数据分析方法论之RFM模型详解
RFM
- 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;帮助企业判断哪些用户有异动,是否有流失的预兆,从而增加相应的运营措施。
- Recency:最近一次消费,统计用户最近一次消费时点和当前时点的时间差
- Frequency:消费频次,指定时间区间内统计用户的购买次数
- Money:消费金额,指定时间区间内统计用户的消费总金额。
- 根据用户历史行为数据,结合业务理解,实现用户分类,助力用户的精准营销。
实现步骤
- 获取R、F、M三个维度下的原始数据。
- 定义R、F、M的评估模型与分界值
- 进行数据处理,获取根据规则得到的R、F、M的值
- 参照评估模型 对用户进行分层
- 针对不同层级用户指定运营策略
用户分类模型RFM总结
- 结合实际业务选取关键数据指标分析,不局限于 最近一次消费时间、消费频次、消费金额
- 定义R值、F值、M值数据区间分割时,发现明显断档数据可以通过散点图、透视表、占比图等进行判断。
- 对于划分阈值的计算,除了平均值,还有二八法则,对于更加复杂的业务,可以寻求程序员活业务员协助确定。
- 除了选取讲解的3个核心业务指标进行交叉分析,也可以同时分析4个、5个指标,或者只需要分析2个指标。
- 针对不同分层用户的运营策略的指定要结合实际,在制定了运营策略之后,结合公司现有资源和手段开展具体的落地工作。
数据分析方法论之RFM模型详解相关推荐
- 【商业数据分析】—— 用户价值RFM模型详解(小仙女搬运工)
文章目录 为什么要做RFM模型分析 (Why) 什么是RFM模型 (What) RFM 作用 RFM模型是如何实现用户客户细分的 (How) RFM 例子 (Example) RFM 评分 RFM 分 ...
- 图解机器学习算法(6) | 决策树模型详解(机器学习通关指南·完结)
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/34 本文地址:https://www.showmeai.tech/article-d ...
- 使用pickle保存机器学习模型详解及实战(pickle、joblib)
使用pickle保存机器学习模型详解及实战 pickle模块实现了用于序列化和反序列化Python对象结构的二进制协议. "Pickling"是将Python对象层次结构转换为字节 ...
- Transformer 模型详解
Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型,现在比较火热的 Bert 也是基于 Transformer.Transformer 模型使用了 Self- ...
- TensorFlow Wide And Deep 模型详解与应用 TensorFlow Wide-And-Deep 阅读344 作者简介:汪剑,现在在出门问问负责推荐与个性化。曾在微软雅虎工作,
TensorFlow Wide And Deep 模型详解与应用 TensorFlow Wide-And-Deep 阅读344 作者简介:汪剑,现在在出门问问负责推荐与个性化.曾在微软雅虎工作,从事 ...
- TensorFlow Wide And Deep 模型详解与应用
Wide and deep 模型是 TensorFlow 在 2016 年 6 月左右发布的一类用于分类和回归的模型,并应用到了 Google Play 的应用推荐中 [1].wide and dee ...
- 数学建模——智能优化之模拟退火模型详解Python代码
数学建模--智能优化之模拟退火模型详解Python代码 #本功能实现最小值的求解#from matplotlib import pyplot as plt import numpy as np imp ...
- 数学建模——智能优化之粒子群模型详解Python代码
数学建模--智能优化之粒子群模型详解Python代码 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplo ...
- 数学建模——支持向量机模型详解Python代码
数学建模--支持向量机模型详解Python代码 from numpy import * import random import matplotlib.pyplot as plt import num ...
- 数学建模——一维、二维插值模型详解Python代码
数学建模--一维.二维插值模型详解Python代码 一.一维插值 # -*-coding:utf-8 -*- import numpy as np from scipy import interpol ...
最新文章
- Python PIL : import _imaging _imagingft : No module named _imaging _imagingft(转)
- sql分区-纵向分表与横向分区表(转)
- 第三次学JAVA再学不好就吃翔(part61)--基本数据类型包装类
- 小程序获取用户信息_App自评估指南:小程序也可参考,第三方获取信息需获用户授权...
- php注册登录遍写入 遍验证,自动注册登录验证机制的php代码
- 使用kafka解决zookeeper is not a recognized option when executing kafka-console-consumer.sh报错
- Python实现获取IP代码
- hdu 1718 Rank
- 图解yarn的作业提交流程
- 29、NeRV: Neural Reflectance and Visibility Fields for Relighting and View Synthesis
- 特征工程——特征转换
- 【buildroot】buildroot使用总结
- linux从入门到放弃-linux常见故障合集
- 初学者入门:软件测试从零开始
- uid 生成器(数据区主键)
- 支付宝 福卡 出花花卡 敬业福 的 福图片
- vue正则判断输入0-100之间(含0、100)数字,最多两位(多位)小数
- 51、流式音频之二(应用层)
- 华为机试2022.4.13:分发糖果
- LiveGBS流媒体平台GB/T28181功能-摄像头报警告警预案触发图片截取视频录制海康大华华为宇视等摄像头报警触发截图录像
热门文章
- python 预测任意天后股票数据_python股票预测算法
- Ceph 知识摘录(Ceph对象存储网关中的索引工作原理)
- mysql商品库存字段_mysql商品库存扣减问题总结
- 超级计算机中心建设方案,我校举办大连理工大学超算中心建设方案论证会
- win7系统一键还原教程
- power app 与 flow 咋实现前后端互动嘞
- 【vim】你的背包里,缺不缺一份vim简明教程嘞?
- sql查询重复订单号
- 经典同步时序逻辑电路分析汇总(第八道)(同步三进制计数器)
- c++计算一维数组中的最大元素