操作平台而言）

∙一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；

∙Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足

∙海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有任性，否则差一分钟中断就悲剧了，呵呵；

∙数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。

一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作；

∙多带来不同，这是我一直强调的体验。

所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：

有时候即使样本数据正常，也可能全部数据有问题。

建议数据分隔符采用“|”存储；

这里，我先给各位朋友拜年，祝大家新春快乐！

兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！

正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧！

手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。

根据美国数据库营销研究所ArthurHughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：

最近一次消费（Recency）、消费频率（Frequency）、消费金额（Monetary）。

我早期一篇博文已详述了RFM思想和IBMModeler操作过程，有兴趣的朋友可以阅读！

RFM模型：

R（Recency）表示客户最近一次购买的时间有多远，F（Frequency）表示客户在最近一段时间内购买的次数，M（Monetary）表示客户在最近一段时间内购买的金额。

一般原始数据为3个字段：

客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，CustomerLevelValue得分排序等，实现数据库营销！

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。

本次分析用的的软件工具：

IBMSPSSStatistics19，IBMSPSSModeler14.1，Tableau7.0，EXCEL和PPT

因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。

先说说对海量数据挖掘和数据处理的一点体会：

（仅指个人电脑操作平台而言）

∙一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；

∙Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足

∙海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有任性，否则差一分钟中断就悲剧了，呵呵；

∙数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。

一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作；

∙多带来不同，这是我一直强调的体验。

所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：

有时候即使样本数据正常，也可能全部数据有问题。

建议数据分隔符采用“|”存储；

∙如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制；

∙数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧；

∙每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈！

传统RFM分析转换为电信业务RFM分析主要思考：

这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集（实际上有六个月的数据），我们们先用IBMModeler软件构建一个分析流：

数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录！

我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R（Recency）、F（Frequency）、M（Monetary）；

接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理；

现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。

传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群；

另外：

RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。

我们可以将得到的数据导入到Tableau软件进行描述性分析：

（数据挖掘软件在描述性和制表输出方面非常弱智，哈哈）

我们也可以进行不同块的对比分析：

均值分析、块类别分析等等

这时候我们就可以看出Tableau可视化工具的方便性

接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：

Kohonen、K-means和Two-step算法：

这时候我们要考虑是直接用R（Recency）、F（Frequency）、M（Monetary）三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行Z得分标准化！

另外一个考虑：

就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同！

有资料研究表明：

对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。

而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重；

这里我们采用加权方法：

WR=2WF=3WM=5的简单加权法（实际情况需要专家或营销人员测定）；具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想！

下图是采用快速聚类的结果：

以及kohonen神经算法的聚类结果：

接下来我们要识别聚类结果的意义和类分析：

这里我们可以采用C5.0规则来识别不同聚类的特征：

其中Two-step两阶段聚类特征图：

采用评估分析节点对C5.0规则的模型识别能力进行判断：

结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件！

输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势！

结合RFM模型魔方块的分类识别客户类型：

通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别；（有可能某个级别不存在）；

另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平；

至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束！

如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作