十大数据分析模型之 【4k 字详解RFM模型】—— 附加python代码案例

大家好，我是摇光~，用大白话讲解所有你难懂的知识点

最近在和同事讨论大数据杀熟，其实就是网络上说的，你在网络上没有秘密~
很多企业都用上了数据分析，为客户归类，再对你们进行大数据杀熟！！

今天我们就来破解一下这个大数据杀熟的一种模型 —— RFM模型。

接下来我将从理论到实操，来给大家讲解一下（全文使用python代码）

---

一、RFM 模型是什么？

我们还是用几个问题来展开。

① RFM模型是什么？

• RFM模型是衡量客户价值和客户创造利益能力的一种工具。
  (其实就是利用客户给公司创造价值)2

② RFM三个字母是什么？
RFM三个字母代表三个指标，用来描述客户，以便对客户分层

• R：Recency 表示最近 1 次消费时间间隔
• F：Frequency 表示消费频率
• M：Monetary 表示消费金额

③ RFM模型 实际运作原理是什么？
其实很简单，就是根据上面三个指标，将客户分成8中类型，针对不同类型进行不同的运营方针。“大数据杀熟”也就是针对你是属于 “熟” 的类型。那我们看看有哪八种吧。

上面的分类是官方的分类方法，你可以根据自己的业务情况进行分类，不一定要分成八类，六类、五类都可以。

从上面的解释，我们应该也就知道 RFM模型 适合哪些数据。

④ RFM模型 适合哪些数据？

• RFM模型 主要适用于复购较多的业务场景，比如 快消、电商、美业、服务业等行业
• 这些用户基本都满足 付费流程短，复购较多的特点

⑤ RFM模型 扩展

• 其实根据业务所需，可以将指标进行替换，比如研究用户的活跃程度，指标可以换成最近一次登录时间、登录频次、活跃时长。以此也可以研究用户留存情况。

我们再来了解一下 RFM模型 的优缺点。

⑥ RFM模型的优缺点？

• 优点：数据比较少，只需要 “人、时间、钱” 这三个，就可以算出指标；而且模型分层简单清晰
• 缺点：RFM模型 只适用复购业务、或者重复进行的业务，不适合流程较长的业务。

二、数据准备

在上面我们了解到 RFM模型 是什么、优缺点、及适用场景。

接下来我们来用实战的方式来具体展示 RFM模型。

首先我们来准备数据，需要就数据就三列：客户号、消费日期、消费金额。

（需要完整数据和代码，后台联系我哦~）

三、实践

1、导入数据

import pandas as pd
df = pd.read_excel('RFM数据.xlsx')                # 导入数据

2、数据清洗

因为我们需要进行日期的加减，所以必须确保日期列为：datetime类型。

其他数据清洗，比如空值、错误值、偏差值，可以参考我以前的数据清洗文章进行操作。

df['消费日期'] = pd.to_datetime(df['消费日期'])     # 确保 消费日期 列为datetime类型

3、得到消费频率、消费金额、消费间隔数据

对数据清洗之后，就可以求 F、R、M的值，这里就对客户进行 group by 进行分类

再对金额求和、对日期求次数、对日期求最大值，这样就能求得 F、R、M值了。

# 这里对消费日期求 count 以此求得 消费频率(R)
# 这里对消费日期求 max 以此求得 最近一次消费时间
# 这里对消费金额求 sum 以此求得 消费金额(M)
RFM2 = df.groupby('客户号').agg({'消费日期':['count','max'],'消费金额':'sum'}).reset_index()

# 对字段重命名
RFM2.columns = ['客户号','F','R','M']

# 将现在的日期或统计日期 减去 最近一次消费时间，就可以得到消费间隔时间（F）
RFM2['R'] = (datetime.now()-RFM2['R']).dt.days

结果如下：

4、制定标准并得出 F、R、M值

这里我采用 R、F、M 的平均值制定标准，你们可以根据实际业务来进行判断 RFM 的高低值。

可以不按照他官方的制定，反正这个模型也就是一个思想，最终利用都是靠自己。

R_mid = RFM2['R'].mean()        # 最近一次消费时间间隔
F_mid = RFM2['F'].mean()        # 消费频率
M_mid = RFM2['M'].mean()        # 消费金额

# 对于 F、M 值，大于均值的属于 高，小于均值的属于 低
def sign_FM(values,mid):
    if(values) > mid:
        return 1
    else:
        return 0

# 对于 R 值，小于均值的属于 高，大于均值的属于 低
def sign_R(values,mid):
    if(values) < mid:
        return 1
    else:
        return 0

# 计算 R、F、M 对应的 高低 值
RFM2['R_sign'] = RFM2['R'].apply(lambda x:sign_R(x,R_mid))
RFM2['F_sign'] = RFM2['F'].apply(lambda x:sign_FM(x,F_mid))
RFM2['M_sign'] = RFM2['R'].apply(lambda x:sign_FM(x,M_mid))

结果如下：

5、根据标准判定客户类别

我们再根据前面算出来的 F、R、M值来判断 客户类别。

这种判断也是根据业务所需，进行判断，也可以再细分，也可以分大类。

def cust_category(R,F,M):
    if R == 1:
        if F == 1:
            if M == 1:
                return '重要价值客户'
            else:
                return '一般价值客户'
        else:
            if M == 1:
                return '重要发展客户'
            else:
                return '一般发展客户'
    else:
        if F == 1:
            if M == 1:
                return '重要保持客户'
            else:
                return '一般保持客户'
        else:
            if M == 1:
                return '重要挽留客户'
            else:
                return '一般挽留客户'

# 判断客户类别
RFM['Cust_Category'] = RFM.apply(lambda x:cust_category(x['R_sign'],x['F_sign'],x['M_sign']),axis = 1)

6、导出数据

最后导出数据

RFM.to_excel('结果数据.xlsx',index=False,sheet_name='结果')

结果如下：

四、制定策略

1、重要保持客户

这种客户就是消费金额和消费频次都很高，但是最近不咋消费；就是快要流失的土豪了。

营销策略：

• 可以提供定制产品、优先服务，构建会员特权等，增加客户的忠诚度和满意度。
• 定期与客户沟通、了解需求和反馈，调整自己的服务。

2、重要挽留客户

这种客户就是属于土豪买了几次，这种肯定就是需要去挽留的用户。

营销策略：

• 分析客户流失的原因，如产品质量、服务态度、竞争对手影响等。
• 通过电话、邮件、短信等方式主动联系客户，提供个性化的挽回方案，如优惠券、折扣、赠品等。
• 还可以邀请客户参加产品体验活动或新品发布会，重新激发客户的购买兴趣。

3、一般保持客户、一般价值客户

这类客户消费频次较高，消费金额较低；这种就是捡便宜，有活动才会出现。

策略：

• 发送优惠券、提醒客户参与促销活动等。
• 鼓励客户增加购买金额，提供满额赠品或折扣等优惠措施。

4、一般发展客户

这类客户最近有过购买行为，但消费频次和消费金额都不高。这种就是看到你的产品还可以，就买了，如果有新品、优惠还是可以再次购买。

策略：

• 通过邮件、短信等方式定期向客户推送产品信息、优惠活动等，提高客户的购买频次。
• 提供个性化的推荐服务，如根据客户的历史购买记录推荐相似产品或新产品。
• 鼓励客户参与社交媒体互动，提高客户的品牌认知度和忠诚度。

5、一般挽留客户

这类客户在最近一段时间内既没有频繁购买，也没有高额消费，且最后一次购买时间也较远。这种就是没钱、也对你的产品不感兴趣。

策略：

• 可以提供特别优惠、新品试用、定制化服务等。
• 如果挽回无望，就算了，转战新客户

五、大数据杀熟

从上面的理论和实战，大家肯定就知道自己在各大平台的地位了。

如果你近期对他公司产品有需求，并且购买频繁，那肯定就给你抬价了；而针对新用户，提供的优惠力度就是为了挽留你。

所以大家避免杀熟，可以先了解商品的性价比、多方比价；还可以可以多账号、多商家尝试，这样你就会成为一般价值客户，商家可能就会给你优惠刺激你消费，你就可以薅羊毛了~

---

以上就是完整的一套从理论到实践的 RFM模型 。

如果有什么不对的地方，欢迎指正~

还想了解什么大数据知识，可以私信我或者评论区告诉我~

我会竭尽全力用大白话讲解你们难懂的知识。