RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。RFM是一种综合评分的分类模型，由于其计算简单方便，在众多的客户细分模型中，RFM模型是被广泛提到和使用的。
一、RFM模型
RFM分析主要由3个指标组成，分别为R（Recency，近度）、F（Frequency频度）、M(Monetary,额度）组成。RFM是三个指标的缩写：Recency:最近一次消费距离现在的时间，该值越小越好；Frequency：某段时间内的消费次数，这个值越大越好；Monetary：某段时间内的消费金额，对于企业来说，消费自然越多越好。这三个维度需要根据实际业务确定，比如针对游戏行业，R可以定义为最近一次充值距离现在的时间，F可以定义为某段时间的充值次数，M为某段时间的充值金额。
| 指标 | 解释 | 意义 |
|---|---|---|
| R（Recency,近度） | 客户最近一次交易时间到当前时间的间隔 | R越大，表示客户越久为发生交易；R越小，表示客户越近有交易发生 |
| F（Frequency,频度） | 客户在最近一段时间内交易的次数 | F越大，表示客户交易越频繁； F越小，表示客户交易越少 |
| M（Monetary,额度） | 客户在最近一段时间内交易的金额 | M越大，表示客户价值越高；M越小，表示客户价值越低 |
依据如上三项指标，划分为6,8,11等几种模型。最常见的为8种：
二、RFM的评分
RFM模型基于下面的理解：假设最近有过交易行为的客户比最近没有交易行为的客户，更有可能再次发生交易行为；假设交易频率较高的客户比交易频率较低的客户，更有可能中再次发生交易行为；假设过去所有交易总金额更多的客户比交易总金额较少的客户，更有消费积极性。如果没有特别的分组标准，通常按照平均值划分为两个组，并分别赋值1,2。
定义 | 说明 | 取值 | 说明 |
R_score | 近度得分，最近一次交易日期距离指定日期越近，R_score越大 | 2 | R<=平均值 |
1 | R>=平均值 | ||
F_score | 频度得分，交易频率越高，F_score越大 | 2 | F>=平均值 |
1 | F<=平均值 | ||
M_score | 额度得分，交易金额越高，M_score越大 | 2 | M>=平均值 |
1 | M<=平均值 |
2.1 R值分：最近一次消费（Recency）
消费指的是客户在店铺消费最近一次和当前的时间间隔，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（时间截至2016年12月31日）：
从图中可以看出，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%。这个数据说明每引入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，R值在不断的变为0。
2.2 F值分：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，一般店铺在运营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）：
从图中可以看出，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%。
2.3 M值分：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。
可能有些店铺不会那么精确，一般也会控制在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，M值对客户细分的作用相对较弱。
2.4 RFM综合加权得分
在得到R值、F值、M值的分组分值后，就可以计算RFM综合分值了，常用的RFM综合分值计算公式为
RFM = 100×R值 + 10×值 + 1×M值
这样设置的原因是用百十个位的组合，考虑了这几个指标的实际作用和效果，构造一个RFM分值，三个分数的加权平均数。
三、RFM模型的数据准备
数据来源于英国在线零售数据。数据里涵盖了从2010年12月1号到2011年12月9号期间在英国注册的在线零售店发生的所有交易。该公司主要销售一些通用的节日礼品，其客户许多都是批发商。
3.1 数据源
Online Retail.xlsx百度网盘数据文件
数据来源于英国在线零售数据。数据里涵盖了从2010年12月1号到2011年12月9号期间在英国注册的在线零售店发生的所有交易。该公司主要销售一些通用的节日礼品，其客户许多都是批发商。
主要字段信息：
| InvoiceNo | StockCode | Description | Quantity | InvoiceDate | UnitPrice | CustomerID | Country |
|---|---|---|---|---|---|---|---|
| 发票编号。 | |||||||
| 标称值，6位整数。如果代码以字母“c”开头，则表示取消 | 产品代码。标称值，为每个不同的产品唯一分配的5位整数 | 产品名 | 产品数量 | 发票日期 | 单价，英镑单位的产品价格 | 客户编码 | 每个客户所在的国家 |
3.2 数据源图片展示
四、RFM模型的数据处理
总结
参考文献
1.(R语言 RFM分析)[https://blog.csdn.net/weixin_58587245/article/details/122767879]
2.(深入解读RFM模型(内含实例))[https://www.aisoutu.com/a/1203113]
3.(数据分析实战-RFM模型)[https://zhuanlan.zhihu.com/p/407283531]
标签：score,模型,分类,客户,购买,交易,RFM 来源： https://www.cnblogs.com/haohai9309/p/16453786.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。