RFM 模型

Posted 2022-12-16 Debroon

RFM 模型

• • 顾客价值分析

 

---

顾客价值分析

由于激烈的市场竞争，各个公司相继推出了多样灵活的优惠方式来吸引更多的客户。

对一个没有购买力的顾客，你打电话推销优惠活动毫无作用，可一个高价值顾客，会说有优惠活动怎么不通知我呢！

为了公司能立足于市场，需要对不同的客户群体提供个性化的客户服务。

这种方法就是 RFM 模型。

RFM 模型是一个传统的数据分析模型，沿用至今约 60 年。

1961 年，乔治·卡利南在顾客的资料库中指出，最近一次消费、消费频率、消费金额三项数据可以较为客观的描绘顾客的轮廓。

企业针对近期有消费的”新客“、消费频率高的”常客“、消费金额高的”贵客“进行精准营销和广告投放，确实收到了意料之外的惊喜。

因此，这三项数据成为了衡量客户价值和客户创利能力的重要工具和手段。也是 RFM 模型的三个重要指标：

• R（Recency）：最近一次消费时间间隔，指用户最近一次消费时间距离现在的时间间隔；

• F（Frequency）：消费频率，指用户一段时间内消费了多少次；

• M（Monetary）：消费金额，指用户一段时间内的消费金额。

RFM 模型多用于精细化运营服务。单看 R、F、M 三个指标，其本身已经具备了一定的参考性：

• 一般来说，比起许久没有消费的顾客，消费时间间隔短的客户再次购买的几率较高。针对这类客户，可以采取唤醒或者刺激消费，如赠送打折券等。

• 消费频率高的客户，其忠诚度相对较高，可以规律性地提醒这类客户关于产品的一些优惠信息。

• 消费金额高的客户，客户价值也越高，可以提供专属该类客户的优惠价格。

RFM 模型分析步骤：

• 最近一次消费数据 = 当前时间 - 该用户最新一次消费数据
• 消费频率 = 该用户不重复的订单号数
• 消费金额 = 该用户的所有消费额进行加和

# 计算时间间隔  
today = '2000-01-01 00:00:00'  # 当前时间
pd.to_datetime(today) - pd.to_datetime(grouped_data['发货日期'])

节奏，确认关键的节点进行划分。比如小学考试中满分 100 分，达到 60 分就算及格；

或者，根据实际经验进行划分。比如一般的用户消费水平在 1w，消费超过 10w 是高净值人群。

# 定义函数按照区间划分 R 值（间隔时间），返回等级越高越重要
def caculate_r(s):
    if s <= 100:
        return 5
    elif s <= 200:
        return 4
    elif s <= 300:
        return 3
    elif s <= 400:
        return 2
    else:
        return 1
        
# 对 R 值进行评分
rfm_data['R评分'] = rfm_data['时间间隔'].agg(caculate_r)

# 定义函数按照区间划分 F 值（消费频率），返回等级越高越重要
def caculate_f(s):
    if s <= 5:
        return 1
    elif s <= 10:
        return 2
    elif s <= 15:
        return 3
    elif s <= 20:
        return 4
    else:
        return 5

# 对 F 值进行评分
rfm_data['F评分'] = rfm_data['总次数'].agg(caculate_f)

# 定义函数按照区间划分 M 值（消费金额），返回等级越高越重要
def caculate_m(s):
    if s <= 2000:
        return 1
    elif s <= 4000:
        return 2
    elif s <= 6000:
        return 3
    elif s <= 8000:
        return 4
    else:
        return 5

# 对 M 值进行评分
rfm_data['M评分'] = rfm_data['总金额'].agg(caculate_m)

# 计算 R评分、F评分、M评分的平均数
r_avg = rfm_data['R评分'].mean()
f_avg = rfm_data['F评分'].mean()
m_avg = rfm_data['M评分'].mean()

得到 R、F、M 各值的阈值以后，将要为 R、F、M 各值进行高低值的标记。

将获得的阈值与 RFM 分数进行比较，高于阈值记为“高”，低于阈值记为“低”，高低值可暂时用 1 和 0 表示。

# 将R评分、F评分、M评分 的数据分别与对应的平均数做比较
rfm_data['R评分'] = (rfm_data['R评分'] > r_avg) * 1
rfm_data['F评分'] = (rfm_data['F评分'] > f_avg) * 1
rfm_data['M评分'] = (rfm_data['M评分'] > m_avg) * 1

# 拼接R评分、F评分、M评分
rfm_score = rfm_data['R评分'].astype(str) + rfm_data['F评分'].astype(str) + rfm_data['M评分'].astype(str)
# 数据已经由三个数字组成，其中 1 代表着高价值，0 代表着低价值。

为了将数字替换为价值的高低，可以使用 replace() 方法对数据进行批量替换。

# 定义字典标记 RFM 评分档对应的用户分类名称
transform_label = 
    '111':'重要价值用户',
    '101':'重要发展用户',
    '011':'重要保持用户',
    '001':'重要挽留用户',
    '110':'一般价值用户',
    '100':'一般发展用户',
    '010':'一般保持用户',
    '000':'一般挽留用户'


# 按【客户类型】分组，统计用户的数量
customer_data = rfm_data.groupby('客户类型')['用户 ID'].count()

一般发展用户和一般挽留用户的人数偏多。

对于一般发展用户较多的情况，问题可能在于一般发展用户后续的复购转化不足。可以多通过短信、平台网站等渠道，在一般发展用户首购后的一段时间内可以领取复购券等策略，将这类用户转化为更高价值的用户类型。

对于一般挽留用户较多的情况，问题可能在于平台的产品竞争力或者服务不足。可以多对比竞品公司的产品，对自身的产品进行提升。同时，可以采取赠送优惠券的策略，并收集用户对平台产品以及服务的评价。