RFM分析模型
描述
指标
1. R (Recency):最近一次购买时间。
2. F (Frequency):限定期间(L)内的交易次数,也可用产生交易的天数。
3. M (Monetary):限定期间内的交易金额,可分为累积购买及平均每次购买金额,一般用每次购买金额更能准确描绘。
4. L:从最后一次购买日期向前推,(一年内)的用户生命周期, = (LOD – FOD) / 365 。
5. FOD (First Order Date):第一次购买日期
6. LOD (Last Order Date):上一次购买日期
![](https://img.haomeiwen.com/i4755518/949a683acdc2f673.jpg)
其中:
1. R 决定了用户价值描绘柱状图分布的终点
2. L 决定了柱状图分布的长度,也即分布的起点
3. F决定了各柱形分布的疏密程度
4. M 决定了柱形的平均高度
因此:
1. 若 M 用累计购买金额,则会因各用户累计购买次数不同而无法直接了解平均每次购买金额(各柱形的高度),在此模型中,M可以作为一个单独维度进行统计。
2. 若去掉 L,用传统的,统一用自过去特定的一段时间(比如一年)来描述,则对于诸如以下两种用户会出现描述偏差:
![](https://img.haomeiwen.com/i4755518/0a7b353fca8caf15.jpg)
修改后则可以准确、全面地描绘用户的购买情况:
![](https://img.haomeiwen.com/i4755518/d3509633eab9fc36.jpg)
(一) 细致分类:
1. 将每个指标分为不同等级,每个等级对应不同的分值,如5分制,如:
R (天):5:<=30、4:30-90、3:90-180、2:180-360、1:>360
2. 生成新变量:
(1) RS (崭新-得分):最后一次交易时间间隔得分
(2) FS (频率-得分):限定期间内交易次数得分
(2) MS (消费金额-得分):限定期间内交易金额得分
(4) RFM得分 = RS*100+FS*10+MS*1 (如:RS=5, FS=2, MS=1, RFM=521)
3. 根据 RFM 得分对用户进行分类,如5分制可分出 5*5*5=125 类用户
(二) 概括分类:
一、传统RFM模型分类:
将每个指标分为高、低两个等级,这样可以将用户分为8类:
1. 重要价值用户 (RFM):最近消费时间近、消费频次和消费金额都很高,VIP
2. 重要保持用户 (FM):最近消费时间较远、但消费频次和金额都很高,一段时间没来的忠诚用户,需要主动和他保持联系
3. 重要发展用户 (RM):最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,需重点发展。
4. 重要挽留用户 (M):最近消费时间较远、消费频次不高、但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当基于挽留措施。
(一般价值用户 (RF)、一般保持用户 (F)、一般发展用户 (R)、一般挽留用户)
![](https://img.haomeiwen.com/i4755518/6cffa27408e5e95b.png)
二、RFML模型分类:
![](https://img.haomeiwen.com/i4755518/fd8883292cc66d72.jpg)
![](https://img.haomeiwen.com/i4755518/8dc47979c187f9fd.jpg)
![](https://img.haomeiwen.com/i4755518/ef5a07307503aa10.jpg)
![](https://img.haomeiwen.com/i4755518/4dd189dde5ccc433.jpg)
举例:R和L很高,但中间什么也没有买。这些客户不会通过Frequency的测试,不会被当作重要客户,属于“不温不火的老客户”。
![](https://img.haomeiwen.com/i4755518/5012b984d941783a.jpg)
策略调整 / 指导执行
(一) 单项维度解读
Recency:
1. 越近,越有可能对提供的即时商品或服务有反应。
如:吸引几个月前才消费过的用户产生购买,比吸引一年多以前来过的用户更容易。
2. 最近一次购买间隔很近用户(如,1个月)人数的增减,可以很好地反应公司的稳健成长。
Frequency:
与用户忠诚度、满意度直接相关。
增加用户购买次数意味着从竞争对手处偷取市场占有率,由别人的手中赚取营业额。
Monetary:
消费金额是所有数据库报告的支柱,与用户消费实力/潜力直接相关。
帕雷托法则(Pareto’s Law):公司80%的收入来自20%的顾客。
表现最好的10%的用户和表现最差的10%的用户平均花费相差甚远。
(二) 整体维度应用
1. 识别优质客户。可以指定个性化的沟通和营销服务,为更多的营销决策提供有力支持。
2. 能够衡量客户价值和客户利润创收能力。如,GMV主要贡献值在于流失客户身上,可能反映从老客户身上挖掘的价值还不够,新客的二次召回则是重点要关注的问题。
3. 活动响应率、ROI等指标的预测和把控。
https://baike.baidu.com/item/RFM%E6%A8%A1%E5%9E%8B/7070365?fr=aladdin
https://baike.1688.com/doc/view-d5947821.html
SPSS操作:
1. 整理数据指标,RFM接受的数据格式有两种:
(1) 交易数据:每次交易数据占一行,关键变量是客户ID、交易时间、交易金额。
(2) 客户数据:每个用户数据占一行,关键变量是客户ID、交易总金额、最近交易日期、交易总次数。
通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据,而客户数据无法还原成交易数据。
2. 结果解读
![](https://img.haomeiwen.com/i4755518/71426be54defcacc.png)
“RFM分箱计数图”主要用来查看每个RFM汇总得分的客户数量分布是否均匀。
我们期望均匀的分布,若不均分,则应该重新考虑 RFM 的适用性或尝试另一种分箱方法(减少分箱数目或随机分配绑定值)。
![](https://img.haomeiwen.com/i4755518/c4a7deb5f0e22cbd.png)
“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示,用颜色深浅表示交易金额均值的大小,颜色越深,表示相应矩阵块内的客户交易金额均值越高。
如本例随着RS和FS的分值增大,颜色越来越深,说明客户最近一次交易时间越近、交易次数越多,其平均交易金额越高。
![](https://img.haomeiwen.com/i4755518/03be30463389e037.png)
该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。
通过散点图可以清晰直观的看到三个分析指标两两之间的关系,便于指标相关性评估。
本例中,交易总次数和交易总金额存在较为明显的线性关系,而最后一次交易时间和另外两个分析指标之间的相关性较弱。
报告示例:
![](https://img.haomeiwen.com/i4755518/08b5d9f35ace4227.jpg)
![](https://img.haomeiwen.com/i4755518/344b7a8fb54a1c19.jpg)
![](https://img.haomeiwen.com/i4755518/46026fc665fa382b.jpg)