正文

如何利用RFM對(duì)客戶(hù)進(jìn)行分類(lèi)（如何利用rfm對(duì)客戶(hù)進(jìn)行分類(lèi)分析）

發(fā)布時(shí)間：2023-04-19 00:27:08 稿源：創(chuàng)意嶺閱讀： 130

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于如何利用RFM對(duì)客戶(hù)進(jìn)行分類(lèi)的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話(huà)答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線(xiàn)網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶(hù)遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話(huà)175-8598-2043，或添加微信：1454722008

本文目錄:

1、如何使用RFM分析最具價(jià)值的網(wǎng)游付費(fèi)用戶(hù)
2、基于RFM的客戶(hù)價(jià)值分析報(bào)告
3、數(shù)據(jù)分析小試牛刀-1
4、【知識(shí)分享】RFM模型與顧客生命周期管理（二）

如何利用RFM對(duì)客戶(hù)進(jìn)行分類(lèi)（如何利用rfm對(duì)客戶(hù)進(jìn)行分類(lèi)分析）

一、如何使用RFM分析最具價(jià)值的網(wǎng)游付費(fèi)用戶(hù)

IBM SPSS Statistics 18 版本后，新增加了客戶(hù)直銷(xiāo)模塊，該模塊的操作界面簡(jiǎn)單明了，結(jié)果報(bào)告分析清晰易懂，可以廣泛的應(yīng)用于電信，零售，銀行，保險(xiǎn)，證券，傳媒，市場(chǎng)研究等行業(yè)領(lǐng)域，是為市場(chǎng)營(yíng)銷(xiāo)人員精心設(shè)計(jì)的用以提高直銷(xiāo)效率，改善直銷(xiāo)活動(dòng)效果的工具。

該模塊最重要的就是RFM模型，有關(guān)該模型的內(nèi)容參見(jiàn)http://wiki.mbalib.com/wiki/RFM模型

以下為某段時(shí)間用戶(hù)購(gòu)買(mǎi)的記錄（模擬數(shù)據(jù)），點(diǎn)擊菜單欄“直銷(xiāo)”|“選擇方法”。

之后便會(huì)彈出如下的直銷(xiāo)菜單選項(xiàng)

在“直銷(xiāo)”模塊中，分為三部分：

了解我的聯(lián)系人：用于對(duì)客戶(hù)信息進(jìn)行分析，將客戶(hù)根據(jù)不同的特征進(jìn)行分類(lèi)。

改進(jìn)我的市場(chǎng)營(yíng)銷(xiāo)活動(dòng)，預(yù)測(cè)客戶(hù)對(duì)營(yíng)銷(xiāo)活動(dòng)的響應(yīng)率。

對(duì)我的數(shù)據(jù)評(píng)分，利用“選擇最有可能購(gòu)買(mǎi)的聯(lián)系人”和其他模塊中的多種程序構(gòu)建預(yù)測(cè)模型，根據(jù)預(yù)測(cè)模型對(duì)新的用戶(hù)數(shù)據(jù)評(píng)分。

此處介紹使用直銷(xiāo)模塊的“了解我的聯(lián)系人”

分析幫助標(biāo)識(shí)我的最佳聯(lián)系人（RFM分析）

通過(guò)本文了解如何使用客戶(hù)直銷(xiāo)分析模塊中的RFM分析功能了解目標(biāo)客戶(hù)，從而幫助我們針對(duì)不同的客戶(hù)指定smart營(yíng)銷(xiāo)策略提供更可靠的依據(jù)。

RFM分析目標(biāo)客戶(hù)

RFM是眾多的客戶(hù)關(guān)系管理（CRM）分析模式中，被廣泛提到和應(yīng)用的模型之一。該模型應(yīng)用于衡量客戶(hù)價(jià)值和客戶(hù)創(chuàng)造的利潤(rùn)能力的分析。RFM模型通過(guò)一個(gè)客戶(hù)的最近一次消費(fèi)（Regency）、消費(fèi)總體頻率（Frequency）以及消費(fèi)金額（Monetary）對(duì)客戶(hù)進(jìn)行RFM打分，根據(jù)客戶(hù)的RFM得分來(lái)描述該客戶(hù)的價(jià)值情況。

最近一次消費(fèi)：最近上一次消費(fèi)時(shí)間是評(píng)價(jià)客戶(hù)價(jià)值的重要指標(biāo)，理論上，最近購(gòu)買(mǎi)產(chǎn)品或者服務(wù)的顧客，最有可能成為再次光臨的消費(fèi)者，最推出的新品也最有可能做出反應(yīng)。

消費(fèi)總體頻率：消費(fèi)總體頻率是在限定時(shí)間內(nèi)的購(gòu)買(mǎi)次數(shù)。最長(zhǎng)購(gòu)買(mǎi)的顧客，也是滿(mǎn)意度最高的顧客。

消費(fèi)金額：消費(fèi)金額是在限定時(shí)間期間購(gòu)買(mǎi)金額的綜合。根據(jù)“帕累托”法則–通常80%的利潤(rùn)來(lái)自20%的重要客戶(hù)，消費(fèi)金額越多的客戶(hù)越是需要維系的關(guān)系客戶(hù)。

也由此，根據(jù)三個(gè)指標(biāo)，對(duì)客戶(hù)進(jìn)行評(píng)級(jí)。在此假設(shè)三個(gè)指標(biāo)的界別分別為1到5,5為最高級(jí)別：

基于最近購(gòu)買(mǎi)日期或自最近購(gòu)買(mǎi)以來(lái)的時(shí)間間隔，消費(fèi)日期越近或時(shí)間間隔越短，客戶(hù)等級(jí)越低，為1.

針對(duì)客戶(hù)消費(fèi)頻率，為客戶(hù)分配一個(gè)頻率等級(jí)，其中較高的值代表購(gòu)買(mǎi)頻率較高。例如，將最長(zhǎng)購(gòu)買(mǎi)的客戶(hù)的購(gòu)買(mǎi)頻率等級(jí)評(píng)為5.

按消費(fèi)金額對(duì)客戶(hù)進(jìn)行評(píng)級(jí)，其中消費(fèi)金額值最高的客戶(hù)將獲得最高等級(jí)5.

將客戶(hù)的三個(gè)指標(biāo)等級(jí)合并就得到RFM得分。RFM得分最高的客戶(hù)即為對(duì)新產(chǎn)品最有可能做出反應(yīng)的客戶(hù)。例如，某客戶(hù)最近一次消費(fèi)，消費(fèi)總體頻率和消費(fèi)金額的等級(jí)分別是4、3、5，該客戶(hù)的RFM得分是435.

應(yīng)用背景及數(shù)據(jù)描述

事實(shí)上如果針對(duì)傳統(tǒng)行業(yè)的新產(chǎn)品進(jìn)行推銷(xiāo)，我們不需要進(jìn)行RFM模型的改進(jìn)可以直接進(jìn)行分析使用。然而當(dāng)我們?cè)陔娮由虅?wù)領(lǐng)域或者游戲行業(yè)的最具價(jià)值玩家的提取和分析角度，我們需要對(duì)該模型進(jìn)行改進(jìn)實(shí)施。

在此處，我們參考一個(gè)案例“基于RFM的電信客戶(hù)市場(chǎng)細(xì)分方法”（http://wiki.mbalib.com/wiki/RFM模型），如果我們從玩家的購(gòu)買(mǎi)記錄著手，我們發(fā)現(xiàn)，玩家會(huì)在極其短暫的時(shí)間內(nèi)，購(gòu)買(mǎi)多次道具，那么我們?nèi)绻且杂脩?hù)的購(gòu)買(mǎi)次數(shù)作為頻度來(lái)衡量，就失去了RFM模型本身的價(jià)值，于是我們考慮以用戶(hù)的充值次數(shù)作為頻度計(jì)數(shù)分析。同時(shí)依據(jù)電子購(gòu)買(mǎi)的周期特點(diǎn)進(jìn)行調(diào)整。

具體操作分析：

在進(jìn)入直銷(xiāo)面板后，選擇數(shù)據(jù)格式，彈出“RFM分析：數(shù)據(jù)格式”對(duì)話(huà)框：

RFM數(shù)據(jù)格式

RFM分析根據(jù)數(shù)據(jù)行表示的含義分為來(lái)自交易數(shù)據(jù)的RFM分析和來(lái)自客戶(hù)數(shù)據(jù)的RFM分析。

來(lái)自交易數(shù)據(jù)的RFM分析

當(dāng)數(shù)據(jù)行表示單筆單筆交易記錄，選擇交易數(shù)據(jù)的RFM分析。交易數(shù)據(jù)舉例如下圖，數(shù)據(jù)列中包含用戶(hù)ID，產(chǎn)皮信息，購(gòu)買(mǎi)時(shí)間和消費(fèi)金額；數(shù)據(jù)行表示一個(gè)客戶(hù)的一條購(gòu)買(mǎi)記錄，一個(gè)客戶(hù)可以有多條購(gòu)買(mǎi)記錄。

來(lái)自客戶(hù)數(shù)據(jù)的RFM分析

當(dāng)數(shù)據(jù)行表示單個(gè)客戶(hù)的交易記錄，選擇客戶(hù)數(shù)據(jù)的RFM分析。客戶(hù)數(shù)據(jù)舉例如下，數(shù)據(jù)列中包含客戶(hù)ID，該客戶(hù)消費(fèi)的總金額，最近購(gòu)買(mǎi)日期，購(gòu)買(mǎi)總次數(shù)和最近一次購(gòu)買(mǎi)時(shí)間間隔。

本例使用交易類(lèi)型的數(shù)據(jù)，選擇“交易數(shù)據(jù)”，點(diǎn)擊“繼續(xù)”，進(jìn)入“交易數(shù)據(jù)的RFM分析”對(duì)話(huà)框，如下圖，如果是客戶(hù)類(lèi)型，選擇“客戶(hù)數(shù)據(jù)”。

在“變量”頁(yè)面中，將變量“account”，“time”，“income”分別選入對(duì)應(yīng)的“客戶(hù)標(biāo)識(shí)符”，“交易日期”，“交易金額”文本框中。

在“摘要方法”下拉框中有四種匯總每個(gè)客戶(hù)交易金額的方法：總計(jì)（交易金額總額），均值，中位數(shù)或最大值（最高交易金額）。

本數(shù)據(jù)中，交易金額是單詞充值的錢(qián)數(shù)，選擇“總計(jì)”。

進(jìn)入“離散化”頁(yè)面，如圖

在RFM分析中，需要將最近一次消費(fèi)、消費(fèi)總體頻率、消費(fèi)金額進(jìn)行分級(jí)，在對(duì)數(shù)據(jù)的實(shí)際操作中就是將大量數(shù)值分類(lèi)，稱(chēng)之為“離散化”。在“離散化”頁(yè)面中可以設(shè)定將數(shù)值分類(lèi)的方法。

在“離散化方法”框中可以定義數(shù)據(jù)是按照三個(gè)指標(biāo)的優(yōu)先級(jí)依次分類(lèi)或三個(gè)指標(biāo)獨(dú)立分類(lèi)。

在 RFM 分析結(jié)果輸出中，類(lèi)別對(duì)應(yīng)著相應(yīng)的塊。在“塊數(shù)”框中可以指定三個(gè)指標(biāo)的塊數(shù)。每個(gè)指標(biāo)可選擇 1 到 9 級(jí)進(jìn)行分塊，默認(rèn)分為 5 塊。

“結(jié)”是指具有相同指標(biāo)值的客戶(hù)。在“結(jié)”框中可以指定對(duì)具有相同指標(biāo)值的客戶(hù)如何分配到對(duì)應(yīng)的塊中。

選擇“保存”頁(yè)面，如圖所示。

在“保存”頁(yè)面中，可以指定想要保存的變量，包括三個(gè)指標(biāo)的原始變量，對(duì)原始變量分級(jí)后的變量（以“_ 得分”為后綴名命名的變量）以及 RFM 得分。還可以指定新生數(shù)據(jù)的保存位置。

選擇“輸出”頁(yè)面，如圖所示。

已離散化數(shù)據(jù)中設(shè)置的輸出圖表是對(duì)圖中“已保存變量的名稱(chēng)”中的“嶄新 _ 得分”、“頻率 _ 得分”和“消費(fèi)金額 _ 得分”進(jìn)行描述。

未離散化數(shù)據(jù)中設(shè)置的輸出圖是對(duì)圖中“已保存變量的名稱(chēng)”中的“最 _ 近 _ 日期”、“交易 _ 計(jì)數(shù)”和“金額”進(jìn)行描述。

可以根據(jù)需要選擇輸出的圖表。在此選擇所有輸出圖表。

全部設(shè)置完后，點(diǎn)擊“確定”按鈕，就可以得到客戶(hù)的 RFM 得分，并可以在 IBM SPSS Statistics 的輸出查看器中通過(guò)圖表查看根據(jù)三個(gè)指標(biāo)分塊后的客戶(hù)分布情況。

分析結(jié)果展現(xiàn)（分析報(bào)告在下一篇文章中闡述）

新生成數(shù)據(jù)，各項(xiàng)得分

RFM散點(diǎn)圖

RFM直方圖

RFM熱圖

RFM計(jì)數(shù)表

RFM計(jì)塊圖

以上就是通過(guò)RFM進(jìn)行最具價(jià)值客戶(hù)分析的全過(guò)程，有關(guān)于結(jié)果的解讀將在下一篇文章說(shuō)明。

展望：

RFM模型在網(wǎng)游方面的應(yīng)用目前還比較淺，由于作為互聯(lián)網(wǎng)行業(yè)的性質(zhì)與傳統(tǒng)的行業(yè)有所不同，我們需要在更加的短暫的時(shí)間內(nèi)，專(zhuān)注于用戶(hù)的屬性和需求。其實(shí)，在網(wǎng)游應(yīng)用上，我覺(jué)得更多的是通過(guò)RFM刺激哪些已經(jīng)付費(fèi)但付費(fèi)頻度不高的用戶(hù)，其實(shí)他們是最容易轉(zhuǎn)化成我們的穩(wěn)定付費(fèi)用戶(hù)，換句話(huà)說(shuō)，在游戲內(nèi)一系列的贈(zèng)送活動(dòng)之外，針對(duì)這些群體應(yīng)該給予特殊的不同的福利和關(guān)照，讓他們感到溫暖，即使你支付了一毛錢(qián)。因?yàn)槟慵热灰粭l腿踏上了賊船，就不會(huì)下來(lái)了。因?yàn)槟阃度肓四愕木?，時(shí)間，金錢(qián)。

明日把上面各圖的含義和分析向諸位闡述一下，希望對(duì)大家有幫助。

二、基于RFM的客戶(hù)價(jià)值分析報(bào)告

項(xiàng)目背景

在面向客戶(hù)制定運(yùn)營(yíng)策略、營(yíng)銷(xiāo)策略時(shí)，我們希望針對(duì)不同的客戶(hù)推行不同的策略，實(shí)現(xiàn)精準(zhǔn)化運(yùn)營(yíng)，以期獲取最大的轉(zhuǎn)化率。精準(zhǔn)化運(yùn)營(yíng)的前提是客戶(hù)分類(lèi)。通過(guò)客戶(hù)分類(lèi)，對(duì)客戶(hù)群體進(jìn)行細(xì)分，區(qū)別出低價(jià)值客戶(hù)、高價(jià)值客戶(hù)，對(duì)不同的客戶(hù)群體開(kāi)展不同的個(gè)性化服務(wù)，將有限的資源合理地分配給不同價(jià)值的客戶(hù)，實(shí)現(xiàn)效益最大化。在客戶(hù)分類(lèi)中，RFM模型是一個(gè)經(jīng)典的分類(lèi)模型，模型利用通用交易環(huán)節(jié)中最核心的三個(gè)維度——最近消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)細(xì)分客戶(hù)群體，從而分析不同群體的客戶(hù)價(jià)值。

項(xiàng)目目標(biāo)

本項(xiàng)目借助某電商客戶(hù)數(shù)據(jù)，探討如何對(duì)客戶(hù)群體進(jìn)行細(xì)分，以及細(xì)分后如何利用RFM模型對(duì)客戶(hù)價(jià)值進(jìn)行分析。在本項(xiàng)目中，主要希望實(shí)現(xiàn)以下三個(gè)目標(biāo)：1.借助某電商客戶(hù)數(shù)據(jù)，對(duì)客戶(hù)進(jìn)行群體分類(lèi)；2.比較各細(xì)分群體的客戶(hù)價(jià)值；3.對(duì)不同價(jià)值的客戶(hù)制定相應(yīng)的運(yùn)營(yíng)策略。

分析過(guò)程

1.數(shù)據(jù)預(yù)覽

我們的源數(shù)據(jù)是訂單表，記錄著用戶(hù)交易相關(guān)字段

通過(guò)數(shù)據(jù)可以發(fā)現(xiàn)，訂單狀態(tài)有交易成功和退款關(guān)閉的，檢查是否還有其他情況

只有這兩種情況，后續(xù)清洗中需剔除退款訂單。然后觀(guān)察數(shù)據(jù)類(lèi)型與缺失情況

訂單一共28833行，沒(méi)有缺失，付款日期是時(shí)間格式，實(shí)付金額、郵費(fèi)和購(gòu)買(mǎi)數(shù)量是數(shù)值型，其他均為字符串類(lèi)型

2. 數(shù)據(jù)清洗

(1)剔除退款

(2)關(guān)鍵字段提?。禾崛FM模型所需要的買(mǎi)家昵稱(chēng)，付款時(shí)間，實(shí)付金額

(3)關(guān)鍵字段構(gòu)造：構(gòu)建模型所需的三個(gè)字段，R(最近一次購(gòu)買(mǎi)時(shí)間間隔),F(購(gòu)買(mǎi)頻次),M(平均或累計(jì)購(gòu)買(mǎi)金額)

首先構(gòu)造R值，思路是按買(mǎi)家昵稱(chēng)分組，選取付款日期最大值

為了得到最終的R值，用今天減去每位用戶(hù)最近一次付款時(shí)間，就得到R值了，這份訂單是7月1日生成的，所以這里我們把“2019-7-1”當(dāng)作“今天”

然后處理F,即每個(gè)用戶(hù)累計(jì)購(gòu)買(mǎi)頻次( 明確一下單個(gè)用戶(hù)一天內(nèi)購(gòu)買(mǎi)多次訂單合并為一次訂單 )

思路：引入一個(gè)精確到天的日期標(biāo)簽，依照“買(mǎi)家昵稱(chēng)”和“日期標(biāo)簽”分組，把每個(gè)用戶(hù)一天內(nèi)的多次下單合并，再統(tǒng)計(jì)購(gòu)買(mǎi)次數(shù)

最后處理M,本案例M指用戶(hù)平均支付金額，可以通過(guò)總金額除以購(gòu)買(mǎi)頻次計(jì)算出來(lái)

三個(gè)指標(biāo)合并

3. 維度打分

維度確認(rèn)的核心是分值確定。RFM模型中打分一般采取5分制，依據(jù)數(shù)據(jù)和業(yè)務(wù)的理解，進(jìn)行分值的劃分

R值依據(jù)行業(yè)經(jīng)驗(yàn)，設(shè)置為30天一個(gè)跨度，區(qū)間左閉右開(kāi)

F值和購(gòu)買(mǎi)頻次掛鉤，每多購(gòu)買(mǎi)一次，分值多加一分

M值我們按照50元的一個(gè)區(qū)間來(lái)進(jìn)行劃分

這一步我們確定了一個(gè)打分框架，每一個(gè)用戶(hù)的每個(gè)指標(biāo)，都有其對(duì)應(yīng)的分值

4. 分值計(jì)算

(1)算出每個(gè)用戶(hù)的R,F,M分值

(2)簡(jiǎn)化分類(lèi)結(jié)果

通過(guò)判斷每個(gè)客戶(hù)的R,F,M值是否大于平均值，來(lái)簡(jiǎn)化分類(lèi)結(jié)果。0表示小于平均值，1表示大于平均值，整體組合下來(lái)有8個(gè)分組

5.客戶(hù)分層

RFM經(jīng)典分層按照R,F,M每一項(xiàng)指標(biāo)是否高于平均值，把用戶(hù)劃分為8類(lèi)

Python實(shí)現(xiàn)思路如下：先定義一個(gè)人群數(shù)值，將之前判斷的R,F,M是否大于均值的三個(gè)值加起來(lái)

人群數(shù)值是數(shù)值類(lèi)型，位于前面的0會(huì)自動(dòng)略過(guò)，比如1代表001的高消費(fèi)喚回客戶(hù)人群，10對(duì)應(yīng)010的一般客戶(hù)

然后在python中定義一個(gè)判斷函數(shù)，通過(guò)判斷人群數(shù)值，來(lái)返回對(duì)應(yīng)的分類(lèi)標(biāo)簽

數(shù)據(jù)解讀與建議：

首先查看各類(lèi)用戶(hù)占比情況

然后查看不同類(lèi)型客戶(hù)消費(fèi)金額貢獻(xiàn)占比

最后導(dǎo)出數(shù)據(jù)，在tableau中數(shù)據(jù)可視化展示

通過(guò)數(shù)據(jù)可視化后，我們可以發(fā)現(xiàn)：

1.客戶(hù)流失情況嚴(yán)重，高消費(fèi)喚回客戶(hù)，流失客戶(hù)占比超過(guò)總客戶(hù)的50%

2.高消費(fèi)喚回客戶(hù)和頻次深耕客戶(hù)的金額總占比約66%，這兩部分客戶(hù)是消費(fèi)的重點(diǎn)客戶(hù)

3.流失客戶(hù)和新客戶(hù)的總?cè)藬?shù)占比約38%，但金額總占比只有約13%

建議：

1.針對(duì)高消費(fèi)喚回客戶(hù)，流失客戶(hù)采用喚回策略，推送相關(guān)信息，發(fā)禮品券等挽留客戶(hù)

2.針對(duì)高消費(fèi)喚回客戶(hù)和頻次深耕客戶(hù)，考慮繼續(xù)挖掘其消費(fèi)特性，如喜愛(ài)購(gòu)買(mǎi)的產(chǎn)品，消費(fèi)的時(shí)間段，后續(xù)據(jù)此加強(qiáng)店鋪產(chǎn)品與時(shí)間段的改進(jìn)，最大程度留住這兩部分客戶(hù)

3.針對(duì)流失客戶(hù)和新客戶(hù)金額總占比低，建議推出一些低價(jià)產(chǎn)品，用來(lái)拉取新客戶(hù)，保證店鋪的活躍性。

三、數(shù)據(jù)分析小試牛刀-1

一．背景介紹

一家在英國(guó)注冊(cè)的非商店在線(xiàn)零售店主要銷(xiāo)售獨(dú)特的禮品，其中許多客戶(hù)是批發(fā)商。下文針對(duì)該店2010年12月1日至2011年12月9日期間發(fā)生的所有交易數(shù)據(jù)進(jìn)行多角度的分析，以提高該店銷(xiāo)售量，降低退貨率。

二．提出問(wèn)題及分析思路

客戶(hù)總數(shù)量，每月客戶(hù)數(shù)量？

分析不同客戶(hù)的價(jià)值，進(jìn)行精準(zhǔn)化營(yíng)銷(xiāo)？

商品的種類(lèi)，熱銷(xiāo)商品以及退貨訂單數(shù)高的商品種類(lèi)？

客戶(hù)所屬?lài)?guó)家，不同國(guó)家的訂單數(shù)，退貨訂單數(shù)以及銷(xiāo)售金額？具體分析思路如下：

三.理解，清洗數(shù)據(jù)

1.理解數(shù)據(jù)

本數(shù)據(jù)集來(lái)源于開(kāi)源數(shù)據(jù)集網(wǎng)站kaggle： https://www.kaggle.com/carrie1/ecommerce-data

數(shù)據(jù)有542K行X 8列，8個(gè)字段如下：

2.數(shù)據(jù)清洗

2.1缺失值處理

a.在記錄中找到1454條描述詳情為空，單價(jià)為0，無(wú)客戶(hù)編碼的記錄,這些數(shù)據(jù)對(duì)我們作用不大，將其刪除。

b.存在133k條數(shù)據(jù)客戶(hù)號(hào)碼缺失，因數(shù)據(jù)量大，暫不明確它是否有作用，先保留后再看看能否使用。

2.2 發(fā)票日期和時(shí)間處理

發(fā)現(xiàn)日期和時(shí)間之間存在空格，利用分列工具將它進(jìn)行數(shù)據(jù)處理。補(bǔ)全字段名字“Time”

四.構(gòu)建模型

1.2010年12月1日至2011年12月9日期間總客戶(hù)數(shù)量，及每月客戶(hù)數(shù)。

通過(guò)上面的統(tǒng)計(jì)可知：

a.店鋪這段時(shí)間的總顧客有4372，平均每個(gè)月有1082位客戶(hù)。（其中2011年12月數(shù)據(jù)只有前9天數(shù)據(jù)，故不計(jì)入），很多客戶(hù)存在重復(fù)購(gòu)買(mǎi)行為。

b. 2011年1月至8月，客戶(hù)數(shù)量有著小幅度的波動(dòng)，在9月之后持續(xù)增長(zhǎng)。

2.通過(guò)建立RFM模型尋找價(jià)值客戶(hù)

利用RFM模型分析客戶(hù)近期的購(gòu)買(mǎi)行為，頻率及消費(fèi)金額三項(xiàng)指標(biāo)來(lái)描述客戶(hù)的價(jià)值和創(chuàng)利能力（Recency：距離最近一次購(gòu)買(mǎi)的時(shí)間，F(xiàn)requency:購(gòu)買(mǎi)次數(shù)，Monetary:購(gòu)買(mǎi)總金額）

將上述SQL得出的數(shù)據(jù)導(dǎo)出為xlsx格式到excel中進(jìn)行處理。

首先將時(shí)間設(shè)定為2011/12/10，然后統(tǒng)一得出距離2011/12/10最后一次購(gòu)買(mǎi)的時(shí)間。

設(shè)置R,F,M參數(shù)并打分

備注：R參數(shù)打分原則為距離最近一次購(gòu)買(mǎi)時(shí)間大于0天，小于15天的打5分，依次類(lèi)推；F參數(shù)打分原則為購(gòu)買(mǎi)次數(shù)大于0次，小于2次，得1分；依次類(lèi)推。M參數(shù)打分原則為訂單金額大于-5000，小于250，得1分；依次類(lèi)推。

通過(guò)參數(shù)分?jǐn)?shù)的設(shè)置，利用lookup函數(shù)給用戶(hù)打分：

打分結(jié)果統(tǒng)計(jì)如下：

可以看出分布比較均勻，說(shuō)明參數(shù)設(shè)置合理。

然后計(jì)算出用戶(hù)RFM的平均值，將每個(gè)用戶(hù)的R/F/M分?jǐn)?shù)與平均值比較，如果大于平均值則為1，小于平均值為0.

然后連接RFM值，這樣得到了所有用戶(hù)的RFM值,對(duì)客戶(hù)進(jìn)行分類(lèi)如下圖：

當(dāng)RF=111時(shí)，表示客戶(hù)最近有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)多，交易金額高；

這類(lèi)客戶(hù)是重要價(jià)值客戶(hù)，需要保持。

當(dāng)RF=110時(shí)，表示客戶(hù)最近有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)多，交易金額較低；

這類(lèi)客戶(hù)是潛力客戶(hù)，需要挖掘跟進(jìn)。

當(dāng)RF=001時(shí)，表示客戶(hù)最近沒(méi)有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)少，交易金額高；

這類(lèi)客戶(hù)是是潛在的有價(jià)值客戶(hù)，需要挽留。

當(dāng)RF=000時(shí)，表示客戶(hù)最近沒(méi)有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)少，交易金額低；

表示這類(lèi)客戶(hù)已流失。

當(dāng)RF=101時(shí)，表示客戶(hù)最近有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)少，交易金額高；

這類(lèi)客戶(hù)是重要深耕客戶(hù)，需要重點(diǎn)識(shí)別。

當(dāng)RF=100時(shí)，表示客戶(hù)最近有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)少，交易金額低；

這類(lèi)客戶(hù)是新客戶(hù)，具有推廣價(jià)值。

當(dāng)RF=011時(shí)，表示客戶(hù)最近沒(méi)有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)多，交易金額高；

這類(lèi)客戶(hù)是重要喚回客戶(hù)，需要喚回。

當(dāng)RF=010時(shí)，表示客戶(hù)最近沒(méi)有購(gòu)買(mǎi)行為，購(gòu)買(mǎi)次數(shù)多，交易金額低；

這類(lèi)客戶(hù)是一般維持客戶(hù)，交易次數(shù)多，但貢獻(xiàn)不大。

通過(guò)統(tǒng)計(jì)可以看出，店鋪的重要喚回客戶(hù)較多，其次是流失客戶(hù)，新客戶(hù)。這說(shuō)明了店鋪在留存方面的不足。

3. 統(tǒng)計(jì)商品種類(lèi)，不同商品的成功訂單數(shù)，退貨訂單數(shù)以及銷(xiāo)售金額

將以上的統(tǒng)計(jì)結(jié)果導(dǎo)出,整理得到

3.1 商品種類(lèi)有3828種。其中有39類(lèi)商品訂單數(shù)在1000及以上，熱銷(xiāo)的商品有白色t型燈座，3層蛋糕架，聚會(huì)彩旗，爆米花托，蛋糕盒，各類(lèi)包，儲(chǔ)物袋，午餐袋，果醬罐，明信片，小裝飾品，茶杯茶碟，燈具，餐巾紙等等。

3.2 退貨訂單數(shù)top10的商品（除去郵費(fèi)，樣品，折扣等特殊記錄）有3層蛋糕架,果醬罐，蛋糕食品柜，草莓陶瓷小飾品盒，茶杯茶碟，爆米花托，食譜盒，木制抽屜柜，紅色大袋子，紅色特大型午餐袋。

3.3 銷(xiāo)售金額top10的商品（除去郵費(fèi)外）有3層蛋糕架, 白色t型燈座，聚會(huì)彩旗，紅色特大型袋子，兔子夜燈，紙質(zhì)鏈盒，雜色鳥(niǎo)裝飾品，辣椒燈，野餐籃，爆米花托。

4. 統(tǒng)計(jì)客戶(hù)所屬?lài)?guó)家，每個(gè)國(guó)家的訂單數(shù)以及訂單總金額（交易成功金額，交易失敗金額）。

將SQL的數(shù)據(jù)導(dǎo)出，整理得到

4.1 訂單數(shù)top10的國(guó)家

4.2 成功訂單數(shù)top10的國(guó)家

4.3 退貨訂單數(shù)top10的國(guó)家

4.4 訂單總金額top10的國(guó)家

根據(jù)SQL統(tǒng)計(jì)結(jié)果可知:

a.客戶(hù)來(lái)源于37個(gè)國(guó)家（除去未知信息），大部分屬于歐洲國(guó)家；其中英國(guó)本地的客戶(hù)訂單數(shù)最多，占比90%以上。

b. 訂單總金額top10的國(guó)家為英國(guó)，荷蘭，愛(ài)爾蘭，德國(guó)，法國(guó)，澳大利亞，瑞士，西班牙，比利時(shí)，瑞典。其中英國(guó)的訂單總金額是最多的，占比84% 。澳大利作為其中唯一的太平洋國(guó)家，占有1.4%的訂單總金額。

五．結(jié)論及建議

1.店鋪在9月份之后客戶(hù)數(shù)量持續(xù)增長(zhǎng)，建議在8月底加大商品的上新。

2.店鋪的流失客戶(hù)，重要喚回客戶(hù)較多，說(shuō)明店鋪的留存做的不足。建議針對(duì)重要喚回客戶(hù)進(jìn)行精準(zhǔn)化營(yíng)銷(xiāo)活動(dòng)，以促進(jìn)這類(lèi)客戶(hù)的回流。

3.熱銷(xiāo)商品種類(lèi)例如有3層蛋糕架, 白色t型燈座，聚會(huì)彩旗，紅色特大型袋子，兔子夜燈，紙質(zhì)鏈盒，雜色鳥(niǎo)裝飾品，辣椒燈，野餐籃，爆米花托等可以進(jìn)行重點(diǎn)推銷(xiāo)或者進(jìn)行組合銷(xiāo)售。

4.針對(duì)退貨訂單數(shù)的商品可以看出有部分商品種類(lèi)與熱銷(xiāo)商品重合，因此店鋪要加大對(duì)商品品質(zhì)的保障。

5.加大歐洲其他國(guó)家如荷蘭，愛(ài)爾蘭，德國(guó)，法國(guó)，瑞士，西班牙，比利時(shí)，瑞典；澳大利亞的市場(chǎng)推廣。

四、【知識(shí)分享】RFM模型與顧客生命周期管理（二）

二. RFM模型的應(yīng)用

說(shuō)到應(yīng)用，主要可拆分為三個(gè)步驟：進(jìn)行客戶(hù)細(xì)分、輸出目標(biāo)客戶(hù)還有針對(duì)性的二次營(yíng)銷(xiāo)。與一般想象不同，并不是細(xì)分維度越多越好——我們主要有兩個(gè)指標(biāo)來(lái)幫助自己選擇合適的細(xì)分指標(biāo)：一是店鋪規(guī)模，而是店鋪的商品和顧客結(jié)構(gòu)。比如一個(gè)只有百人客戶(hù)群的店鋪，那么其用戶(hù)畫(huà)像的豐富性一定不及餓了么的外賣(mài)群體；一個(gè)只賣(mài)母嬰產(chǎn)品的垂直網(wǎng)站，其典型的用戶(hù)畫(huà)像一定是母親和幼兒，不論其用戶(hù)群大小。

這張表格闡述了營(yíng)銷(xiāo)方法、客戶(hù)細(xì)分以及營(yíng)銷(xiāo)策略三者之間的關(guān)系。從R值可區(qū)分顧客的活躍程度，從F值可以區(qū)分顧客的忠誠(chéng)程度，從M值可以區(qū)分顧客的可獲利程度。

我們可以根據(jù)RFM的綜合值給每個(gè)用戶(hù)進(jìn)行打分（線(xiàn)性？三維立體？），分?jǐn)?shù)越高的顧客對(duì)店鋪的意義和重要性越大。但不代表分?jǐn)?shù)低的那些組人員需要放棄。相反，我們?cè)俅螐?qiáng)調(diào)的是對(duì)于不同的顧客，營(yíng)銷(xiāo)策略要差異化。

CHAPTER THREE 顧客生命周期管理

生命周期，born-grow-flourish-decend-death，有生有亡，這是個(gè)必然的過(guò)程。顧客也是，每天有新人來(lái)，每天也有顧客遺忘你。作為店鋪管理者，需要關(guān)注的重點(diǎn)是如何有效的劃分客戶(hù)生命周期以及如何針對(duì)不同生命周期客戶(hù)制定有效的營(yíng)銷(xiāo)策略。

上表以店鋪售賣(mài)商品類(lèi)目回購(gòu)周期為維度，劃分了生命周期的五個(gè)階段，并標(biāo)明了客戶(hù)特征。供大家參考。

CHAPTER FOUR 顧客生命周期營(yíng)銷(xiāo)

結(jié)合上一張圖的顧客營(yíng)銷(xiāo)策略，這里是一張示例的計(jì)劃表。

這張圖列舉了目前市面上可見(jiàn)的維系類(lèi)活動(dòng)與營(yíng)銷(xiāo)類(lèi)活動(dòng)。

以上就是關(guān)于如何利用RFM對(duì)客戶(hù)進(jìn)行分類(lèi)相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。