本文介绍了RFM模型在数据分析中的应用，特别是在腾讯面试中的一个实际问题。通过RFM（最近一次消费、消费频率、消费金额）模型进行用户分群，然后探讨了如何结合聚类算法进行数据处理。文章提到了数据标准化和降维作为解决数据集中问题的思路，同时提出了“先分类再聚类”的方法，利用kmodes聚类算法处理分类数据，以优化聚类效果。
2020年5月份的时候曾经投过腾讯的数据分析实习，中午投的简历，午觉睡醒就被call，没有HR通知，南山必胜客直接就来技术面。当时准备的还不够充分，半小时后就感谢充值了，不过里面有一道题倒是想在今天拿来说一说，也和我的近期实习相关联。
问题由腾讯面试官所在组的业务问题引入，具体的内容记不清了，但主要问的是RFM模型和聚类的融合。抽象表达一下就是：某个业务场景，简化为RFM模型，基于RFM模型的指标结构，做聚类，完成用户分群。
先简要介绍一下RFM模型吧。RFM模型是由美国数据库营销研究所的Arthur Hughes提出的基于网店客户消费行为数据的一种客户细分方法，即将最近一次消费（Regency），消费频率（Frequency）和消费金额（Monetary）作为重要的指标来分析和细分客户：
（1）最近一次消费（Regency）：是指在客户多次消费中，距离上一次消费的时间。理论上客户距离上一次消费的时间越近越好，营销者可以由此衡量出消费者的忠诚度；
（2）消费频率（Frequency）：是指消费者在某一段时间内的购买次数。根据此指标，最常购买的客户，忠诚度就最高；
（3）消费金额（Monetary）：是指在客户在一定时间内购买产品的总金额。在一段时间内客户的购买金额总和越高，表明该客户为企业创造的价值就越大。
简单来看，只要把指标抽象成类似上述的R、F和M三个&#x
最低0.47元/天 解锁文章
扫一扫
6594
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
