01

案例数据

《如何用Python进行RFM分析》这篇文章提供了案例数据的下载，咱们就用他的数据吧，读入SPSS后，具体变量如下：

每一行是一个订单号，有交易日期、交易金额等关键变量。所谓的RFM分析，是指根据客户活跃程度和交易金额贡献，进行客户价值细分的一种客户细分方法。它主要由三个指标组成，分别为R（Recency）崭新度、F（Frequency）消费频度、M（Monetary）消费额度。

交易数据格式的特点是，软件会自动根据交易日期来计算崭新度R和消费频度F，这样就能满足RFM分析的数据要求。

02

RFM模型原理

R、F、M三个指标数据可以构成一个三维立方图，如果我们将RFM三指标各自分割为高和低两个水平，两两组合，那么这个三维立方图可被大卸八块，给每一个块赋予一定的实际含义，这就是RFM的8种客户类型。

举例说明一下，R分值高，F分值高，M分值高的客户为重要价值客户，R、F、M三个分值都低的客户为潜在客户。

大家划重点啊，RFM主要用于客户细分，一大堆客户信息放进模型，山摇地动一番统计计算后，所有的客户将被划分为8个类型。大家看上图右侧的【客户类型】特征描述。

RFM的意义就在于此，我们可以针对不同类型的客户提供有针对性的营销措施，帮助做好经营工作。

原理理解到这个程度，就行了。

03

SPSS做RFM菜单参数

SPSS有专门的菜单。【分析】→【直销】→【选择技术】，

继续勾选【帮助确定我的最佳联系人】（RFM分析），由于咱们这个案例数据是交易数据格式，所以接下来选择【交易数据】。

接下来就好办了，为什么呢，大家都识字的吧，你看人家SPSS的界面说得很清楚嘛，交易日期框，交易金额框，字面意思很好理解，把对应的数据移入对应的框框里面搞定。

客户标识框可能略微不好理解是吧，就是用哪个数据或变量来标记客户，咱们的数据有客户ID数据，这个就行了。

嘶，还有其他选项卡。【输出】卡中咱们现在也不知道这些结果都是干什么的，不管了了先给他全部勾选上，命令计算和输出。

04

RFM得分数据计算

注意哦，这里和其他统计方法有一点不一样。就是RFM分析过程会自动计算所需要的R、F、M三个指标得分，因此它把新计算得到数据单独安排在一个新的数据集中，所以执行分析后，我们首先会发现突然多了一个打开的数据集。

以上新数据集就是SPSS帮我们计算所得的关键结果了。

如果不是SPSS帮我们计算，我们用户是需要自己根据交易数据去计算的，过程很繁琐的哦，你们看Python那篇文章的处理过程就会发现了。Python需要用户指定这些数据的具体计算过程。

而SPSS是傻瓜软件嘛，它帮你搞定了。

先不着急根据R/F/M得分数据将所有客户划分8个分类，SPSS比较严谨的，它还输出了其他统计结果，帮助你看看这样的数据做RFM模型是不是合适，结果是不是可靠。

稳妥起见，咱们还是看看吧。

RFM分箱计数图，蛮漂亮，这个可不是看是不是漂亮的。我们期望是每个格子里面的条图频数均匀分布，也就是差不多高，如大抵上能满足，则说明数据是适合的。

本例认为条图频数分布基本均匀，满足条件。

还有其他图形结果，可以忽略跳过，不是所有的SPSS结果都需要解读和使用。（可根据分析的目的来选择）

05

RFM八类客户细分

客户细分的重头戏工作现在开始。

我们现在已经有RFM的得分数据了，接下来需强行将其分割为高水平和低水平，高低水平的标准是什么呢？我们用得分的平均值来划分，大于平均值的就是高水平，小于平均值的就是低水平。

因此先做平均值的描述统计。这一步就是SPSS的基础了，描述统计。

得分数据变成高低分类水平，这是SPSS的重新编码可以完成的任务，说白了也就是把连续数据变成分类数据。

我们需要分三次，将R得分、F得分、M得分转换为R高低、F高低、M高低。

来看RFM高低数据：

最后一步了。我们要使用RFM高低数据，将所有客户即立方体大卸八块，划分为8个客户人群。

这个过程就是RFM各高低水平的组合。

这一步，需要使用SPSS的【计算变量】菜单，利用筛选的形式，结合八类客户各自的高低组合进行筛选并归类。本例目标变量取名为“八类客户”。

比如第一类客户是“高价值”客户，你看是他们是三高客户啊，在RFM上都是高水平，即222组合。其他类推。

因为有8个分类，所有这个操作我们哟啊重复做8次，这个有点扯淡啊。没办法了。重复做吧。

如果是正确执行的，那么你在结果查看器窗口是可以看到上面这8行执行纪录的。方便我们检查是否准确进行分类。

然后，为了便于读取，我们再给刚才新生成【八类客户】进行数据标签编码，给刚才的1~8个分类水平准确的含义特征。

来看最最最后的结果：

做个描述统计吧。

以上就是所有客户最终的细分结果，每个客户都有明确的细分类别，方便营销人员提供针对性的管理和服务措施，进而提升客户价值和营收水平。

本文完
文/图=数据小兵