在介绍RFM分析之前,我们先简单了解一下探索性分析。
所谓探索性分析,主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。对于初步探索性分析而言,数据可视化是一个非常便捷、快速、有效的方法,你可以使用作图、制表等方法来发现数据的分布特征,紧接着,可以使用一些统计分析方法更深入的发现数据背后的信息。常用的探索性分析方法包括RFM分析、聚类分析、因子分析、对应分析等。
RFM这三个字母代表什么意思?
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,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,表示客户不够活跃。
M:Monetray——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,表示客户价值越低。
R_S分类 | F_S分类 | M_S分类 | 客户类型 |
高 | 高 | 高 | 高价值客户 |
低 | 高 | 高 | 重点保持客户 |
高 | 低 | 高 | 重点发展客户 |
低 | 低 | 高 | 重点挽留客户 |
高 | 高 | 低 | 一般价值客户 |
低 | 高 | 低 | 一般保持客户 |
高 | 低 | 低 | 一般发展客户 |
低 | 低 | 低 | 潜在客户 |
高:表示高于平均值;低:表示低于平均值 R_S、F_S、M_S分别代表R、F、M标准的评分值
RFM分析过程:
step1:计算RFM各项分值(R_S、F_S、M_S)
step2:汇总RFM分值
step3:根据RFM分值对客户分类
R_S:基于最近一次交易日期计算得分,距离当前日期越近,则得分会越高。
F_S:基于交易频率计算得分,交易频率越高哦,则得分越高。
M_S:基于交易金额计算得分,交易金额越高,则得分会越高。