RFM 模型是一个传统的数据分析模型,有三个重要指标:
1)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。间隔越小,再次消费的几率越大。即R值越小,用户的活跃度越大,用户的价值就越高;
2)F(Frequency):消费频率,指用户一段时间内消费了多少次。购买频率越高,即F值越大,用户的忠诚度就越大,用户的价值就越高;
3)M(Monetary):消费金额,指用户一段时间内的消费金额。消费金额越高,说明用户对产品的购买力越大。即M值越大,用户的价值就越高。
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。
每个指标数据的价值都有高低两种情况,因此,把3个指标的价值组合起来看,会有 2 x 2 x 2 = 8 种组合。
如果把 R、F、M 的价值高低作为坐标轴,可以将用户划分为下图的 8 个类型:
再将上图中的用户分类进行总结,可以得到下图的用户分类规则表。
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:
针对消费时间间隔短的客户,他们再次购买的几率较高。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。
对于8类用户分类,还能进一步针对性的使用不同的运营策略,获取并保留关键性用户,针对价值高的客户制定促销策略。
得到 R、F、M 这 3 个指标,一般需要的信息有:用户名称/用户 ID、消费记录(如消费时间、消费金额)。
假设现在是 2020 年 12 月 30 日,分析最近 30 天有进行消费的用户。其中:
用户小许最近一次消费间隔为 18 天。在该月总共消费了 2 次,总共消费金额是 2021 元。用户小王最近一次消费间隔为 2 天。在该月总共消费了 5 次,总共消费金额是 10000 元。
我们可以得到两个用户的 R、F、M 值,如下表所示:
什么叫阈值?阈值,又叫临界值,是指一个效应能够产生的最低值或最高值。
而在案例中,对 RFM 各值的高低值进行标记前,需要我们获得 RFM 各值的阈值。获得阈值,可以对 RFM 各值采取分区域评分,再计算各值平均数的方式,该方式会分为三个步骤:
注意,我们不是按指标的数值大小打分,而是对指标的价值打分。
如何定义打分的范围,需要结合具体的业务来调整。由于这里是举例子来说明,所以我假设 R、F、M 各值按价值从小到大分为 1~5 分,其打分规则如下表:
根据打分规则表,给两个用户的 RFM 值进行打分。
b)计算价值的平均值
打完分数后,分别计算 R、F、M 各打分值的平均值,结果如下:
c)用户分类
最后,我们将两个用户的 RFM 值与各值的平均值进行对比。
如果一行里的 R 值打分大于平均值,就标记该行的 R 值打分为“高”,反之标记为“低”。F、M 值亦是同理。
再将标记好的 RFM 高低值与用户分类规则表进行对比,可以得出用户属于哪种类别。
以上就是RFM模型将用户进行分类的操作。
在构建 RFM 模型的过程中,有几个注意点:
1)现实业务,不一定有完整的 RFM 数据,需要通过计算或变换。比如上方的 R 值,我们需要确定一个时间点,并计算该时间点与用户最近一次消费时间才能得到最小时间间隔。
2)划分 RFM 的“高低”值,关键是找到划分的阈值。分析目标的不同,所选择的分析方法也可能不同。
上面的例子中,我们为 RFM 各值进行分区域评分,再计算各评分值的平均值来得到阈值。
而在数据量大的情况下,其实我们也可以通过 R、F、M 各值的原始数据,直接计算平均数或中位数的方式来获得阈值,计算起来也相对简单。只是选择计算平均数来获得阈值的方式,它有个缺点就是:容易受到极值的影响,无法根据业务需求人为控制。
这样得到的阈值对 RFM 值进行高低档的标记,会给后面分析得到的用户分类带来误差。
为了不受到极值的影响,可以选择计算中位数来获得阈值。但中位数也有一个缺点就是:容易受到数据分布的密集程度所影响,无法对分布密集的数据进行深入分析。
由此得出来的结果,可能也会影响到用户的分类。
如果想根据业务需求和资源进行调整,且不受数据分布密度的影响,可以选择分区域评分,再计算平均值的分析方法;
如果只需要简单计算得到阈值,可以采取平均数或者中位数等方法,具体根据业务需求进行选择。
RFM模型的相关内容就到这里,欢迎关注python小助手,分享更多编程知识!
免责申明:
本文系转载,版权归原作者所有,如若侵权请联系我们进行删除!
《数据治理行业实践白皮书》下载地址:https://fs80.cn/4w2atu
《数栈V6.0产品白皮书》下载地址:https://fs80.cn/cw0iw1
想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友,浏览袋鼠云官网:https://www.dtstack.com/?src=bbs
同时,欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」,交流最新开源技术信息,群号码:30537511,项目地址:https://github.com/DTStack