RFM模型如何實際應用？

01-03

最近在使用RFM模型對客戶價值進行分類
以下方法怎麼感覺得到的結果都是一樣的，最後都是要分成八大類？
------------------------------
先放這張圖：

------------------------------
方法如下：
1.數據清洗
2..應用K-均值聚類法對指標進行聚類,得到m類客戶
3.將每類客戶的R、F、M平均值和總R、F、M平均值作比較,每次對比有兩個結果:大於(等於)平均值和小於平均值,通過對比得到每類客戶RFM的變動情況（2*2*2）共8個類型的結果：重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶
4.針對8大類型營銷
1.數據清洗

2.將所有用戶的R、F、M平均值和總R、F、M平均值作比較,每次對比有兩個結果:大於(等於)平均值和小於平均值,通過對比得到每個客戶RFM的變動情況（2*2*2）共8個類型的結果：重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶
3.針對8大類型營銷
1.數據清洗
2.將R、F、M進行五等分，得出5*5*5=125個分類，並將每個分類包含的用戶填充進去
3.針對性營銷？（分類太多，怎麼針對125個類營銷？）
4.將每類客戶的R、F、M平均值和總R、F、M平均值作比較,每次對比有兩個結果:大於(等於)平均值和小於平均值,通過對比得到每類客戶RFM的變動情況（2*2*2）共8個類型的結果：重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶
5.針對8大類型營銷

求指教RFM模型的應用：
1.難道這3個方式最後都是分成8類然後去針對性營銷么？那樣的話，結果應該是比較一致的啊，統一用一種方法就好了，為什麼還要用演算法？
2.手動分層分成125個類型也太多了，根本不知道要怎麼營銷，這個要如何處理？

這是一個人人都可以上手的模型，不管你是運營、銷售、財務、市場等等，RFM模型是一個很通用，又有一套科學理論的商業模型。

這是一篇我花了五小時的教程（真的是寫到崩潰，幸好我熬下來了，給大家分享實實在在可上手的乾貨）

數據源準備只需四個欄位：客戶名稱、交易日期、交易次數/頻率、交易金額。

如果你手頭剛好有這樣的數據源不妨試試做這個模型吧。下面三頁是介紹什麼是RFM，後面是全部的實操教程，Tableau和Excel通用操作，我保證你看了能立馬上手。

下面這一頁仔細看，模型的核心

鏈接：http://pan.baidu.com/s/1c8mIp4 密碼：ayij 附上RFM的PPT，裡面包括教你如何用數據講故事的小貼士哦~你不僅把模型學了，還把Presentation的技巧一併學習了

如果希望我以後都分享數據模型教程，就給點贊吧，哎累到我連水印都不想打

第五部分
精細化運營的基礎了解基本屬性為用戶分群

　　外賣時代的好處是掌柜的可以通過網路，開闢更多銷售渠道。

　　那麼問題就來了。由於掌柜無法直接接觸到食客，他也很難確定喜愛自家美食的群體有什麼特徵，再根據這些特徵投其所好、推陳出新。

1.如何通過訂單數據，分析用戶的基本屬性

　　用戶的訂單上都有訂餐地址，通過對於訂餐地址的統計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡謀道菜的用戶都在哪裡。

　　舉個簡單的例子，下圖表示的是普通可樂和健怡可樂的用戶分布，你發現了什麼？

　　哈哈~在9元/平/天的地方跟在6元/平/天的地方上班就是不一樣~

　　所以，知道喜歡某到菜的用戶住哪兒，或許能幫助掌柜們挖掘到更多匹配要素，根據這些匹配要素尋找用戶（比如：高檔小區健怡可樂多進貨）、或者為用戶推薦菜品都將事半功倍。

　　類似的用戶數據挖掘，還可以根據復購構成、復購用戶跨平台使用情況、性別組成做更精細化的分析。

　　值得注意的是，數據平台間的差異還是蠻大的，除了跨平台分析也需要分平台對比，有利於針對不同平台做出不同的營銷策略。

　　上面這些最基本的用戶屬性對於精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——

　　1.誰是我的重要價值客戶，他們都有什麼特點？

　　2.誰是我需要重點保持聯繫的客戶，他們都有什麼特點？

　　3.誰是我的重要發展客戶，他們都有什麼特點？

　　4.誰是我的重要挽留客戶，他們都有什麼特點？

　　想要解答這個問題，我們需要動用更高階的分析模型，去挖掘有效信息。

　　2.如何通過RFM模型，為用戶分群，實現精細化運營

　RFM模型是一個被廣泛使用的客戶關係分析模型，主要以用戶行為來區分客戶，RFM分別是：

　　R = Recency 最近一次消費

　　F = Frequency 消費頻率

　　M = Monetary 消費金額

　　需要詳細了解以上三個指標定義的，可以去戳度娘，教科書式的RFM區分，會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據每類用戶精準營銷……

　　顯然125類用戶已超出普通人腦的計算範疇了，更別說針對125類用戶量體定製營銷策略。實際運用上，我們只需要把每個唯獨做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

　　這樣，之前提的四個問題，就能很容易被解讀（編號次序RFM,1代表高，0代表低）

　　重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP啊！

　　重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠實客戶，我們需要主動和他保持聯繫。

　　重要發展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發展。

　　重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經要流失的用戶，應當基於挽留措施。

　　3.如何在BDP個人版上建立RFM模型，幫助用戶分群

　　這時候可能會有朋友問了，天啦，你這個三維模型，我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來（即在近30天有復購的用戶中做分析），壓扁了就會看到。

　　上方的表示或許還是太學術了，簡單的說

　　第一步：先挑出來近1個月的復購用戶。

　　第二步：近1個月內復購用戶的平均實付金額做縱軸。

　　第三步：近1個月內復購用戶的購買次做橫軸，生成表格。

　　第四步，你需要自己在這個表格上劃紅線。

　　橫著的紅線，代表著你認為來吃飯的客人平均每餐該花多少錢，我這裡設定的值是25元，叫外賣25都沒付到，對我而言是低消費金額（低M）用戶。

　　豎著的紅線，代表著你認為復購多少次的客人，是你的高頻用戶。外賣點餐流動率很大，一個用戶每個月能在一家店點三次以上的菜，對我而言即是高頻。

　　這樣，BDP個人版上的RFM模型就建立好了。這個RFM模型在實操時有什麼用呢？舉個例子

　　比如對圈用戶群發簡訊轉化只有不到1%時，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內消費的用戶），轉化率可以由1%提升到10%。

　　這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是願意花600元給10000個用戶發簡訊，得到100個訂單，還是願意花48元給800人發簡訊得到80個訂單，相信大家一定會選後者。

　　而整體的RFM區分，則能夠幫掌柜們針對不同的用戶發不同的簡訊，簡訊的開頭是用「好久不見」、還是用「恭喜你成為VIP」，就得看時重要保持客戶還是重要價值用戶了。只有能區分用戶，才能走向精細化運營。

轉載自林峰的《數據驅動，打造餐飲外賣的數據化運營系統》

這是個很有意思的話題，雖然我覺得不會有什麼人來看，但還是寫篇文章，當作自己這段時間的學習總結吧！

@空白白白白老師對RFM的詳細解析已經很詳細了，很受教，我就再此基礎上，說一些自己的理解。可惜大神沒有分享Tableau的工作簿，我就用Tableau自帶的SuperStore做一個演示吧。

工作簿已經上傳到了Tableau Public。不想看下邊很長的文字的人可以直接過去看（不過我覺得直接看也是看不懂的吧。。。）

https://public.tableau.com/profile/aden.zhao#!/vizhome/RLMF_SuperStore/Dashboard

用購買行分類客戶

在做商業分析的時候，我們總是盡量把客戶分類，比如按大小、行業、區域之類，不過這些分類都是基於客戶的自身屬性，而RFM是基於客戶購買行為，或者說和本公司的關係，能把這兩者結合，我們可以得到更多的信息，比如哪個區域的重點客戶很多，哪個行業的有很多有潛力的新客戶，等等。

RFM用三個因素來測量客戶關係，如果我們把客戶關係比作朋友關係，那我們如何測量和朋友的關係有多好呢？

這三個條件是不是足以讓我們測量友情呢？在實踐分析中，我認為還有一個很重要的條件：

「我們認識了多久」

假設我們有兩個朋友，有一樣的RFM，都是昨天剛剛見面，最近三個月都見面了12次，每次都是吃飯聊天，但和A朋友認識了10年了，而B朋友則是今年剛認識的，顯然我們和A的友情更可能遠深於對B的友情。

RLMF的模型

那我們再回到客戶關係里來，做一個簡單的模型。圖表顯示了從客戶第一次購買到上一次購買的時間軸，柱狀圖代表了客戶每次購買的金額和頻率。

我們可以看到，除了R、F、M，這個模型里加入了客戶的「長度」這個概念，客戶和我們做生意多久了，就叫「L」吧（Length）。

R與L的互動

RFM測量的是某個時間段，比如過去6個月，是一個靜止的快照。有了L的概念，我們則可以引申出了客戶周期這個概念了，是一個動態的分析。

每一個客戶所處的周期都不一樣，但步驟都是類似的。第一次下單的新客戶，因為種種原因，可能此後再也不會下單，成為一次性客戶；也可能發現我們產品還不錯，持續購買，變成忠誠客戶；所有現有客戶，也可能不再繼續和和我們做生意而離開，變成失去的客戶。

總結一下，我們可以用R和L來劃分客戶：

重新定義F和M

Frequency（購買次數）扮演著能否把忠誠客戶區分出來的重要角色。如果有些客戶像下圖這樣，雖然R和L都很高，但中間什麼也沒有買。於是這些客戶不會通過Frequency的測試，不會被當作重要客戶的，就把它們叫做「不溫不火的老客戶」吧。

Monetary（購買額）繼續作為測量客戶是否重要的參考指標。就算一個客戶R、F、L很高，但如果M很低的話，這種小客戶對於公司來講也是很不重要的。我們把它作為一個單獨的維度來看吧。

關於M和F，我們稍稍變一下定義。傳統的計算方法是過去特定的一段時間（比如過去一年），但對於下面這兩個客戶來說並不合適的，因為站在每個客戶最後一次下單的時間點來看，和我們的關係是完全一樣的。

所以我們可以定義M和F的計算方法為，在客戶最後一次下單之前一年的購買額和頻率，年度購買額和年度購買頻率；

如果L不夠一年的話，那購買額和頻率則除以L，換算成年度的值；

如果L很短（比如新客戶），那麼則除以6個月(0.5年，一個統計上的大概的購買頻率)，為了防止算出很不合理的年度購買額和頻率

然後我們就可以列出一張表了：

Tableau：把理論轉換成實踐

好的，理論部分就講完了，我們來實踐吧！

首先我們定義RLFM的計算方法

第一次購買日期FOD（First Order Date）： { FIXED [Customer Name]:MIN([Order Date])}

上一次購買日期LOD（Last Order Date）： { FIXED [Customer Name]:MAX([Order Date])}

R 上一次購買日期距今天的月數：(Now() – LOD) / 30

（以月為單位，不同行業可以不同的單位）

L客戶「長度」：(LOD – FOD) / 365

（以年為單位，不同行業可以不同的單位）

關於M和F在Tableau的計算會有些複雜，這裡就不細講了，反正我也講不清楚。。。如果有興趣的話，自己下載工作簿研究吧

我們把R放到Y軸，L放到X軸，M當作氣泡的大小，客戶類別當作顏色，在把每一個客戶放進氣泡，就可以做出下邊這幅圖了

左上角是新額客戶，左下角是一次性客戶，右下角是失去的老客戶，右上是忠誠客戶和不溫不火的老客戶（按F分類）。

那這幅圖對銷售團隊有什麼作用呢？

新客戶：屈指可數啊！一年才開發了4個新客戶，公司吃棗藥丸啊！還不趕緊去找新客戶，光守著老客戶可不行啊

一次性客戶：打打電話看看能不能弄回來？反正也才4個

不溫不火的老客戶：雖然有的買的額度大，但頻率不夠，有失去的危險啊！銷售趕緊跟進，讓他們買的勤快點，就算買的少也好，至少別把我們給忘了啊

忠誠客戶：看見沒有，有好幾個都塊6個月沒買啦！人家之前可買的勤快呢，你們再不去找人家，人家就真跑啦

失去的老客戶：看著那幾個又紅又大的氣泡，真的好心痛啊。。。好好的客戶，怎麼說沒就沒了呢？銷售不給出點原因嗎？

再看看銷售額的變化，雖然整體來說是增加的，但是貢獻全部來自於忠誠客戶和不溫不火的老客戶，而同時我們也失去了大量的老客戶，而且還沒有什麼新客戶加入，還是感覺公司在吃老本，趁著市場好，靠著原來的老客戶今年弄了不少銷售，但也有更多的老客戶離開了公司，很可能被競爭對手搶走了。看起來公司還是吃棗藥丸啊！

最後我們做一個Dashboard就可以開始給老闆和銷售團隊們講故事啦！

（這個dashboard做的比較隨便，大家就湊合看吧！）

已經上傳到了Tableau Public

https://public.tableau.com/profile/aden.zhao#!/vizhome/RLMF_SuperStore/Dashboard

有興趣的話可以玩一玩或者下載。

8個分組下，看其他業務投入產出比，把鋼用在刀刃上，分析調研類型內典型顧客，給不同人按照需求做不同的營銷活動，等等。

現在有答案了嗎？我最近也在研究rfm模型，微18210122996 備註：rfm 可以交流一下