【商业数据分析】用户价值RFM模型详解

为什么要做RFM模型分析 (Why)

一个聪明的营销者懂得“了解你的客户”的重要性。营销人员不能仅关注于产生更多的点击量，他们必须遵循从增加点击率到保持、忠诚和建立客户关系的模式转变。
与其把整个客户群作为一个整体来分析，不如把他们分成同质化的群体，了解每个群体的特点，让他们参与相关的活动，而不是仅仅根据客户的年龄或地理位置来细分。
接下来介绍的RFM模型是最受欢迎的、易于使用的和有效的客户细分方法之一，它使市场营销人员能够分析客户行为。

什么是RFM模型 (What)

• 定义：RFM代表最近消费、消费频次和消费金额，每一个都对应一些关键的客户特征。这些RFM指标是客户行为的重要指标，因为消费频次和消费金额代表着用户生命周期的价值，最近消费影响留存率(一种度量客户忠诚度的指标)。
  RFM分析是最受欢迎的、易于使用的和有效的客户细分方法之一，它使市场营销人员能够分析客户行为。

• R (Recency）：最近一次交易时间间隔。基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。如5分制。反映客户交易活跃度。

• F (Frequency) : 客户在最近一段时间内交易次数。基于交易频率计算的得分，交易频率越高，得分越高。如5分制。反映客户交易活跃度。

• M (MonetaryValue) : 客户最近一段时间内交易金额。基于交易金额计算的得分，交易金额越高，得分越高。如5分制。反映客户价值。

【注意哦！】
如果是不以金钱作为度量用户标准的行业，如观众、读者或以冲浪为导向的产品，可以使用参与度作为指标，而不是金钱。进而使用RFE (RFM的一种变体)。此外，此度量参数可以替换为基于弹跳率、用户访问持续时间、访问的页面数量、每个页面停留的时间等指标的复合值。

RFM 作用

RFM因素说明以下几个方面:

• 购买的时间越近，顾客对促销的反应就越快

• 顾客购买的频率越高，他们的参与度和满意度就越高

• 可以将消费金额“大手大脚”的高价值用户与低价值的购买者区分开来

RFM模型是如何实现用户客户细分的 (How)

RFM分析帮助营销人员找到以下问题的答案:

• 谁是你最好的（最具价值的）客户?

• 那些客户即将流失?

• 潜在的价值客户

• 你的哪些客户需要维持?

• 你的哪些客户最有可能积极参与活动?

RFM 例子 (Example)

让我们通过一个客户事务的示例数据集来演示RFM如何工作:

【说明】表1 15个客户的交易记录，包含客户ID、最近消费（天）、消费频次和消费金额。

为了对这个示例进行RFM分析，让我们看看如何根据每个RFM属性分别对这些客户进行排序，从而对他们进行评分。
假设我们使用RFM值将这些客户从1到5进行排序。
首先我们使用Recency（最近消费）进行排名，如下表所示:

如上表所示，我们根据最近消费的情况（升序）对顾客进行了分类，最近的顾客在最上面。由于客户的评分范围为1-5，所以前20%的客户(客户12、11、1)的评分为5，后20%的客户(后3名客户15、2、7)的最新评分为4，依此类推。
类似地，我们可以根据消费频次(从最频繁到最不频繁)对客户进行排序，将消费最频繁的20%的客户频分为5，等等。在消费金额方面，排名前20%的顾客(“挥金如土的人”)将得到5分，排名后20%的顾客得到1分。这些F和M的分数汇总如下:

RFM 评分

最后，我们可以通过结合客户的单个属性R、F和M的排名对这些客户 进行排序，从而得到一个聚合的RFM评分。在下表中显示的这个RFM分数，只是通过为每个RFM属性赋予相同的权重而获得的单个R、F和M分数的平均值。

但是上述的RFM模型划分存在一个问题，现实生活中，直接将这三者取平均，实际上会存在他们的权重是一致的，而真正的业务会考虑诸多因素，且每个因素的影响度也是不同的（即应该赋予不同的权重，而不是简单的平均）。
根据实际业务场景性质，我们可以增加或减少每个RFM变量的相对重要性，以获得最终得分。

例如:
在耐用消费品业务中，每笔交易的货币价值通常较高，但消费频次和近期性较低。例如，你不能指望顾客每月购买冰箱或空调。在这种情况下，我们可以在计算RFM Score的时候赋予消费金额（M）和最近消费（R）更高的权重，减小消费频次（F）的比重。
在销售服饰/化妆品的零售业务中，每个月搜索和购买产品的客户的近况和消费频次要高于消费金额。因此，RFM Score可以通过给予R和F分数比M更多的权重来计算。
对于像腾讯视频、优酷这样的内容应用程序，一个狂热的观看者的会话时间将比一个定期观看的主流消费者的会话时间更长。对于前者，观看数量和观看频率比近期观看更重要，而对于主流消费者，近期观看和观看频率比观看数量更重要，从而得到RFE分数（RFM的变体）。

一种较为简单的解决方法是：将客户从1-5划分为最多125个不同的RFM分数(5x5x5)，范围从111(最低)到555(最高)。每个RFM单元的大小不同，根据客户在RFM评分中获得的关键习惯，彼此之间也会有所不同。显然，如果每个RFM单元都被认为是一个独立部分，那么市场营销人员就不能单独分析所有的125个部分，而且很难而且难以想象这个虚拟的3D立方体!

【Note】
通常，RFM的消费金额（观看时长/数量等等）被视为汇总交易或汇总访问时长的聚合度量。因此，这125个RFM片段通过使用R和F分数被减少到25个片段。

RFM 分析 (Analysis)

现在，让我们讨论如何解释RFM模型所划分的用户层次，以了解这些用户的行为，并推荐一些有效的营销策略。

让我们来探究几个有意思的部分:

“冠军” : 即最好的顾客，他们是最近买的，最经常买的，也是花钱最多的。
策略 : 给予客户奖励（如发放优惠券等）。他们可以成为新产品的早期使用者，这将有助于提升品牌。

潜在的忠诚者 ：即最近的客户，平均频率和谁花了一大笔钱。
策略：提供会员资格或忠诚度计划，或推荐相关产品来吸引他们，帮助他们成为忠诚者或拥护者。

新客户 ：虽然拥有较高的RFM评分，但不经常购物。
策略：开始建立与这些客户的关系，提供入会支持和特殊优惠，以增加他们的访问。

有风险的客户 ：即经常购买且消费金额高，但最近没有购物的客户。
策略：发送个性化的激活活动来重新建立联系，并提供更新和有用的产品来鼓励他们再次购买。

不能失去的 ：是那些过去经常光顾和购买，但最近没有光顾的客户。
策略：用相关的促销活动把他们带回来，进行调查，找出哪里出了问题，避免把他们输给竞争对手。

总结 (Conclusion)

RFM是一种数据驱动的客户细分技术，帮助营销人员做出战术决策。它使营销人员快速识别和细分用户到同质化的群体，并针对他们的差异化和个性化的制定相应的营销策略。同时提高了用户的参与度和保留率。正所谓哲学之中的 “相互作用，相互促进”嘛。

• Python从入门到大师
• Python爬虫专栏
• 数据分析
• 机器学习
• AI基础

日常收集整理了一批不错的 Python 学习资料，有需要的小伙可以自行免费领取。

获取方式如下：公众号回复资料。领取Python等系列笔记，项目，书籍，直接套上模板就可以用了。资料包含算法、python、算法小抄、力扣刷题手册和 C++ 等学习资料！