文章目录
前言
RFM模型是一种经典的用户分层方法,多用于传统营销、零售业等领域,适用于拥有多种消费品或快速消费品的行业。本文采用Python实现RFM分层方法,并对用户分层结果做统计分析得出结论。
一、RFM模型是什么?
-
三个要素,分别是:Recency(最近一次交易距今时间)、Frequency(交易频率)、Monetary(交易金额)
- R值(最近一次交易距今时间)用户最近一次交易距今的时间。间隔时间越短,则值越大,这类客户也是最有可能对活动产生反应的群体
- F值(交易频率)用户在限定的时间内所购买的次数。最常购买的顾客,也是满意度、忠诚度最高的顾客
- M值(交易金额)用户的交易金额,可以分为累计交易金额和平均每次交易金额,根据不同的目的取不同的数据源进行建模分析
-
用户类别,四类重要客户、四类一般客户
根据客户活跃程度和交易金额的贡献,对客户价值细分8类用户: -
用户分层方法:
- 第一种分层方法: 样本数据均匀分布,可用均值划分价值高低,误差比较小
- R值、F值、M值分别计算出均值,然后根据用户的数据就可以填入相应的客户类型。“↑”表示大于均值,“↓”表示小于均值。如下图:
-
模型结果及运营策略
RFM细分结果:
二、使用步骤
1、RFM模型读数据及预处理
即"R"——Recency(最近一次消费时间)、"F"——Frequency(一段时间内消费频次)、"M"——(一段时间内消费总额)
取业务线2020年7月用户交易数据,选取r:最近一次交易时间与