1. RFM模型怎麼分析
RFM的含義如下：
1、R（Recency）：客戶最近一次交易時間的間隔。R值越大，表示客戶交易發生的日期越久，反之則表示客戶交易發生的日期越帆鄭近。
2、F（Frequency）：客戶在最近一段時間內交易的次數。F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。
3、M（Monetary）：客戶在最近一段時間內交易的金額。M值越大，表示客戶價值越高，反之則表示客戶價值越低。
4、RFM分析就是根據客戶活躍程度和交易金額的貢獻，進行客戶價值細分的一種方法。
最大的優點，應該是數據的可獲得性。
目前在互聯毀中網中，基本對於數據的收集做的還是比較完備了，採集了用戶的各種行為數據等，可以更好的進行用戶打標簽、分層的操作。但是在傳統行業中，沒有太多的行為數據，其實能用的數據比較有限。但是，無論公司的數據做的有多不完備，也一定是有成交數據的。只要有成交數據，就能進行RFM的分析，這是最大的優勢。而且，基於成交數據做的RFM模型，還是比較有效的。
其次，模型的分層可解釋性強。其他很多演算法模型、機器學習模型，往往通過聚類進行用戶的分層，對於業務來講，不是很好解釋。但RFM模型分成的8個用戶類別，是非常好理解的。
模型的缺點
RFM模型其實是滯後性的分析模型，只有當用戶發生了購買行為後，才能進行RFM的分析。而且模型的前提假設就是用戶的前後行為是無差別的。
另外，使用該模纖啟山型需要注意的是，不同行業的應用，是有差別的。最典型的是就是快消品和耐消品的差別。對於耐消品而言，RFM分析並不是一個很行之有效的模型。旁昌
3. 用戶價值分層——基於RFM模型的研究分析
• R（Recency）：消費間隔，最近一次距離上次消費的時間間隔
• F（Frequency）：消費頻次，一段時間（1個月/1年...）內的消費總次數
• M（Monetary）：消費金額，一段時間（1個月/1年...）內的消費總金額
RFM模型是用戶價值研究中的經典模型，基於近度（Recency），頻度（Frequency）和額度（Monetory）這3個指標對用戶進行聚類，找出具有潛在價值的用戶, 從而輔助商業決策，提高營銷效率。RFM作為一種數據驅動的客戶細分技術，可幫助營銷人員做出更明智的戰略性決策，使營銷人員能夠快速識別用戶並將其細分為同類群體，並針對性制定個性化的營銷策略，提高用戶的參與度和留存率。
RFM建模所需要的數據源是相對簡單的，只用到了購買記錄中的時間和金額這兩個欄位。我們基於交易數據中用戶的最後一次的購買時間，購買的次數以和頻率，以及平均/總消費額對每個用戶計算了三個維度的標准分。然後我們對於三個維度賦予了不同的權重，再基於加權後的分值應用K-Means進行聚類，根據每種人群三個維度與平均值之間的高低關系，確定哪些是需要保持用戶，哪些是需要挽留的用戶，哪些是需要發展的用戶等。在將這些客戶圈出之後，便可以對不同客戶群使用不同針對性地營銷策略（引導，喚醒等），提高復購率與轉化率。值得注意的是，三個維度的權重製定並沒有統一的標准，比較通用的方法是用層次分析法(AHP)，實際場景結合行業以及具體公司的特點進行因地制宜、因人而異的優化。
RFM因素：
• R值越高，顧客的有效期越近，對商家活動的響應越積極
• F值越高，顧客的消費頻次越高，對商家的忠誠度就越高
• M值越高，顧客的消費能力越高，對商家貢獻度就越高
• 想要提高復購率和留存率，需要時刻警惕R值
RFM分析：
• 誰是您最有價值的客戶？
• 導致客戶流失率增多的是哪些客戶？
• 誰有潛力成為有價值的客戶？
• 你的哪些客戶可以保留?
• 您哪些客戶最有可能對參與度活動做出響應？
• 誰是你不需要關注的無價值客戶？
• 針對哪些客戶制定哪種發展、保留、挽回策略？
通過RFM模型，可以幫助營銷人員實現客戶細分；衡量客戶價值和客戶利潤創收能力；識別優質客戶；指定個性化的溝通和營銷服務；為更多的營銷決策提供有力支持。
數據導入：使用python的pandas.read_csv導入樣本數據。
缺失值校驗：因數據為生產真實的交易數據，質量相對較高，缺失值較低。
極值校驗：第一份樣本數據獲取的用戶訂單實付金額，其中會存在優惠或補差支付，同時因就餐人數不一致，產生的的訂單消費也會存在較大的差異，造成極致波動、標准差值較大，因此需對金額進行處理，以人均消費額替代訂單支付金額，可去掉10元以下、萬元以上的交易訂單。
獲取RFM值：使用 groupby獲取RFM值
獲取RFM評分值液培：數據離散，pandas.cut
實驗數據RFM分值佔比
說明：F、M分布不均勻，極值差異大，經數據探查知曉該商戶開通了企業團餐業務，企業會給員工發放補貼，導致員工呈現較高的消費頻次，該類用戶的消費行為絕大程度依賴於企業，在實際的RFM模型可踢出此類訂單，降低此類人群的分值，其次數據中的M值為客戶實付金額，該商戶支持預定、會餐、大小桌，同一單的消費群體不同，或可使用人均消費總額作為M值。
RFM數據合並，建立R、F、M數據框：pandas+numpy
計算RFM綜合分值：權重法
權重值主要賦值方法可分為主觀賦權法、客觀賦權法，如下：
主觀賦權法：主要由專家經驗得到權數，然後對指標進行綜合評價。是一種結合性方法，易操作，存在一定主觀性。常用方法：層次分析法AHP、權值因子判斷表法、德爾菲法、模糊分析法、二項系數法、環比評分法、最小平方法、序關系分亂埋沒析法等。
客觀賦權法：依據歷史數據研究指標之間的相關關系或指標與評估結果的影響關系來綜合評價。這是定量研究，無須考慮決策者主觀意願和業務經驗，計算方法較為復雜。常用方法：主成分分析、因子分析、熵值法、變異系數法、嘩納均方差法、回歸分析法等。
因樣本數據分布不均勻，故手動賦權重值，去除部分極值。
結論：以近90天的消費活躍來看，用戶消費頻次集中在1-6次，呈現出極佳的復購率。可以針對消費一次的人群進行特徵分析。比如針對人群的流動性，若流動人群佔比較大，可進一步推廣特色菜吸引客戶，若周邊人群佔比較高，可基於復購人群的特徵進行分析，同時平台可提供該類人群近期消費偏好，供商家參考，制定針對性方案。
了解RFM定義後，將3個指標作為坐標系的XYZ坐標軸，從空間上切割成8類，作為用戶的價值分層，如下圖：
用戶價值分層說明：
上面我們已經計算得到各個用戶的RFM分值，接下來要依據分值進行分類。
定義RFM 的分值等級
使用pyecharts繪制玫瑰圖：
結論：商家顧客表現出來的忠誠度較高，但新客獲取能力較低。但是單純看分層佔比，並沒有實際意義，可以基於價值分層與其他特徵關聯分析進行精準投放。如下圖（網路參考圖，本期實驗並未涉及其他特徵）所示：
用戶畫像是基於用戶信息與行為衍生出來的特徵屬性，用戶的准入信息是用戶的主觀特徵，是一種既定的事實，通過對用戶行為的採集、研究，刻畫出單個用戶的特徵。其意義在於基於某一事物對群里特徵進行分類，有效的體現事物的合適人群；同時針對群里特徵的偏愛、習慣研究，可以刻畫出用戶的需求，實現精準化營銷。
用戶畫像的基礎成分來源於用戶的准入信息（會員注冊時的登記信息），更多的特徵數據來源於用戶的各類行為，而RFM模型便是基於用戶消費行為提煉出來的價值指標。通過對各個價值分層的群體特徵研究，可以有效提升獲客能力以及針對各類人群實現精準化營銷。
市場和運營往往絞盡腦汁做活動、上新品、蹭熱點、做營銷，拓渠道，不斷開發客戶、做回訪維系客戶感情，除了少數運氣好的之外，但大多效果寥寥，這是為何？
經驗豐富的營銷人員都知道「了解客戶」和「客戶細分」的重要性。營銷人員不僅要著眼於創造更多的訪問量和點擊量以提高客戶獲取，還必須遵循從提高點擊率（CTR）轉變為提高保留，忠誠度並建立客戶關系的新範式。與其將整個客戶群作為一個整體進行分析，不如將其劃分為同類群體，了解每個群體的特徵，並使他們參與相關的活動，而不是僅根據客戶年齡或地理位置進行客戶細分。而RFM分析是市場營銷人員分析客戶行為的最流行、最簡單、最有效的客戶細分方法之一。
針對RFM分層用戶制定相應的營銷策略:
• 重要價值客戶是您的最佳客戶，他們是那些最新購買，最常購買，並且花費最多的消費者。提供VIP服務和個性化服務，獎勵這些客戶，他們可以成為新產品的早期採用者，並有助於提升您的品牌。
• 重要發展客戶：近期客戶，消費金額高，但平均頻率不太高，忠誠度不高。提供會員或忠誠度計劃或推薦相關產品以實現向上銷售並幫助他們成為您的忠實擁護者和高價值客戶。
• 重要保持客戶：經常購買、花費巨大，但最近沒有購買的客戶。向他們發送個性化的重新激活活動以重新連接，並提供續訂和有用的產品以鼓勵再次購買。
• 重要挽回客戶：曾經光顧，消費金額大，購買頻率低，但最近沒有光顧的顧客。設計召回策略，通過相關的促銷活動或續訂帶回他們，並進行調查以找出問題所在，避免將其輸給競爭對手。
•一般價值客戶：最近購買，消費頻次高但消費金額低的客戶，需要努力提高其客單價，提供產品優惠以吸引他們。
• 一般發展客戶：最近購買，但消費金額和頻次都不高的客戶。可提供免費試用以提高客戶興趣，提高其對品牌的滿意度。
• 一般保持客戶：很久未購買，消費頻次雖高但金額不高的客戶。可以提供積分制，各種優惠和打折服務，改變宣傳方向和策略與他們重新聯系，而採用公平對待方式是最佳。
• 一般挽留客戶：RFM值都很低的客戶。針對這類客戶可以對其減少營銷和服務預算或直接放棄。
此外，目前的RFM分析中，一般給與M值更高的權重，如果一般挽留客戶與一般發展客戶占據多數，說明公司的用戶結構不是很合理，需要盡快採取措施進行優化。
4. rfm是定量分析法嗎
是的。RFM（Recency、Frequency、Monetary）是一種頌慶圓定量分析方法，用於分析客戶的價值和行為。這種方法將客戶按照最近購買時間（Recency）、購買頻率（Frequency）和消費金額（Monetary）等指標進行分類，以此來衡量客戶的價值和忠誠度，並制定相應的營銷策略，提高客戶的滿意度和忠誠度。RFM分析法可以幫助差歷企業針對不同類型的客野塌戶，採取不同的營銷策略，從而提高市場競爭力和盈利能力。因此，RFM分析法在企業營銷中得到了廣泛的應用。
5. 什麼是RFM原則
RFM分析法是根據客戶購買間隔、購買頻率橘備和購買者伍禪金額來計算客戶價值的一種方法。
分析選定的顧客以及首塵時間段，統計顧客的購買時間購買次數並計算出購買頻率。統計好次數後進行合計，計算出客戶購買的總額
6. RFM模型分析與客戶細分
RFM模型分析與客戶細分
根據美國資料庫營銷研究所Arthur Hughes的研究，客戶資料庫中有三個絕敬神奇的要素，這三個要素構成了數據分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。
RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始數據為3個欄位：客戶ID、購買時間(日期格式)、購買金額，用數據挖掘軟體處理，加權(考慮權重)得到RFM得分，進而可以進行客戶細分，客戶等級分類，Customer Level Value得分排序等，實現資料庫營銷!
這里再次借用@數據挖掘與數據分析的RFM客戶RFM分類圖。
本次分析用的的軟體工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
因為RFM分析僅是項目的一個小部分分析，但也面臨海量數據的處理能力，這一點對計算機的內存和硬碟容量都有要求。
先說說對海量數據挖掘和數據處理的一點體會：(僅指個人電腦操作平台而言)
一般我們拿到的數據都是壓縮格式的文本文件，需要解壓縮，都在G位元組以上存儲單位，一般最好在外置電源移動硬碟存儲;如果客戶不告知，你大概是不知道有多少記錄和欄位的;
Modeler挖掘軟體默認安裝一般都需要與C盤進行數據交換，並枯至少需要100G空間預留，否則讀取數據過程中將造成空間不足
海量數據處理要有耐心，等待30分鍾以上運行出結果是常有的現象，特別是在進行抽樣、合並數據、數據重構、神經網路建模過程中，要有韌性，否則差一分鍾中斷就悲劇了，呵呵;
數據挖掘的准備階段和數據預處理時間占整個項目的70%，我這里說如果是超大數據集可能時間要佔到90%以上。一方面是處理費時，一方面可能就只能這台電腦處理，不能幾台電腦同時操作;
多帶來並蔽慎不同，這是我一直強調的體驗。所以海量數據需要用到抽樣技術，用來查看數據和預操作，記住：有時候即使樣本數據正常，也可能全部數據有問題。建議數據分隔符採用「|」存儲;
如何強調一個數據挖掘項目和挖掘工程師對行業的理解和業務的洞察都不為過，好的數據挖掘一定是市場導向的，當然也需要IT人員與市場人員有好的溝通機制;
數據挖掘會面臨數據字典和語義層含義理解，在MetaData元數據管理和理解上下功夫會事半功倍，否則等數據重構完成發現問題又要推倒重來，悲劇;
每次海量大數據挖掘工作時都是我上微博最多的時侯，它真的沒我算的快，只好上微博等它，哈哈!
傳統RFM分析轉換為電信業務RFM分析主要思考：
這里的RFM模型和進而細分客戶僅是數據挖掘項目的一個小部分，假定我們拿到一個月的客戶充值行為數據集(實際上有六個月的數據)，我們們先用IBM Modeler軟體構建一個分析流：
數據結構完全滿足RFM分析要求，一個月的數據就有3千萬條交易記錄!
我們先用挖掘工具的RFM模型的RFM匯總節點和RFM分析節點產生R(Recency)、F(Frequency)、M (Monetary);
接著我們採用RFM分析節點就完成了RFM模型基礎數據重構和整理;
現在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;這里對RFM得分進行了五等分切割，採用100、10、1加權得到RFM得分表明了125個RFM魔方塊。
傳統的RFM模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識別客戶特徵和行為，有必要進一步細分客戶群;
另外：RFM模型其實僅僅是一種數據處理方法，採用數據重構技術同樣可以完成，只是這里固化了RFM模塊更簡單直接，但我們可以採用RFM構建數據的方式不為RFM也可用該模塊進行數據重構。
我們可以將得到的數據導入到Tableau軟體進行描述性分析：(數據挖掘軟體在描述性和製表輸出方面非常弱智，哈哈)
我們也可以進行不同塊的對比分析：均值分析、塊類別分析等等
這時候我們就可以看出Tableau可視化工具的方便性
接下來，我們繼續採用挖掘工具對R、F、M三個欄位進行聚類分析，聚類分析主要採用：Kohonen、K-means和Two-step演算法：
這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變數還是要進行變換，因為R、F、M三個欄位的測量尺度不同最好對三個變數進行標准化，例如：Z得分(實際情況可以選擇線性插值法，比較法，對標法等標准化)!另外一個考慮：就是R、F、M三個指標的權重該如何考慮，在現實營銷中這三個指標重要性顯然不同!
有資料研究表明：對RFM各變數的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而並沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權重並不相同,應該給予頻度最高,近度次之,值度最低的權重;
這里我們採用加權方法：WR=2 WF=3 WM=5的簡單加權法(實際情況需要專家或營銷人員測定);具體選擇哪種聚類方法和聚類數需要反復測試和評估，同時也要比較三種方法哪種方式更理想!
下圖是採用快速聚類的結果：
以及kohonen神經演算法的聚類結果：
接下來我們要識別聚類結果的意義和類分析：這里我們可以採用C5.0規則來識別不同聚類的特徵：
其中Two-step兩階段聚類特徵圖：
採用評估分析節點對C5.0規則的模型識別能力進行判斷：
結果還不錯，我們可以分別選擇三種聚類方法，或者選擇一種更易解釋的聚類結果，這里選擇Kohonen的聚類結果將聚類欄位寫入數據集後，為方便我們將數據導入SPSS軟體進行均值分析和輸出到Excel軟體!
輸出結果後將數據導入Excel，將R、F、M三個欄位分類與該欄位的均值進行比較，利用Excel軟體的條件格式給出與均值比較的趨勢!結合RFM模型魔方塊的分類識別客戶類型：通過RFM分析將客戶群體劃分成重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別;(有可能某個級別不存在);
另外一個考慮是針對R、F、M三個指標的標准化得分按聚類結果進行加權計算，然後進行綜合得分排名，識別各個類別的客戶價值水平;
至此如果我們通過對RFM模型分析和進行的客戶細分滿意的話，可能分析就此結束!如果我們還有客戶背景資料信息庫，可以將聚類結果和RFM得分作為自變數進行其他數據挖掘建模工作!
7. 數據分析方法3—RFM分析模型
對於一個新上線產品的前期運營，我們一般的做法都是做活動、上新品、蹭熱點、做營銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀，真正獲取的用戶沒有幾個，最終都便宜了羊毛黨。其實客戶在不同階段的需求是不一樣的，有的客戶圖便宜，有的客戶看新品，有的客戶重服務。所以我們想要運營好一個產品，就需要對客戶精細化運營。
精細化運營最經典的用戶分群工具就是RFM模型，RFM模型是衡量用戶價值和用戶創新能力的經典工具，主要是由用滑世戶最近一次購買時間、消費頻次、消費金額組成。
RFM模型是衡量客戶價值和客戶潛在價值的重要工具和手段，RFM是Rencency（最近一次消費），Frequency（消費頻率），Monetary（消費金額）組合而成，此模型對於運營、銷售、財務、市場來說都比較重要。
R值（Recency）： 最近一次消費
表示用戶最近一次消費距離現在的時間，消費時間越近的客戶價值越大，1年前消費過的用戶肯定沒有1月前消費過的用戶價值大，是衡量用戶價值的一個指標。
基於R值的大小，可以看出上表中的客戶2是最有價值的，客戶3是最沒有價值的，但是如果就此說明信搏肢客戶2是最有價值，而客戶3是沒有價值的是不成立的，對於客戶價值我們不能僅看R值，還需要考慮F值和M值。這里我們只舉出4個客戶為例，但在真實的客戶場景中，我們可以把客戶按照周、月、季、年等維度的佔比詳細來觀察出R的趨勢變化。
F值（Frequency）： 消費頻率
消費頻率是指用戶在統計周期內購買商品的次數，經常購買的用戶也就是熟客，其價值比偶爾來一次的客戶價值大
基於F值的大小，可以看出客戶4的價值最大，客戶1的價值最小，但是如果考慮R值和M值就不能這樣認為。其實客戶對於產品的復購的核心因素是類目。有的類目產品復購率高（食品類）主要是食品屬於易耗品，消耗周期短，購買的頻率高，相對容易產生重復性購買。而有的類目產品復購率低（家電類），消耗周期長，購買頻次低。建議在對F值進行統計時對於不同的類目要有相應的統計周期。
M值（Monetary）： 消費金額
消費金額是指用戶在統計周期內消費的總金額，體現了消費者對於企業的價值。
基於M值的大小，可以看出客戶4的價值最高，客戶1的價值最低，M值同上面的R值、F值類似，單一的值並不能說明客戶的好壞，三者結銀脊合才能更好地精細化用戶，對購買產品的用戶合理的分隔，採用不同的機制去運營。
RFM模型的主觀細分
根據RFM模型值得大小對客戶進行細分，如下表所示，將客戶分為了8部分去運營，對於不同的細分人群採取不同的運營策略，在實際的應用場景中，店鋪可以根據自己店鋪的實際情況來細分人群，購買人群多的就分多個人群，購買人群少的就少分幾個人群，具體的情況根據店鋪來定。
RFM模型的量化細分
上面的模型細分主要是根據RFM值的大小進行模糊的細分，而如果想要更細地對人群進行劃分，就需要對RFM進行量化處理，一般採用的方式有
1、根據經驗定義權重
RFM值=a*R值+b*F值+c*M值
對於其中的權重a,b,c則需要經驗豐富的業務人員來判斷
2、歸一化處理
將RFM的值進行歸一化處理，公式為
RFM值=R1值+F1值+M1值
上面的R1,F1,M1都是歸一化處理過後的值
3、AHP層次分析得出權重值
RFM值=a1*R值+a2*F值+a3*M值
a1,a2,a3的值是AHP層次分析得出的權向量值
具體參考鏈接
最終按照得出值的大小進行人群細分，得出不同的人群
8. 如何使用SPSS Modeler進行RFM分析
在軟體下方的「源」面板中選擇「可變文件」節點，把數據讀入到節點中。
在軟體下方的「源」面板中選擇「排序」節點，根據顧客ID進行排序，排序的目的是為加快計算速度。
在軟體下方的「源」面板中選擇「RFM匯總」節點，進行RFM匯總，此處注意，如果要查看匯總結果，要選擇一個表節點查看，否則無法運行。
在軟體下方的「源」面板中選擇「RFM分析」節點，運行進行RFM分析，分析的結果是每個顧客的RFM得分。
在軟體下方的「源」面板中選擇「排序」、「樣本」節點對顧客的得分進行排序並選擇出前n名的顧客ID，篩選的出的顧客為重點顧客，可以作為促銷目標用戶。
9. 【分析方法or思維】RFM模型——用戶價值分析
RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段，模型主要是利用客戶的最近一次消費（Recency）、總體消費頻率（Fequency）以及消費空春全額（Monetary）3項指標來描述該客戶的價值狀況。 RFM代表近度，頻率和額度，這些指標表徵了客戶的一些消費行為和習慣。頻率和額度會影響客戶的生命周期價值，新近度會影響保留率，而保留模辯率是忠誠度的衡量標准。
RFM是一種客戶細分技術，用以幫助營銷人員快速識別用戶類型及群體分類，並幫助營銷人員根據客戶細分類型斗碼耐的共性、個性提供一定的營銷策略。因而，RFM的最終成果是客戶的分類及分類分析。
10. rfm分析法是什麼
RFM分析方法：
1、定義：最近1次消費時間間隔（Recency）、消費頻率（Frequency）、消費金額（Monetary），通過這3個指標對用戶分類的方法稱為RFM分析方法2、這3個指標針對的業務不同，定義也不同，要根據業務來靈活定義。各指標特徵如下：對於最近1次消鬧迅費時間間隔（R），上一次消費離得越近，也就是R的值越小，用戶價值越高。對於消費頻率（F），購買頻率越高，也就是F的值越大，用戶價值越高。對於消費金額（M），消費金額越高，也就是M的值越大，用戶價值越高。用RFM分析方法把液埋此用戶分為8類，對不同價值的用戶使用不同的運營決策液升，把公司有限的資源發揮到最大的效果，這就是我們常常聽到的精細化運營。例如第1類是重要價值用戶，這類用戶最近一次消費時間較近，消費頻率也高，消費金額也高，要提供VIP服務。