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

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：

修改后则可以准确、全面地描绘用户的购买情况：

(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)

二、RFML模型分类：

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”。

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

“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)。

“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。

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：