1. RFM 模型的概念

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。

2. RFM 模型的作用

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。

3. RFM 模型的构建流程

3.1 计算 R、F、M 的值

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：

3.2 根据 RFM 的阈值，对用户进行分类

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