ML之FE:RFM指标的简介意义应用之详细攻略

Posted 一个处女座的程序猿

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ML之FE:RFM指标的简介意义应用之详细攻略相关的知识,希望对你有一定的参考价值。

ML之FE:RFM指标的简介、意义、应用之详细攻略

目录

RFM指标的简介

RFM指标的意义

RFM指标的应用


RFM指标的简介

在众多的客户关系管理(CRM)的分析模型中,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交易行为、交易的总体频率以及交易金额三项指标来描述该客户的价值状况,依据这三项指标划分8类客户价值:重要价值客户、重要唤回客户、重要深耕客户、重要挽留客户、潜力客户、新客户、一般维持客户、流失客户。

RFM模型三个指标

内容

影响因素

应用场景

R

Recency

距离最近一次购买时间
R 越小越好:最近购买的时间越近,客户对产品促销互动越大;客户价值越高。

表示客户最近一次消费距离现在的时间。

(1)、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。

(2)、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。

(3)、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。

店铺记忆强度

接触机会多少

回购周期

决定接触策略

决定接触频次

决定刺激力度

F

Frequency

购买次数

F越大越好:客户购买的频率越高,客户就品牌的满意度就越大;

指客户在统计周期内购买商品的次数。

经常肯定比偶尔来一次的客户价值大。

注意:实操中实际店铺会受品类宽度的影响,比如空调四五年才买一次,馒头每天都要买一次。对于耐用品等,即使是忠实粉丝用户也很难在1年内购买多次。所以,有些店铺在运营RFM模型时,会把F值的时间范围去掉,替换成累计购买次数。

品牌忠诚度

店铺熟悉度

客户会员等级

购买习惯养成

决定资源投入

决定营销优先级

决定活动方案

M

Monetary

购买金额

M越大越好(区别高低消费客户):货币价值(购买金额)将高消费客户和低消费客户区分开来;

消费金额是指客户在统计周期内消费的总金额。

消费越多的客户价值越大。

二八定律—公司80%的收入来自于20%的用户

消费能力

产品认可度

决定推荐商品

决定折扣门槛

决定活动方案

RFM指标的意义

衡量当前客户价值和客户潜在价值的重要工具和手段

         根据RFM模型,就可以根据在某一段时间内业务订单数据,统计客户最近的消费间隔、消费次数和消费金额。可以进一步地,再利用机器学习中的K-Means算法对客户进行聚类分群。当然,不仅仅可以局限于这三个数据字段,还可以根据业务需求,加入其他字段,进行调整模型。

RFM指标的应用

T1、基于RFM模型指标分段进行客户分组

RFM模型中的1~3个指标进行客户细分。切记细分指标需要在自己可操控的合理范围内,并非越多越好。一旦用户细分群组过多,一来会给自己的营销方案执行带来较大的难度,二来可能会遗漏用户群或者对同个用户造成多次打扰。

指标

客户分组

指标分段

营销策略

R值

活跃客户

90天未购买

密集的营销信息推送

沉默客户

90~180天未购买

减少推送频率,提升优惠力度

睡眠客户

180~360天未购买

大型活动时营销推送

流失客户

360天未购买

超大型活动(比如双11、618等)

F值

新客户

购买1次

传递促销信息

老客户

购买2次

传递品牌信息

成熟客户

购买3次

传递新品/活动信息

忠实客户

购买3次以上

传递会员活动和权益信息

M值

低贡献客户

1/2客单价以下

促销商品/折扣活动

中贡献客户

1/2客单价~客单价

促销商品/折扣活动

中高贡献客户

客单价~2倍客单价

形象商品/品牌活动

高贡献客户

2倍客单价以上

形象商品/品牌活动

T2、基于RFM模型指标分段进行分组

利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出合适的目标用户。可以根据实际情况,自定义RFM的分段及其对应分段的分值之后,就可以按照用户情况对应进行打分。

得分

R值分段

F值分段

M值分段

1

720天以上未购买

购买1次

100元以下

2

360~720天未购买

购买2次

100~200元

3

180~360天未购买

购买3次

200~500元

4

90~180天未购买

购买4次

500~1000元

5

90天未购买

购买5次

1000元以上

以上是关于ML之FE:RFM指标的简介意义应用之详细攻略的主要内容,如果未能解决你的问题,请参考以下文章

XAI/ML:可解释人工智能XAI/ 机器学习模型可解释性的简介意义常用方法(包括工具包)及其对比之详细攻略

DataScience之boxcox:scipy.stats.boxcox函数的简介案例应用(将非正态分布数据转换为正态分布数据)之详细攻略

ML:机器学习模型的稳定性分析简介常见的解决方法之详细攻略

AIGC:ChatGPT(一个里程碑式的对话聊天机器人)的简介(意义/功能/核心技术等)使用方法(七类任务)案例应用(提问基础性/事实性/逻辑性/创造性/开放性的问题以及编程相关)之详细攻略

DataScience之ME:平均数编码(Mean Encoding)的简介代码实现案例应用之详细攻略

ML之shap:基于adult人口普查收入二分类预测数据集(预测年收入是否超过50k)利用Shap值对XGBoost模型实现可解释性案例之详细攻略