由浅入深理解【RFM模型】及其应用（含源码）

絆人心

已于 2025-01-15 15:42:12 修改

阅读量2.3k

点赞数 40

文章标签： python 机器学习策略模式产品运营数据分析用户运营

于 2024-11-21 18:03:26 首次发布

本文链接：https://blog.csdn.net/weixin_53575943/article/details/143947207

版权

引言

RFM模型（Recency、Frequency、Monetary）是市场营销和客户关系管理中常用的一种客户分析模型。通过对客户购买行为的深入分析，企业可以更有效地进行客户细分、定制化营销，从而提高客户满意度和企业利润。

本文从RFM模型的基本概念出发，逐步讲解RFM模型的应用与实现，帮助您深入理解并灵活应用该模型。

一、RFM模型概述

RFM模型的核心思想是通过客户的购买历史，基于以下三个维度对客户进行评价和分类：

Recency（最近购买时间）：客户距离上次购买行为的时间间隔，通常时间越短，客户的激活度增益。
Frequency（购买频率）：客户在一定期限的购买次数，频繁购买的客户通常代表忠诚度较高。
Monetary（购买金额）：客户在指定时间内的消费总金额，反映客户的付费能力和购买力。

二、RFM模型的计算与分析流程

在实际应用中，RFM模型的计算流程如下：

收集数据：从数据库中提取客户的交易记录数据，包括交易时间、交易金额等。
计算间隔：对于每个客户，计算其当前距离的时间与最近一次购买的时间间隔。
计算频率：统计每个客户在指定时间范围内的购买次数。
计算金额：计算每个客户在指定时间范围内的累计消费金额。
客户评分：根据RFM的三个维度对客户进行评分（如细分、打分等）。
客户群体：通过评分将客户划分为不同的群体，制定相应的营销策略。

三、RFM模型的应用实例

假设有一个客户包含交易记录的数据集，包括客户ID、交易时间和交易金额等字段。需要根据RFM模型对客户进行分群，并通过评分来识别出不同价值的客户。

3.1 数据预处理

假设数据包含以下字段：

首先，需要对数据进行估算，以便计算RFM的三个指标。

import pandas as pd

data = {
    '客户ID': ['C001', 'C002', 'C001', 'C003', 'C003', 'C002', 'C004', 'C004', 'C005'],
    '交易时间': ['2024-11-15 10:30:00', '2024-11-01 09:20:00', '2024-11-10 08:45:00',
                 '2024-11-13 14:00:00', '2024-11-12 17:00:00', '2024-11-01 11:00:00',
                 '2024-11-01 16:30:00', '2024-10-01 14:20:00', '2024-11-01 10:30:00'],
    '交易金额': [150, 100, 120, 300, 100, 100, 50, 30, 0]
}

df = pd.DataFrame(data)

df['交易时间'] = pd.to_datetime(df['交易时间'])

# 获取当前时间
current_date = pd.to_datetime('2024-11-21')

# 计算Recency（最近购买时间）
df['Recency'] = (current_date - df['交易时间']).dt.days

# 计算Frequency（购买频率）
frequency = df['客户ID'].value_counts()

# 计算Monetary（购买金额）
monetary = df.groupby('客户ID')['交易金额'].sum()

# 合并RFM指标
rfm = pd.DataFrame({'Recency': df.groupby('客户ID')['Recency'].min(),
                    'Frequency': frequency,
                    'Monetary': monetary})

print(rfm)

显示结果：

3.2 客户评分与分群

根据计算出的Recency、Frequency、Monetary，可以对每个维度进行评分。通常情况下，每个维度都被分解了几个等级，例如：

新近度：最近购买时间越短的客户越活跃，分数则越高。
频率：购买频率估计的客户忠诚度增益，分数则越高。
货币：消费金额增加的价值客户增加，分数则越高。

可以根据分片将客户划分为不同的等级，或者直接使用1-5的评分标准。这里使用简单的分片法进行评分：

# 为每个维度分配评分
rfm['R_Score'] = pd.cut(rfm['Recency'], 5, labels=[5, 4, 3, 2, 1]).astype('int')
rfm['F_Score'] = pd.cut(rfm['Frequency'], 5, labels=[1, 2, 3, 4, 5]).astype('int')
rfm['M_Score'] = pd.cut(rfm['Monetary'], 5, labels=[1, 2, 3, 4, 5]).astype('int')

# 总分
rfm['RFM_Score'] = rfm['R_Score'] + rfm['F_Score']+ rfm['M_Score']

print(rfm)

显示结果：

四、RFM模型的结果解释

通过RFM分析，为客户计算了一个RFM总分。总分评估每个客户的价值，企业可以优先考虑对这些客户进行营销或提供特殊优惠。

客户分类：

高价值客户（RFM评分12-15）：
- 这些客户的 Recency、Frequency 和 Monetary 分数都较高，通常是企业的忠实用户。
- 特点：购买频繁、金额较大、最近购买。
- 营销策略：重点维护，提供个性化服务或专属优惠。
潜力客户（RFM评分9-11）：
- 这些客户在 Frequency 或 Monetary 上表现较好，但 Recency（最近购买时间）较差，意味着这些客户之前有过较多购买，但最近没有活跃。
- 特点：购买过，但最近没有进行购买。
- 营销策略：通过再营销活动、促销等方式激活他们的兴趣。
流失风险客户（RFM分数5-8）：
- 这些客户最近没有购买（低 Recency），但曾经有过频繁购买（高 Frequency 和 Monetary）。
- 特点：曾经是忠实用户，但最近活跃度低。
- 营销策略：需要采取紧急挽回措施，如优惠券、提醒邮件等。
低价值客户（RFM分数3-4）
- 这些客户的 Recency、Frequency 和 Monetary 分数都较低，属于不活跃或仅进行过少量购买的客户。
- 特点：购买频率低，金额较少，最近没有进行购买。
- 营销策略：可能需要通过大量促销活动吸引他们，但优先级较低。

def assign_label(rfm_score):
    if rfm_score >= 12:
        return '高价值客户'
    elif 9 <= rfm_score < 12:
        return '潜力客户'
    elif 5 <= rfm_score < 9:
        return '流失风险客户'
    else:
        return '低价值客户'


rfm['Custom_Label'] = rfm['RFM_Score'].apply(assign_label)
print(rfm)

显示结果：

五、总结

RFM模型是一个极其有效的客户细分工具，通过最近度、频率和货币三个维度来评估客户的价值。该模型广泛评估客户关系管理、营销策略制定等领域。

通过对客户的评分和细分群，企业可以更准确地识别高价值客户和潜力客户，制定差异化的营销策略，从而提高客户满意度和公司收入。

希望本文能够帮助您深入理解RFM模型，并在实际业务中灵活应用。由于作者水平有限，难免有不足之处，若疏漏或谬误，欢迎留言指正！

附录：完整代码

import pandas as pd


def assign_label(rfm_score):
    if rfm_score >= 12:
        return '高价值客户'
    elif 9 <= rfm_score < 12:
        return '潜力客户'
    elif 5 <= rfm_score < 9:
        return '流失风险客户'
    else:
        return '低价值客户'


data = {
    '客户ID': ['C001', 'C002', 'C001', 'C003', 'C003', 'C002', 'C004', 'C004', 'C005'],
    '交易时间': ['2024-11-15 10:30:00', '2024-11-01 09:20:00', '2024-11-10 08:45:00',
                 '2024-11-13 14:00:00', '2024-11-12 17:00:00', '2024-11-01 11:00:00',
                 '2024-11-01 16:30:00', '2024-10-01 14:20:00', '2024-11-01 10:30:00'],
    '交易金额': [150, 100, 120, 300, 100, 100, 50, 30, 0]
}

df = pd.DataFrame(data)

df['交易时间'] = pd.to_datetime(df['交易时间'])

# 获取当前时间
current_date = pd.to_datetime('2024-11-21')

# 计算Recency（最近购买时间）
df['Recency'] = (current_date - df['交易时间']).dt.days

# 计算Frequency（购买频率）
frequency = df['客户ID'].value_counts()

# 计算Monetary（购买金额）
monetary = df.groupby('客户ID')['交易金额'].sum()

# 合并RFM指标
rfm = pd.DataFrame({'Recency': df.groupby('客户ID')['Recency'].min(),
                    'Frequency': frequency,
                    'Monetary': monetary})

# 为每个维度分配评分
rfm['R_Score'] = pd.cut(rfm['Recency'], 5, labels=[5, 4, 3, 2, 1]).astype('int')
rfm['F_Score'] = pd.cut(rfm['Frequency'], 5, labels=[1, 2, 3, 4, 5]).astype('int')
rfm['M_Score'] = pd.cut(rfm['Monetary'], 5, labels=[1, 2, 3, 4, 5]).astype('int')

# 总分
rfm['RFM_Score'] = rfm['R_Score'] + rfm['F_Score'] + rfm['M_Score']

# 应用客户标签
rfm['Custom_Label'] = rfm['RFM_Score'].apply(assign_label)

# 打印最终结果
print(rfm)