基于RFM模型的用户价值分析—

一、模型介绍

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。

R（Recency）——最近日期或最新日期：即客户最近一次消费日期距分析日的时间间隔。最近一次消费的时间间隔是维系顾客的一个重要指标。

根据R值越小越好的标准，间隔时间越短越有可能再次购买，按短到长平均分成5个等级，依次为R5-R1。

F（Frequency）——消费频率：即单位期间内的消费次数。在单位期间内的消费频率越高越好。消费次数多的客户通常是满意度高和忠诚度高的的客户，这部分客户是企业必须维系好的客户。

根据F值越多越好的标准，即次数越多越有可能再次购买。按大到小平均分成5个等级，依次为F5-F1。

M（Monetray）——消费总额：即单位期间内的消费总额。在单位时期内消费总额越高越好，消费总额高的客户是企业最有价值的客户。

根据M值越大越好的标准，即总额越大越有可能再次购买。按大到小平均分成5个等级，依次为M5-M1[1]。

通过客户的近期购买行为(R)、购买的总体频率(F)以及花了多少钱(M)3项指标对用户进行打分，将各用户3项指标分数与各项指标用户平均得分进行对比，高于平均分则该用户相应指标记为高，反之记为低。通过打分结果将用户细分为不同类型，对不同类别用户采取不同的运营策略，从而达到降低成本提高收入，实现精细化运营。

（补充学习：

RFM模型的其他作用：

作为反作弊系统的参考。例如，可以找出成熟度不高但贡献度极高的用户，说明他在短时间内进行了非正常的大额消费；还可以找出成熟度极高但贡献度不高的用户，他有可能在帮助某些商家刷榜[2]。

RFM模型的局限：

细分结果的客户群过多，每一个指标分成5个等级就会得到125个客户群，以至于难以形成对每个客户群的准确理解，也就难以针对每个细分客户群制定有效的营销策略。特别是对于资金和人力资源有限的中小型企业开展RFM分析有一定的困难。
F和M两个评价指标，即单位时期内的消费频率与同期消费总额这两个评价指标存在多重共线性问题。
R值赋予的权重过高，处于R3区域的客户不一定就比R4区域的客户价值低，这与客户的消费习惯和消费总量有密切的关系[1]。

类RFM模型：

3因素2水平分类器：

确定XYZ三个北极星（核心）业务指标
确定XYZ先后顺序
每个指标可以根据基线（如平均值）选取2-4个值

选取用户群体集中资源进行营销规划。

）

二、数据来源

https://www.kaggle.com/regivm/retailtransactiondata/datawww.kaggle.com/regivm/retailtransactiondata/data

其中包含2个csv文件:

Retail_Data_Transactions.csv

Retail_Data_Response.csv

共125000条数据

三、理解数据

1.理解数据

数据集Retail_Data_Response提供了每个顾客对促销活动的响应信息。

数据集Retail_Data_Transactions提供了顾客id、交易日期以及消费金额。

该数据集不但可以建立RFM模型还可以通过检查顾客的响应情况来评估模型的有效性。

导入相关库及数据集文件

查看数据集Retail_Data_Transactions前五行、行列数量、各列数据类型及描述统计信息

查看数据集Retail_Data_Response前五行、行列数量、各列数据类型及描述统计信息

因为所有字段都会用到，所以这里将两个数据集连接

查看连接后数据集前五行、行列数量、各列数据类型及描述统计信息

四、分析思路

建立RFM模型
分析模型
用顾客的响应信息评估模型是否有效

五、数据清洗(Python)

选择子集

列名重命名

缺失数据处理

数据类型转换

数据排序

异常值处理

六、RFM模型指标构建(Python)&(SQL)

分别用Python和SQL进行了RFM模型指标的构建，为了使文章结构更清晰，这里展示的是Python版本，将SQL版本以其他文章链接的形式放在了本模块的末尾。

构建RFM指标

构建R指标并查看结果。即每个用户最后一次购买时间距今多少天。查看数据集后发现数据集日期范围在2011-5-16至2015-3-16，因此将2015-3-17当作“今天”。按顾客id分组，计算交易日期与今天的时间差，选取每个顾客交易的最小时间差。

建立是否响应字段的辅助字段X1，删除重复值并查看结果

构建F指标。订单每一行代表着单个用户的单次购买行为，这里把一个用户在一天内的多次消费行为，从整体上看作一次，建立下单次数字段的辅助字段D，删除重复值后按顾客id分组统计交易次数。

建立M指标，并将RFM连接。按顾客id分组对交易金额求和，最终将三个字段进行连接。

将RFM与X连接

查看连接后RFMX的描述统计信息

构建评分体系

确认打分依据。最近一次交易时间间隔R，设定30天为一个跨度进行打分[3]；F和M按数据集RFMX的分位数来打分。

进行顾客分类

判断每个顾客的RFM与R、F、M平均值进行比较，大于平均值记为1，小于平均值记为0。

添加人群数值辅助列

根据人群数值辅助列结果定义顾客标签函数。为了便于理解，采用了改进后的RFM类别名称[3]，具体如下：

把标签函数应用到人群数值辅助列

数据导出

RFM模型指标构建——SQL版本

miss：RFM模型指标构建——SQL9 赞同 · 1 评论文章正在上传…重新上传取消

七、可视化分析及结论(Tableau)

模型分析

图中是该公司各类顾客的占比，显而易见重要价值客户、流失客户、重要价值流失预警客户以及新客户占据多数，说明该公司的用户结构不是很合理，需要尽快采取措施进行优化，具体措施如下：

重要价值客户（最近购买，高频高消费）：

密集的营销信息推送
传递会员活动和优惠信息
推送形象商品/品牌活动

流失客户（最近未购，低频低消费）：

超大型活动吸引（如双十一）
传递促销信息
推送促销商品/折扣活动

重要价值流失预警客户（最近未购，高频高消费）：

主动和客户保持联系
减少推送频率，提高优惠力度
传递会员活动和优惠信息
推送形象商品/品牌活动

新客户（最近购买，低频低消费）：

密集的营销信息推送
传递促销信息，发放优惠券等
推送促销商品/折扣活动

如图为RFM模型，查看数据时可以对R、F以及消费金额Monetray的范围进行调整。

顾客明细图详细展示了公司每位顾客的id、类型以及对应的R、F、M值。

模型有效性评估

图中以百分比的形式展示了各类用户对活动的响应情况，整体对符合各类别用户的定义，但是重要价值客户、重要价值流失预警客户以及流失客户的活动响应比例与对各类用户的定义还是有差距。由于数据中没有具体的业务场景相关信息，无法做出有效地调整，这里应该根据业务实际情况对模型中顾客的R、F以及M三项指标的打分依据进行调整，最终使顾客类别与其对活动的响应情况相符。

参考

^ab[1]孙耀.RFM模型的改进及客户策略研究[J].现代经济信息,2010(22):102-103.
^RFM模型的思考 https://www.jianshu.com/p/d2630789d3f4
^ab不到70行Python代码，轻松玩转RFM用户分析模型（附案例数据和代码）抱歉，该内容已被作者删除 - 知乎