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
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 | 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
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