RFM 用户分群

RFM 是一种用于分析客户价值的方法。 它通常用于数据库营销和直接营销，并且在零售和专业服务行业受到了特别的关注。

简要说明

RFM（新近度，频率，货币价值）是一种营销分析工具，用于通过使用某些度量来确定公司或组织的最佳客户。 RFM模型基于三个定量因素：

• 新近度：客户最近一次购物的时间
• 频率：客户购物的频率
• 货币价值：客户在购买上花费了多少钱

即：

• R（Recency）——最近一次消费的时间距离现在多久了？最近一次消费时间越近的顾客是越有可能产生二次消费的群体。
• F（Frequency）——最近一段时间内的购买次数。可以理解购买次数越多的客户是对我们产品越满意的客户，表示客户的忠诚度越高。
• M（Monetary）——最近一段时间内的消费金额。消费金额是分析一个客户必不可少的一个数据，不仅是在 RFM 模型里面，比如在考虑 ROI 以及客户终身价值等分析的时候都是必需的。

RFM 分析在数字上将这三个类别中的每个类别的客户排名（通常为1到5，数字越高，结果越好），「最佳」客户将在每个类别中获得最高分。

RFM 分析通过对终端和顾客进行三个类别的评分来评估他们，有助于企业合理预测未来哪些客户更有可能再次购买，新客户（相对于老客户）带来了多少收入，以及如何将偶尔的买家转变为习惯性的买家。

RFM 详解

Jan Roelf Bult 和 Tom Wansbeek 在 1995 年出版的《营销科学》（Marketing Science）上发表的文章「直接邮件的最佳选择」（Optimal Selection for Direct Mail）中提出RFM的概念是至今。 RFM 分析通常支持营销格言「80％的业务来自20％的客户」。

让我们更仔细地研究每个RFM因素如何工作，以及公司如何在此基础上制定策略。

新近度

客户在公司购买商品的时间越近，就越有可能在以后的购买中继续牢记业务和品牌。与几个月甚至更长的时间没有从公司购买商品的客户相比，可以说与新客户进行未来交易的可能性更高。

此类信息可用于提醒最近的客户尽快重新访问业务，以继续满足他们的购买需求。为了不忽视失败的客户，可以进行市场营销活动，以提醒他们自上次交易以来已经有一段时间了，同时还为他们提供了重新点燃顾客惠顾的动机。

频率

客户交易的频率可能会受到诸如产品类型，购买价格点以及需要补货或更换的因素的影响。如果可以预测购买周期，例如，当客户需要购买新杂货时，则可以将营销工作直接用于提醒他们在鸡蛋或牛奶等物品用完后去拜访商家。

货币价值

货币价值源于客户在交易过程中在业务上支出的利润丰厚。自然而然地倾向于将重点放在鼓励花费最多钱的客户，让他们继续这样做。尽管这可以在市场营销和客户服务方面产生更好的投资回报，但也存在疏远那些始终如一但在每次交易中花费不多的客户的风险。

这三个 RFM 因素可用于合理地预测客户与一家公司再次开展业务的可能性（或可能性不大），或者对于慈善组织而言，再进行一次捐赠。

RFM 模型特点

RFM 分析模型有以下特点：

优点

• 利用客观数据：对用户进行简洁、信息丰富的多层次描述。
• 操作简单：营销人员也可以直接使用，而无需数据科学家或使用复杂的软件。
• 直观易懂的：这种分类方法的输出结果很容易理解和解释。

局限性

• 该方法可能会排除同样重要或更重要的其他变量（例如，购买的产品，先前的活动响应，人口统计细节等）
• 它查看过去的用户行为，这些行为可能会或可能不会准确指示未来的活动，偏好和反应

更高级的用户分类技术基于预测分析技术，这些技术在预测未来用户行为方面往往更加准确。

操作步骤

模型的操作方法分为以下几步如图示例：

• Step 1: 根据以下三个因素赋予每个用户不同的权重，一般打分 1- 5（或者分 3 、4个群组）
  • R: 用户最后一次购买行为距现在的时间，一般为天（也可按周、月），评分
  • F: 用户在特定时间内进行交易的总数
  • M: 用户在所有交易中花费的总金额
• Step 2: 根据（R, F, M) 三个维度将客户进行分组
• Step 3: 根据不同的客户类群，进行不同的营销

最终打分如下：

通过以上的打分，由高到低区分用户的重要性。

扩展

除了以上三个因素外，可根据自身业务特点加入加入其他因素形成四个或者五个等评价因素，如：

• 还款次数
• 联系客服次数
• 打卡次数
• ...

可视化

热力图

热力图（Heat Map Chart）

Bar Chart 矩阵

频率和新近度分数的不同组合的金额分数分布。

代码实现

R 语言

以下是 R 语言的实现方案

# Install rfm from CRAN
install.packages("rfm")

# Or the development version from GitHub
# install.packages("devtools")
devtools::install_github("rsquaredacademy/rfm")

# Install rfm from CRAN
install.packages("rfm")

# 更多参考：https://rfm.rsquaredacademy.com/

Python

todo

# 标签值
lable_names = {111: '重要价值客户',
               110: '一般价值客户',
               101: '重要发展客户',
               100: '一般发展客户',
               11: '重要保持客户',
               10: '一般保持客户',
               1: '重要挽留客户',
               0: '一般挽留客户'}

Excel

假定源数据是有客户、购买日期、金额三个字段组成的交易流水表：

• 客户：本次交易的客户的名称，也可以是ID之类的标识
• 购买日期：本次交易的日期
• 金额：本次交易用户支付的金额

RFM需要以上的基础信息。

接下来是Excel的操作步骤：

• 以原数据为基础，插入一个透视表（PivotTable，在插入菜单下）
  • 选中所有字段名
  • 列为值（Values）
  • 行为客户
  • 值中购买日期做最大值操作（max）、购买日期做计数（count）、金额做求和（sum）
  • 以上操作产生了四列数据：行标签（就是客户）、最大值项:购买日期2（就是最近购买时间）、计数项:购买日期（就是累计购买次数）、求和项:金额（就是累计购买金额）
• 再增加一列距今天数，用公式=TODAY()-B2，其中假定B2是最近购买时间
• 接下来求RFM分数，这里我们用标准差
  • R得分-标准差：=IF(C2>C$9999,1,IF(AND(C2<=C$9999,C2>C$9999),2,IF(AND(C2>C$9999,C2<=C$9999),3,4))) 其中C2是距今天天数据
  • F得分-标准差：同上，用累计购买次数
  • M得分-标准差：同上，用累计金额
• 再增加RFM各项的分类
  • R分类：=IF(I2>2,"低","高")，I列为对应的得分
  • F分类：同上，用对应得分
  • M分类：同上，用对应得分
• 最后再进行用户整体分类，根据下边的规则增加一列

'''
R分类 F分类 M分类 综合得分
高 高 高 1-重要价值
高 低 高 2-重要发展
低 高 高 3-重要保持
低 低 高 4-重要挽留
高 高 低 5-一般价值
高 低 低 6-一般发展
低 高 低 7-一般保持
低 低 低 8-一般挽留
'''

参考

• https://www.investopedia.com/terms/r/rfm-recency-frequency-monetary-value.asp
• https://mp.weixin.qq.com/s/QKsAY1sMXIipQykgOlezXw
• https://www.r-bloggers.com/2019/07/customer-segmentation-using-rfm-analysis-2/
• https://rfm.rsquaredacademy.com/
• Visualizing RFM Segmentation: http://ai.stanford.edu/people/ronnyk.link/RFMSDM2004.pdf
• https://mp.weixin.qq.com/s/kEuFYDid5No3GJbS6iwGfg