使用大数据去挖掘每个用户的客户价值-RFM
絮叨两句:
博主是一名数据分析实习生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们
人的一生中会遇到各种各样的困难和折磨,逃避是解决不了问题的,唯有以乐观的精神去迎接生活的挑战
少年易老学难成,一寸光阴不可轻。
最喜欢的一句话:今日事,今日毕
RFM文章目录
- RFM模型引入
- 计算流程
- RFM详解
- R值:最近一次消费(Recency)
- F值:消费频率(Frequency)
- M值:消费金额(Monetary)
- 基于RFM模型的实践应用
- 基于RFM模型进行客户细分
- 通过RFM模型评分后输出目标用户
RFM模型引入
比如电商网站要做一次营销活动,需要针对不同价值的客户群体进行分群对于高价值的用户推荐手表,珠宝等高端商品,对于低价值用户推荐打折促销的廉价商品,当然还有以下这些问题都是需要考虑的:
- 谁是我的最佳客户?
- 谁即将要成为流失客户?
- 谁将有潜力成为有价值的客户
- 哪些客户能够留存?
- 哪些客户会对你目前对活动有所反应?
那么最终的问题是如何对客户进行分群,即如何建立客户的价值模型呢?
在传统企业和电商众多的客户细分模型中,RFM
模型是被广泛提到和使用的。
RFM模型是衡量当前用户价值和客户潜在价值
的重要工具和手段
RFM是
- Rencency(最近一次消费)
- Frequency(消费频率)
- Monetary(消费金额)
三个指标首字母组合,如图所示:
一般情况下RFM模型可以说明下列几个事实:
- 最近购买的时间越近,用户对产品促销互动越大
- 客户购买的频率越高,客户就品牌的满意度就越大
- 货币价值将高消费客户和低消费客户区分开来
如图所示,根据RFM
模型,就可以统计在某一段时间内,用户最近的消费间隔,消费次数和消费金额,再根据使用k-means算法对用户进行聚类分群
注意一点,不仅仅可以局限于这三个数据字段,还可以根据业务需求,加入其他字段,进行调整模型。
我们可以根据RFM模型计算出所有用户的RFM值形成一个二维表:
userid | R值 | F值 | M值 |
---|---|---|---|
1 | 2019-11-05 | 5 | 10000 |
2 | 2019-10-01 | 4 | 800 |
对于以上数据的量纲不一致(单位不统一),所以要对数据进行归一化
如何归一化?—需要自定义归一化的规则!即建立一个评分标准?
如何建立评分标准?----根据运营/产品的经验,做一个标准
R
: 1-3天=5分,4-6天=4分,7-9天=3分,10-15天=2分,大于16天=1分
F
: ≥200=5分,150-199=4分,100-149=3分,50-99=2分,1-49=1分
M
: ≥20w=5分,10-19w=4分,5-9w=3分,1-4w=2分,<1w=1分
根据上面的打分规则就可以对数据进行自定义的归一化,得到如下类似结果:
userid | R值 | F值 | M值 |
---|---|---|---|
1 | 5 | 1 | 2 |
2 | 1 | 1 | 1 |
那么现在数据已经归一化了,如何对数据进行分类?
- 肯定不能简单的将数据直接丢到三维坐标系,因为坐标系的原点不好确定,且三维坐标系只能分为8类
- 所以应该使用算法进行分类(聚类)
- 让算法自动学习用户之间的相似度,然后相似度高的用户,自动聚成一类,最后完成聚类的划分
计算流程
- 首先对所有用户的最近一次消费时间/总共消费次数/总共消费金额进行统计
- 再进行归一化(运营/产品提供的打分规则)
- 再使用算法进行聚类(K-Means)
- 根据聚类结果给用户打Tag(标签)
RFM详解
R值:最近一次消费(Recency)
消费指的是客户在店铺消费最近一次和上一次的时间间隔
理论上R值越小的客户是价值越高的客户,即对店铺的回购几次最有可能产生回应
目前网购便利,顾客已经有了更多的购买选择和更低的购买成本,去除地域的限制因素,客户非常容易流失,因此CRM操盘手想要提高回购率和留存率,需要时刻警惕R值。
如下图,某零食网店用户最近一次消费R值分布图:
- 客户R值呈规律性的“波浪形”分布,时间越长,波浪越小;
- 最近一年内用户占比50%(真的很巧);
数据分析: 这个数据根据向行业内专业人员请教,已经是比较理想了的。说明每引入2个客户,就有一位用户在持续购买。说明店铺复购做的比较好。
F值:消费频率(Frequency)
消费频率是客户在固定时间内的购买次数(一般是1年)。但是如果实操中实际店铺由于受品类宽度的原因,比如卖3C产品,耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以,有些店铺在运营RFM模型时,会把F值的时间范围去掉,替换成累计购买次数。
如下图,某零食网店用户购买频次图(如1个客户在1天内购买多笔订单,则自动合并为1笔订单):
- 购买1次(新客户)占比为65.5%,产生重复购买(老客户)的占比为34.4%;
- 购买3次及以上(成熟客户)的占比为17%,购买5次及以上(忠实客户)的占比为6%。
数据分析: 影响复购的核心因素是商品,因此复购不适合做跨类目比较。比如食品类目和美妆类目:食品是属于“半标品”,产品的标品化程度越高,客户背叛的难度就越小,越难形成忠实用户;但是相对美妆,食品又属于易耗品,消耗周期短,购买频率高,相对容易产生重复购买,因此跨类目复购并不具有可比性。
M值:消费金额(Monetary)
M值是RFM模型中相对于R值和F值最难使用,但最具有价值的指标。大家熟知的“二八定律”(又名“帕雷托法则”)
曾作出过这样的解释:公司80%的收入来自于20%的用户。
这个数据我在自己所从事的公司总都得到过验证!可能有些店铺不会那么精确,一般也会在30%客户贡献70%收入,或者40%贡献60%收入。
理论上M值和F值是一样的,都带有时间范围,指的是一段时间(通常是1年)内的消费金额,在工作中我认为对于一般店铺的类目而言,产品的价格带都是比较单一的,比如:同一品牌美妆类,价格浮动范围基本在某个特定消费群的可接受范围内,加上单一品类购买频次不高,所以对于一般店铺而言,M值对客户细分的作用相对较弱。
所以我认为用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。
教大家一个特别简单的累积金额划分方法:将1/2的客单价作为累积消费金额的分段,比如客单价是300元,则按照150元进行累计消费金额分段,得出十个分段。
现以国内某知名化妆品店铺举例,店铺平均客单为160元,因此以80元作为间隔将累积消费金额分段,从表中可以很明显发现,累计消费160元以下用户占比为65.5%(近2/3),贡献的店铺收入比例只占31.6%(近1/3),具体如下:
基于RFM模型的实践应用
主要有两种方法来分析RFM模型的结果
- 用基于RFM模型的划分标准来进行客户细分
- 用基于RFM模型的客户评分来进行客户细分。
基于RFM模型进行客户细分
CRM实操时可以选择RFM模型中的1-3个指标进行客户细分
如下表所示:切记细分指标需要在自己可操控的合理范围内,并非越多越好,一旦用户细分群组过多,一来会给自己的营销方案执行带来较大的难度,而来可能会遗漏用户群或者对同个用户造成多次打扰。
最终选择多少个指标有两个参考标准:店铺的客户基数,店铺的商品和客户结构。
店铺的客户基数:在店铺客户一定的情况下选择的维度越多,细分出来每一组的用户越少。对于店铺基数不大(5万以下客户数)的店铺而言,选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。
店铺的商品和客户结构:如果在店铺的商品层次比较单一,客单价差异幅度不大的情况下,购买频次(F值)和消费金额(M值)高度相关的情况下,可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。对于刚刚开店还没形成客户粘性的店铺,则可以放弃购买频次(F值),直接用最后一次消费(R值)或者消费金额(M值)。
通过RFM模型评分后输出目标用户
除了直接用RFM模型对用户进行分组之外,还有一种常见的方法是利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出自己的目标用户。
RFM模型评分主要有三个部分:
- 确定RFM三个指标的分段和每个分段的分值;
- 计算每个客户RFM三个指标的得分;
- 计算每个客户的总得分,并且根据总得分筛选出优质的客户
比如,实操的过程中一般每个指标分为3-5段,其中R值可以根据开店以来的时间和产品的回购周期来判定,F值根据现有店铺的平均购买频次,M值可参考上文客单价的分段指标。
举个例子:
确认RFM的分段和对应分段的分值之后,就可以按照用户情况对应进行打分。
这个时候可能有人会对此产生质疑,我如何验证这个给予的分值就是合理的呢?一般使用经验值或用算法模型进行验证。
以上就是RFM详细讲解
若有什么正确的地方还请及时反馈,博主及时更正
如能帮助到你,希望能点个赞支持一下谢谢!
使用大数据去挖掘每个用户的客户价值-RFM相关推荐
- 什么是大数据,企业如何正确使用大数据
如今大数据已经成为了大家口中的热门话题,很多企业能够对其进行合理的挖掘使用,产生良好的商业价值.但是有一些企业依然不知道或者不能够正确的使用它.那么,我们要怎么合理并且以一种合适的方式加以开发.使用大 ...
- 企业如何使用大数据对搜索引擎进行优化
在这个日新月异的时代,技术在不断进步与发展,我们迎来了大数据时代.毫无疑问,大数据正在对这个对世界的运作方式带来改变.大数据在影响营销的同时,还影响人们日常活动的方式.从字面上去理解,大数据是大量数据 ...
- 如何更好的使用大数据
在互联网时代,依靠大数据是未来的发展趋势.大数据分析现在非常流行,但是我们需要知道的是,大数据的价值体现在有效而正确的分析中.只有通过正确有效的分析工具和分析方法来解释现有的大数据,大数据才能为我们带 ...
- 如何使用大数据算法改善有效链接
对人们来说,大数据似乎是一个巨大的概念.然而,许多公司已经在其业务中使用了大数据,这可能会让人感到意外.分析工具和软件实际上使用大数据收集汇总的统计数据和指标进行分析.此外,如果企业想要最大限度地扩大 ...
- 什么是大数据公司面临的问题以及如何使用大数据解决
Heyy EveryOne ..!! 大家好.. !! In this article, you will come to know- what is Hadoop, Big Data & D ...
- 电子商务中如何使用大数据
大数据在很多的领域中都有应用,而且大数据所涉及到的领域都有不同程度的进步和发展,这是一个值得欣慰的事情,当然也正是这个原因,很多的行业都争先恐后地使用大数据技术.当然,电子商务也不例外,在这篇文章中我 ...
- 汽车制造厂商使用大数据的5个思路
随着如今迅速发展的技术,现代汽车已经成为带有轮子.安全气囊与乘客空间的计算机.运用在汽车上的创新可以为司机规划安全路线.播放卫星广播.连接手机免提功能.使汽车保持在车道内行驶.并通过距离感应器和自动驾 ...
- 【数据博彩】如何使用大数据机器学习预测NBA比赛结果?
引言 伴随着大数据时代的来临,机器学习.深度学习.人工智能等越来越多的出现在我们的视野中,数据技术正在颠覆着包括体育和博彩在内的各行各业,本文着手于使用大数据机器学习预测NBA比赛结果,希望给相关行业 ...
- 【干货】产品经理如何使用大数据构建用户画像
送给真正的互联网人一顿干货早餐 [小咖导读]文自"数据挖掘与数据分析",伴随着大数据应用的讨论.创新,个性化技术成为了一个重要落地点.相比传统的线下会员管理.问卷调查.购物篮分析, ...
最新文章
- aryson ms sql_数据治理:SQL数据清洗十八般武艺
- html标签里写js,JS事件(HTML标签内)
- Java各种数据类型详细介绍及其区别
- MySQL优化filler值_MySQL 性能优化神器 Explain 使用分析
- 计算并联电阻的阻值(信息学奥赛一本通-T1015)
- python课程-Python课程学习总结
- C#基础概念 代码样例
- apqp过程流程图范本_过程流程图(APQP要求)
- 20万+网易音乐人图鉴: 95后超70%、女歌手突破5万
- 雨听 | 英语学习笔记(十五)~作文范文:私家车主应该为环境污染纳税吗?
- 为什么rar密码不能被破解
- 【2021】01 最大流
- 园区信息通信基础设施管理方案
- 好家伙谷歌翻译又不能用了(有效解决方法)
- 统一网关Gateway-搭建网关服务
- 计算机二级长春光华学院,长春光华学院排名2021 吉林排名第3全国排名第73
- 深入浅出XDL(三):framework
- Windows XP 安装 MTP 驱动
- 用Gmail收取Hotmail里的邮件
- 人工智能医疗应用浪潮背后问题多:AI与医疗结合的机遇和风险
热门文章
- 盘点2020年wordpress常用的50个插件合集
- verilog学习五点经验分享 http://bbs.21ic.com/icview-402231-1-1.html
- 专线网络与家庭宽带区别(基础篇)
- 超详细手把手教你cordova开发使用指南+自定义插件,jsbridge
- hdu 44313391 Mahjong 枚举,判断
- 解决浏览器兼容新问题
- 谷歌相机android4,谷歌相机10.0版本 7.4.200.316937482 安卓版
- c语言补码链表重要吗,科学网—近期复习C语言的一些感悟 - 何亮的博文
- PHP关于实现腾讯云直播的推流和拉流
- TCH FR/HR全速率、半速率信道编码