R语言实现RMF模型

RMF模型说明

RMF模型是客户管理中，常被用来衡量客户价值和客户创利能力的重要方法。它主要考量三个指标：

最近一次消费-Recency：近期购买的客户倾向于再度购买

消费频率-Frequency：经常购买的客户再次购买概率高

消费金额-Monetary：消费金额较多的客户再次消费可能性更大

根据上述三个维度，对客户做细分，假定每个维度划分成五个等级，得到客户的R值（1-5），F值（1-5），M值（1-5）。那么客户就被分作5*5*5 <- 125个细分群，我们可以根据客户交易行为的差异针对不同群体做不同的推荐。

或者进一步针对不同的业务场景，对R、F、M赋予不同权重Wr、Wf、Wm，得到每个用户的得分：W=Wr*R+Wf*F+Wm*M。根据最终得分W排序，再划分等级，采用不用的营销策略。

RFM模型其实很简单，其重点应该是在：一，如何做划分，不管是针对三个维度的划分还是三个维度取不同权重的和W的划分，都要依据实际业务场景情况确定。二，针对不同的客户群如何选定合适的营销手段，这个则需要对每个客户群体有正确的解读，并且对实际业务场景理解比较深入。

参考：http://shenhaolaoshi.blog.sohu.com/143275752.html

http://shenhaolaoshi.blog.sohu.com/201923838.html

R语言实现RMF

用来做分析的数据应该是一段时间里累计的客户的消费记录，每笔记录至少需要客户名称、消费时间、消费金额三个要素。

用R生成模拟随机消费记录数据。客户编号为1000-1999共100人，消费记录10000条，消费记录产生时间在2014-01-01到2015-12-29之间。

sales <-data.frame(sample(1000:1999,replace=T,size=10000),abs(round(rnorm(10000,178,55)))+1)#随机第一列产生用户ID，第二列产生用户消费数据
sales.dates<- as.Date("2014/1/1") + 728*sort(stats::runif(10000)) # runif(n,min = 0, max = 1)产生随机数
sales<- cbind(sales,sales.dates)
names(sales)<- c("用户ID","消费金额","消费时间")
str(sales)#查看data.frame的格式

根据上述消费记录，得到Recency、Frequency、Monetary的值。

sales$距离时间 <- round(as.numeric(difftime(Sys.Date(),sales[,3],units="days")))
salesM<- aggregate(sales[,2],list(sales$用户ID),sum) #总消费金额
names(salesM)<- c("用户ID","Monetization")
salesF<- aggregate(sales[,2],list(sales$用户ID),length) #消费次数
names(salesF)<- c("用户ID","Frequency")
salesR<- aggregate(sales[,4],list(sales$用户ID),min) #最近一次消费时间
names(salesR)<- c("用户ID","Recency")
test1<- merge(salesF,salesR,"用户ID")
salesRFM<- merge(salesM,test1,"用户ID")

根据上述说明，对三个维度每个维度划分为5个层次，做均值划分。并给R、F、M分别赋权重0.5,0.3,0.2来求客户最终得分，客户最终得分在1-5之间。

#均值划分
salesRFM0<- salesRFM
salesRFM0$rankR<- cut(salesRFM0$Recency, 5,labels=F)
salesRFM0$rankR<- 6-salesRFM0$rankR #rankR，5是最近，1是最远
salesRFM0$rankF<- cut(salesRFM0$Frequency, 5,labels=F) #rankF，1是最少，5是最频繁
salesRFM0$rankM<- cut(salesRFM0$Monetization, 5,labels=F) #rankM，1是最少，5是最多
salesRFM0$rankRMF<- 0.5*rankR + 0.3*rankF + 0.2*rankM

对Receny、Frequency、Monetary标准化后，以权重权重0.5,0.3,0.2来求客户最终得分，客户最终得分在0-1之间。

#标准化后划分
salesRFM1<- salesRFM
salesRFM1$rankR<-(salesRFM1$Recency-min(salesRFM1$Recency))/(max(salesRFM1$Recency)-min(salesRFM1$Recency))
salesRFM1$rankR<- 1-salesRFM1$rankR #rankR，1是最近，0是最远
salesRFM1$rankF<-(salesRFM1$Frequency-min(salesRFM1$Frequency))/(max(salesRFM1$Frequency)-min(salesRFM1$Frequency))#rankF，0是最少，1是最频繁
salesRFM1$rankM<- (salesRFM1$Monetization-min(salesRFM1$Monetization))/(max(salesRFM1$Monetization)-min(salesRFM1$Monetization))#rankM，0是最少，1是最多
salesRFM1$rankRMF<- 0.5*salesRFM1$rankR + 0.3*salesRFM1$rankF + 0.2*salesRFM1$rankM

以上用到的权重需要根据实际情况考量选定。得到的客户评分rankRMF，是客户细分的一个参考依据，实际场景中，我们可能还有客户的其他数据，可以综合来看。

参考：

http://www.idatacamp.com/2015/10/09/r%E8%AF%AD%E8%A8%80%E5%AE%9E%E7%8E%B0rfm%E6%A8%A1%E5%9E%8B/

有任何问题或建议欢迎提出，转载请注明来源!

R语言实现RMF模型相关推荐

R语言构建xgboost模型：控制训练信息输出级别verbose参数
R语言构建xgboost模型:控制训练信息输出级别verbose参数目录 R语言构建xgboost模型:控制训练信息输出级别verbose参数
R语言构建回归模型并进行模型诊断（线性关系不满足时）、进行变量变换（Transforming variables）、使用car包中的boxTidwell函数对预测变量进行Box–Tidwell变换
R语言构建回归模型并进行模型诊断(线性关系不满足时).进行变量变换(Transforming variables).使用car包中的boxTidwell函数对预测变量进行Box–Tidwell变换目 ...
R语言构建xgboost模型：基于稀疏数据（dgCMatrix which is a sparse matrix）、稠密数据（dense matrix）、xgb.DMatrix数据聚合
R语言构建xgboost模型:基于稀疏数据(dgCMatrix which is a sparse matrix).稠密数据(dense matrix) 目录
R语言构建xgboost模型：使用xgb.DMatrix保存、加载数据集、使用getinfo函数抽取xgb.DMatrix结构中的数据
R语言构建xgboost模型:使用xgb.DMatrix保存.加载数据集.使用getinfo函数抽取xgb.DMatrix结构中的数据目录
R语言使用线性回归模型来预测（predict）单个样本的目标值（响应值、response）实战
R语言使用线性回归模型来预测(predict)单个样本的目标值(响应值.response)实战目录
R语言随机森林模型：计算随机森林模型的特征重要度（feature importance）并可视化特征重要度、使用少数重要特征拟合随机森林模型（比较所有特征模型和重要特征模型在测试集上的表现差异）
R语言随机森林模型:计算随机森林模型的特征重要度(feature importance)并可视化特征重要度.使用少数重要特征拟合随机森林模型(比较所有特征模型和重要特征模型在测试集上的表现差异) 目录
R语言构建xgboost模型：xgb.cv函数交叉验证确定模型的最优子树个数（可视化交叉验证对数损失函数与xgboost模型子树个数的关系）、交叉验证获取最优子树之后构建最优xgboost模型
R语言构建xgboost模型:xgb.cv函数交叉验证确定模型的最优子树个数(可视化交叉验证对数损失函数与xgboost模型子树个数的关系).交叉验证获取最优子树之后构建最优xgboost模型目录
R语言构建xgboost模型并评估模型（测试集、训练集每一轮）：误分类率指标（misclassification rate）、logloss
R语言构建xgboost模型并评估模型(测试集.训练集每一轮):误分类率指标(misclassification rate).logloss 目录
R语言构建xgboost模型：模型的特性重要度计算及可视化、模型对应的结构树（文本文件）
R语言构建xgboost模型:模型的特性重要度计算及可视化.模型对应的结构树(文本文件) 目录

R语言实现RMF模型

R语言实现RMF模型相关推荐

最新文章

热门文章