【机器学习业务篇】基于RFM模型的用户分群方法

一、RFM模型

RFM分析就是根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。

RFM的含义:

R(Recency):客户最近一次交易时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。

F(Frequency):客户在最近一段时间内交易的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。

M(Monetary):客户在最近一段时间内交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。

客户分类

R:基于最近一次交易日期计算的得分,距离当前日期越近,得分越高。例如5分制。

F:基于交易频率计算的得分,交易频率越高,得分越高。如5分制。

M:基于交易金额计算的得分,交易金额越高,得分越高。如5分制。

RFM总分值:RFM=RS*100+FS*10+MS*1

RFM分析的主要作用:

识别优质客户。可以指定个性化的沟通和营销服务,为更多的营销决策提供有力支持。

能够衡量客户价值和客户利润创收能力。

RFM的假设前提:

假设交易的可能性:

最近交易过的客户 > 最近没有交易过的

交易频率高的客户 > 交易频率低的

交易金额大的客户 > 交易金额小的

二、分析实践

SPSS RFM分析有现成的工具箱,接受的数据格式有两种:

交易数据:每次交易占用一行,关键变量是客户ID、交易时间、交易金额。

客户数据:每次交易占用一行,关键变量是客户ID、交易总金额、最近交易日期、交易总次数。

三、RFM分析应用

为客户分组,即将三个指标分别分为“高”和“低”两种,高于均值的为“高”,低于均值的为“低”。

因此有三件事要做:

计算出各个指标得分的平均值;

将各个变量高于平均分的定义为“高”,低于平均分的定义为“低”;

根据三个变量“高”“低”的组合来定义客户类型;如“高”“高”“高”为高价值客户。

部分结果如下图:

结果截图

通过RFM方法,我们根据用户的属性数据分析,对用户进行了归类。在推送、转化等很多过程中,可以更加精准化,不至于出现用户反感的情景,更重要的是,对产品转化等商业价值也有很大的帮助。



作者:阿信欧了
链接:https://www.jianshu.com/p/3193f5ffcecd
來源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

 

相关案例:

【机器学习小案例篇】关于RFM模型的小案例

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值