RFM模型的四种打标签方法你会几种？三十行代码教你深刻理解如何实现用户画像

如果想了解RFM模型的数据分析初学者去搜索，会发现无论是知乎大V还是百度都会有“清楚”的原理解释和过程实现，看懂了收藏了，但是当你自己去实际应用的时候会发现，我对着大V的文章跟着做这个看似简单的模型，为啥我用起来没效果呢？实际上不是你没学会或者没做对，而是对这个简单而又强大的细节没有理解。

这个模型是来自美国数据库营销研究所Arthur Hughes对客户数据库长期研究，他发现客户数据中有3个要素构成了数据分析最好的指标：最近一次消费 (Recency)，消费频率 (Frequency)，消费金额 (Monetary)。了解模型产生背景你就能知道两个重要的点，一是客户数据库；二是指标。如果你没意识到，那对于这个模型就会有下面两点没理解。

首先，对RFM模型的业务应用场景没理解。不是所有的数据都能应用这个模型，房子、车子、大家电或者耐用品，购买金额倒是高，但是购买频次能有几回？F指标是不是就失效了吧？中小超市或者线下店大部分没有数据库，收集的数据不仅不规范而且价值稀疏。所以只有大型公司或快消品或航空电信电商等具有客户频次和粘性的领域才有挖掘的价值。所以你的数据不对，自然效果不好。

第二，对指标打标签没理解。其实RFM指标很好计算，难就难在它的应用上，它同我之前讲的商品关联规则挖掘一样是偏向业务应用的，重要的是业务人员对指标标准的构建和结果的评估。这个模型是由指标构建的，自然是人为主观因素影响大。所以在计算好R、F、M后如何对结果进行打标签是直接影响模型应用效果的。常见的方式就是直接拿R、F、M与总体均值做比较，但是这是静态方法。也有人使用算法聚类结合RFM模型，但是到给类打标签的时候就一笔带过。

因此接下来，我会先讲解RFM模型的原理和过程，然后分别说明算法聚类细分、均值细分、打分细分、动态参数细分四种方式来给分类结果打标签。在下一篇文章中具体演示如何用PowerBI实现这四种方式的可视化展示。

要是看过我的文章“数据分析模型，你会用多少种？建议你用这28种商业模型和方法武装自己”里列举过的RFM模型。它是通过R、F、M指标将三维空间划分为八个子空间，再对每个部分打上客户价值标签。如下图：

怎么实现上图的效果呢？这也是RFM模型的核心，即如何划分，如何给划分后的结果打标签。

先来看这三个指标：

R（Rencency）：最近一次消费时间间隔，就是指顾客最近一次消费离现在有多久了，考察客户的黏性，R值越小的客户是粘性越高的客户。

F（Frequency）：考察期内消费的频率，就是指顾客在考察期内消费了多少次数，考察客户的忠诚度，F值越高客户忠诚度越高。

M(Monetary)：考察期内消费总金额，就是指顾客在考察期内消费了多少钱，考察客户的价值，金额越高客户价值越高。

明白上面这三个核心指标。接下就是实操了。这里我提供了一份数据集，有60398条记录。如果你需要可以关注同名公众号索取。它长下面这个样子：

这是一份电商数据。可以看到总共有六个字段OrderNumber就是订单号；ChildOrderNumber就是子订单号，网上有很多案例都是处理好的只有三个字段的演示，实际上工作中真实数据需要很多处理，这里有子单号表名计算的时候还不能直接算RFM指标，需要进行根据订单号分组聚类的处理；CustomerKey是顾客ID；OrderDate是下单日期；TerritoryKey指顾客所属地理区域；SalesAmount指消费金额。

第一步，计算RFM值。下面的代码均为Python代码。

#导入计算库和数据集
import pandas as pd
from sklearn.cluster import KMeans
df = pd.read_excel(r"D:\InternetOrders.xlsx")
#因为每个订单有多行，所以需要先根据CustomerKey,OrderDate,OrderNumber分组对金额进行求和汇总，得到每个顾客每天购买总金额。这样数据中就没有重复数据。