python構建rfm模型

A. RFM模型如何實際應用

這是一個人人都可以上手的模型，不管你是運營、銷售、財務、市場等等，RFM模型是一個很通用，又有一套科學理論的商業模型。這是一篇我花了五小時的教程（真的是寫到崩潰，幸好我熬下來了，給大家分享實實在在可上手的干貨）數據源准備只需四個欄位：客戶名稱、交易日期、交易次數/頻率、交易金額。如果你手頭剛好有這樣的數據源不妨試試做這個模型吧。下面三頁是介紹什麼是RFM，後面是全部的實操教程，Tableau和Excel通用操作，我保證你看了能立馬上手。如何通過訂單數據，分析用戶的基本屬性用戶的訂單上都有訂餐地址，通過對於訂餐地址的統計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡謀道菜的用戶都在哪裡。舉個簡單的例子，下圖表示的是普通可樂和健怡可樂的用戶分布，類似的用戶數據挖掘，還可以根據復購構成、復購用戶跨平台使用情況、性別組成做更精細化的分析。值得注意的是，數據平台間的差異還是蠻大的，除了跨平台分析也需要分平台對比，有利於針對不同平台做出不同的營銷策略。上面這些最基本的用戶屬性對於精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——
1.誰是我的重要價值客戶，他們都有什麼特點。
2.誰是我需要重點保持聯系的客戶，他們都有什麼特點。
3.誰是我的重要發展客戶，他們都有什麼特點。
4.誰是我的重要挽留客戶，他們都有什麼特點。想要解答這個問題，我們需要動用更高階的分析模型，去挖掘有效信息。如何通過RFM模型，為用戶分群，實現精細化運營RFM模型是一個被廣泛使用的客戶關系分析模型，主要以用戶行為來區分客戶，RFM分別是：R = Recency最近一次消費F = Frequency 消費頻率M = Monetary 消費金額需要詳細了解以上三個指標定義的，可以去戳度娘，教科書式的RFM區分，會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據每類用戶精準營銷。

B. 如何分析RFM模型才能最有效，才能真正起到精細化運營的作用

舉一個互聯網餐飲的例子~來證明如何分析RFM模型：

如何通過外賣訂單數據，分析用戶的基本屬性；

用戶的訂單上都有訂餐地址，通過對於訂餐地址的統計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡某道菜的用戶都在哪裡。類似的用戶數據挖掘，還可以根據復購構成、復購用戶跨平台使用情況、性別組成做更精細化的分析。值得注意的是，數據平台間的差異還是蠻大的，有利於針對不同平台做出不同的營銷策略。

上面這些最基本的用戶屬性對於精細化運營還是不夠的。 因為這些信息無法幫助你解決下面四個問題——

1.誰是我的重要價值客戶，他們都有什麼特點？

2.誰是我需要重點保持聯系的客戶，他們都有什麼特點？

3.誰是我的重要發展客戶，他們都有什麼特點？

4.誰是我的重要挽留客戶，他們都有什麼特點？

2.如何通過RFM模型，為用戶分群，實現精細化運營

RFM模型是一個被廣泛使用的客戶關系分析模型，主要以用戶行為來區分客戶，RFM分別是：

R = Recency 最近一次消費

F = Frequency 消費頻率

M = Monetary 消費金額

需要詳細了解以上三個指標定義的，網路會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據每類用戶精準營銷……顯然125類用戶已超出普通人腦的計算范疇了，更別說針對125類用戶量體定製營銷策略。實際運用上，我們只需要把每個唯獨做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP啊！

重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠實客戶，我們需要主動和他保持聯系。

重要發展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發展。

重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經要流失的用戶，應當基於挽留措施。

橫著的紅線，代表著你認為來吃飯的客人平均每餐該花多少錢，我這里設定的值是25元，叫外賣25都沒付到，對我而言是低消費金額（低M）用戶。

豎著的紅線，代表著你認為復購多少次的客人，是你的高頻用戶。外賣點餐流動率很大，一個用戶每個月能在一家店點三次以上的菜，對我而言即是高頻。

這樣，BDP個人版上的RFM模型就建立好了。這個RFM模型在實操時有什麼用呢？舉個例子

比如對圈用戶群發簡訊轉化只有不到1%時，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內消費的用戶），轉化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌櫃們是願意花600元給10000個用戶發簡訊，得到100個訂單，還是願意花48元給800人發簡訊得到80個訂單，相信大家一定會選後者。

而整體的RFM區分，則能夠幫掌櫃們針對不同的用戶發不同的簡訊，簡訊的開頭是用「好久不見」、還是用「恭喜你成為VIP」，就得看時重要保持客戶還是重要價值用戶了。只有能區分用戶，才能走向精細化運營。

C. RFM模型分析與客戶細分

RFM模型分析與客戶細分
根據美國資料庫營銷研究所Arthur Hughes的研究，客戶資料庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。
RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始數據為3個欄位：客戶ID、購買時間(日期格式)、購買金額，用數據挖掘軟體處理，加權(考慮權重)得到RFM得分，進而可以進行客戶細分，客戶等級分類，Customer Level Value得分排序等，實現資料庫營銷!

這里再次借用@數據挖掘與數據分析的RFM客戶RFM分類圖。
本次分析用的的軟體工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
因為RFM分析僅是項目的一個小部分分析，但也面臨海量數據的處理能力，這一點對計算機的內存和硬碟容量都有要求。
先說說對海量數據挖掘和數據處理的一點體會：(僅指個人電腦操作平台而言)
一般我們拿到的數據都是壓縮格式的文本文件，需要解壓縮，都在G位元組以上存儲單位，一般最好在外置電源移動硬碟存儲;如果客戶不告知，你大概是不知道有多少記錄和欄位的;
Modeler挖掘軟體默認安裝一般都需要與C盤進行數據交換，至少需要100G空間預留，否則讀取數據過程中將造成空間不足
海量數據處理要有耐心，等待30分鍾以上運行出結果是常有的現象，特別是在進行抽樣、合並數據、數據重構、神經網路建模過程中，要有韌性，否則差一分鍾中斷就悲劇了，呵呵;
數據挖掘的准備階段和數據預處理時間占整個項目的70%，我這里說如果是超大數據集可能時間要佔到90%以上。一方面是處理費時，一方面可能就只能這台電腦處理，不能幾台電腦同時操作;
多帶來不同，這是我一直強調的體驗。所以海量數據需要用到抽樣技術，用來查看數據和預操作，記住：有時候即使樣本數據正常，也可能全部數據有問題。建議數據分隔符採用「|」存儲;
如何強調一個數據挖掘項目和挖掘工程師對行業的理解和業務的洞察都不為過，好的數據挖掘一定是市場導向的，當然也需要IT人員與市場人員有好的溝通機制;
數據挖掘會面臨數據字典和語義層含義理解，在MetaData元數據管理和理解上下功夫會事半功倍，否則等數據重構完成發現問題又要推倒重來，悲劇;
每次海量大數據挖掘工作時都是我上微博最多的時侯，它真的沒我算的快，只好上微博等它，哈哈!
傳統RFM分析轉換為電信業務RFM分析主要思考：

這里的RFM模型和進而細分客戶僅是數據挖掘項目的一個小部分，假定我們拿到一個月的客戶充值行為數據集(實際上有六個月的數據)，我們們先用IBM Modeler軟體構建一個分析流：

數據結構完全滿足RFM分析要求，一個月的數據就有3千萬條交易記錄!

我們先用挖掘工具的RFM模型的RFM匯總節點和RFM分析節點產生R(Recency)、F(Frequency)、M (Monetary);

接著我們採用RFM分析節點就完成了RFM模型基礎數據重構和整理;

現在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;這里對RFM得分進行了五等分切割，採用100、10、1加權得到RFM得分表明了125個RFM魔方塊。
傳統的RFM模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識別客戶特徵和行為，有必要進一步細分客戶群;
另外：RFM模型其實僅僅是一種數據處理方法，採用數據重構技術同樣可以完成，只是這里固化了RFM模塊更簡單直接，但我們可以採用RFM構建數據的方式不為RFM也可用該模塊進行數據重構。
我們可以將得到的數據導入到Tableau軟體進行描述性分析：(數據挖掘軟體在描述性和製表輸出方面非常弱智，哈哈)

我們也可以進行不同塊的對比分析：均值分析、塊類別分析等等

這時候我們就可以看出Tableau可視化工具的方便性

接下來，我們繼續採用挖掘工具對R、F、M三個欄位進行聚類分析，聚類分析主要採用：Kohonen、K-means和Two-step演算法：

這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變數還是要進行變換，因為R、F、M三個欄位的測量尺度不同最好對三個變數進行標准化，例如：Z得分(實際情況可以選擇線性插值法，比較法，對標法等標准化)!另外一個考慮：就是R、F、M三個指標的權重該如何考慮，在現實營銷中這三個指標重要性顯然不同!
有資料研究表明：對RFM各變數的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而並沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權重並不相同,應該給予頻度最高,近度次之,值度最低的權重;
這里我們採用加權方法：WR=2 WF=3 WM=5的簡單加權法(實際情況需要專家或營銷人員測定);具體選擇哪種聚類方法和聚類數需要反復測試和評估，同時也要比較三種方法哪種方式更理想!
下圖是採用快速聚類的結果：

以及kohonen神經演算法的聚類結果：

接下來我們要識別聚類結果的意義和類分析：這里我們可以採用C5.0規則來識別不同聚類的特徵：

其中Two-step兩階段聚類特徵圖：

採用評估分析節點對C5.0規則的模型識別能力進行判斷：

結果還不錯，我們可以分別選擇三種聚類方法，或者選擇一種更易解釋的聚類結果，這里選擇Kohonen的聚類結果將聚類欄位寫入數據集後，為方便我們將數據導入SPSS軟體進行均值分析和輸出到Excel軟體!

輸出結果後將數據導入Excel，將R、F、M三個欄位分類與該欄位的均值進行比較，利用Excel軟體的條件格式給出與均值比較的趨勢!結合RFM模型魔方塊的分類識別客戶類型：通過RFM分析將客戶群體劃分成重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別;(有可能某個級別不存在);
另外一個考慮是針對R、F、M三個指標的標准化得分按聚類結果進行加權計算，然後進行綜合得分排名，識別各個類別的客戶價值水平;

至此如果我們通過對RFM模型分析和進行的客戶細分滿意的話，可能分析就此結束!如果我們還有客戶背景資料信息庫，可以將聚類結果和RFM得分作為自變數進行其他數據挖掘建模工作!

D. 如何用FBI5.0來構建RFM模型

找下相關技術資料

E. spss modeler 構建RFM模型問題

你用的是什麼版本的SPSS，在18版及以後，都有一個菜單項，直接進行RFM計算的。
但你的數據格式要符合模型的要求。

F. RFM模型的應用意義

RFM模型較為動態地顯示了一個客戶的全部輪廓，這對個性化的溝通和服務提供了依據，同時，如果與該客戶打交道的時間足夠長，也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值)，通過改善三項指標的狀況，從而為更多的營銷決策提供支持。
在RFM模式中，R(Recency)表示客戶購買的時間有多遠，F(Frequency)表示客戶在時間內購買的次數，M (Monetary)表示客戶在時間內購買的金額。一般的分析型CRM著重在對於客戶貢獻度的分析，RFM則強調以客戶的行為來區分客戶。
RFM非常適用於生產多種商品的企業，而且這些商品單價相對不高，如消費品、化妝品、小家電、錄像帶店、超市等；它也適合在一個企業內只有少數耐久商品，但是該商品中有一部分屬於消耗品，如復印機、列印機、汽車維修等消耗品；RFM對於加油站、旅行保險、運輸、快遞、快餐店、KTV、行動電話信用卡、證券公司等也很適合。
RFM可以用來提高客戶的交易次數。業界常用的DM(直接郵寄)，常常一次寄發成千上萬封郵購清單，其實這是很浪費錢的。根據統計(以一般郵購日用品而言)，如果將所有R(Recency)的客戶分為五級，最好的第五級回函率是第四級的三倍，因為這些客戶剛完成交易不久，所以會更注意同一公司的產品信息。如果用M(Monetary)來把客戶分為五級，最好與次好的平均回復率，幾乎沒有顯著差異。
有些人會用客戶絕對貢獻金額來分析客戶是否流失，但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同，對不同產品的促銷有不同的折扣，所以採用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區間的變動，則更可以顯現出相對行為。企業用R、F的變化，可以推測客戶消費的異動狀況，根據客戶流失的可能性，列出客戶，再從M（消費金額）的角度來分析，就可以把重點放在貢獻度高且流失機會也高的客戶上，重點拜訪或聯系，以最有效的方式挽回更多的商機。
RFM也不可以用過頭，而造成高交易的客戶不斷收到信函。每一個企業應該設計一個客戶接觸頻率規則，如購買三天或一周內應該發出一個感謝的電話或Email，並主動關心消費者是否有使用方面的問題，一個月後發出使用是否滿意的詢問，而三個月後則提供交叉銷售的建議，並開始注意客戶的流失可能性，不斷地創造主動接觸客戶的機會。這樣一來，客戶再購買的機會也會大幅提高。
企業在推行CRM時，就要根據RFM模型的原理，了解客戶差異，並以此為主軸進行企業流程重建，才能創新業績與利潤。否則，將無法在新世紀的市場立足。

G. RFM模型的分析

RFM的含義如下：

1、R（Recency）：客戶最近一次交易時間的間隔。R值越大，表示客戶交易發生的日期越久，反之則表示客戶交易發生的日期越近。

2、F（Frequency）：客戶在最近一段時間內交易的次數。F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。

3、M（Monetary）：客戶在最近一段時間內交易的金額。M值越大，表示客戶價值越高，反之則表示客戶價值越低。

4、RFM分析就是根據客戶活躍程度和交易金額的貢獻，進行客戶價值細分的一種方法。