RFM_L客户生命周期分析

数据来源：阿里云

源数据共有293752条，以下是导出部分截图。数据已经通过Sql做了清洗处理，在日期字段、金额字段都做了类型处理。

根据RFM_L模型进行数据分析：

R：最后购买距今间隔是描述客户是否流失及忠诚度的指标

F：总共消费的次数是忠诚度的关键指标

M：总共消费的金额是购买力的关键指标

生命周期L：从首次购买到最后一次购买的间隔是客户忠诚度和粘性分析的关键指标

除此之外，还有一个复购指标R2：表示从首次购买到第二次购买的间隔，反映客户粘性

所有这些指标构成了静态分类指标和动态分析的基础

 上图为生命周期L的分布概图，可以看出：生命周期在360即一年左右的客户人数最多，达到了313次数，排第二位的是90d，人数在305人。这说明，在短期内一个季度（1-3个月）为一些客户购买次数的最集中时间，这与商品消费特性、消费者消费需求长短期均有关。例如，婴幼儿用品，在短期内由于幼儿新生带来的应急用品需求激增，需要消费者短期内贮存大量消耗品，而贮存周期一般都是以月为消费单位。在经过短期的应急需求消费后，婴幼儿需求固定以及家庭购买品类等固定，随之而来的消费就会下降。待到即将消耗完结，又会短期续存。

 

         如图所示，显示了各年度利润总额以及各年度不同年度客户的总贡献。2010年，总利润额达到1276K，全部由本年度客户贡献。2012年利润额中，1316K由2010年的老客户贡献，2011年的老客户贡献了145K，剩下4842K由本年度新进客户产生。2013年度利润额最高，其中本年度产生了3927K的利润值，而2012年老用户更是达到了4825K，2012年也有812K，2011年90K，说明2012年度在用户挖掘上由较小的下降幅度，以往年度用户的维护和挖掘起到了维持利润增长的作用。到2014年，总的利润出现大幅下降，其中往年的客户利润都开始不同程度的下降。这说明，到2014年，客户的维护出现了问题，有可能是维护成本过高，维护策略不精准或者是消费满意度下降等等。这需要更深入的思考解决。

        上图是购买频次F分析，以间隔数5为一个数据桶。可以看除，0-5次的购买频次位于第一位，会员人数达到了37162人，处于6-10的由31857人，位于第二位。第三位是11-15次，由28567人，16-20由23820人。0-20次的人数占到约56%，说明大部分会员客户在消费频次上仍属于中低水平，只有不到一半的会员在消费频次上成为习惯性的购买行为。

        上图是复购间隔R2的部分信息，上图中用户ID644917首次购买实在2010年，且复购间隔在1098天，位于整个复购间隔排名的第30位，说明这位客户在平台消费上处于偶然性的需求满足，针对商品消费不存在急需或者日常要求。ID为660096的会员客户间隔R2在362天，接近一年时间，位于间隔排名的625位，相对来说间隔比较小，但是相比其他消费间隔在50以下的客户仍然是很大的。针对这种客户，平台在消费上应该尽量以品类范围、质量保证、优惠活动等吸引工具，加强客户的信任度和商品品牌信誉，将其复购行为进一步缩小。

         上图对每个订单年度中，各获客年度不同消费频次的客户数量情况。

 上图为F-M的散点图，可以看出，消费金额在30K，消费频次在70次左右是消费者相对集中的范围。

        上图为RFM模型。可以看到，RFM模型在集中程度上与RF类似，顾客忠诚度对M的影响程度很大。

        上图为RFM_L模型，在RFM模型基础上加入生命周期L。从散点图可以看到，颜色深度在90（平均值最小值）的客户密集分布在左下角。